ANALISIS DATA INFLASI INDONESIA MENGGUNAKAN MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DENGAN PENAMBAHAN OUTLIER.
|
|
- Yenny Darmali
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Analisis Daa (Supari) ANALISIS DAA INFLASI INDONESIA MENGGUNAKAN MODEL AUOREGRESSIVE INEGRAED MOVING AVERAGE (ARIMA) DENGAN PENAMBAHAN OULIER Supari 1 dan Alfi Faridaus Sa adah 2 1 Saf Pengajar Jurusan Saisika FSM UNDIP 2 Saf BPJS Keenagakerjaan Koa Semarang Absrac he inflaion daa is one of he financial ime series daa which ofen has high volailiy. I is caused by he presence of ouliers in he daa. herefore, i is necessary o analyze forecasing ha can make all he assumpions are fulled wihou having o ignore he presence of ouliers. he aim of his sudy is analyzing he inflaion daa in Indonesia using ARIMA model wih he oulier deecion. By modeling annual inflaion daa in December 2006 o December 2013 here are wo ypes of oulier ha are addiive oulier (AO) and level shif (LS) oulier. he resuls show ha he ARIMA model wih he addiion of oulier are beer han he ARIMA model wihou oulier. he ARIMA ([1.12], 1.0) model wih he addiion of 19 ouliers mee o he all assumpions ha are he significance parameers, normaliy, homoscedasiciy, and independence of residuals as well as he smalles MSE value. Keywords: Inflaion, ARIMA, Oulier, MSE 1. Pendahuluan Inflasi merupakan kecenderungan (rend) aau gerakan naiknya ingka harga umum yang berlangsung secara erus-menerus dari suau periode ke periode berikunya. Inflasi yang erkendali dan rendah dapa mendukung erpeliharanya daya beli masyaraka. Sedangkan inflasi yang idak sabil akan mempersuli dunia usaha dalam perencanaan kegiaan bisnis, baik dalam kegiaan produksi dan invesasi maupun dalam penenuan harga barang dan jasa yang diproduksinya. Oleh karenanya diperlukan prediksi inflasi yang akura di masa mendaang agar para pelaku usaha dapa melakukan perencanaan yang maang dalam melakukan kegiaan bisnisnya. Selain para pelaku usaha, prediksi inflasi juga diperlukan oleh pemerinah dalam meneapkan RAPBN dan bagi masyaraka inflasi dapa digunakan sebagai bahan perimbangan unuk merencanakan suau invesasi. Menuru Bunyamin dan Danila (2011), model inflasi Indonesia erbaik dengan Box- Jenkins menggunakan daa inflasi ahunan adalah model AR (2) dengan prediksi inflasi pada ahun 2009 sebesar 10,48% [2]. ernyaa hasil prediksi ini sanga jauh dengan daa riil inflasi ahun 2009 yang besarnya hanya 2,78%. Namun seelah dikaji ulang oleh penulis dengan menggunakan daa inflasi ahunan (yoy / year on year) Bulan Desember 2006 Desember 2011, penulis idak menemukan model Box-Jenkins yang sesuai karena dari model Box-Jenkins yang diidenifikasi ada beberapa model yang signifikan, akan eapi seelah diverifikasi residualnya ada asumsi yang idak erpenuhi yaiu independensi residualnya idak dipenuhi [8]. Kemudian penulis melakukan kajian ulang menggunakan daa inflasi Indonesia ahunan (yoy) Bulan Desember 2006 Desember 2013 dan diperoleh model Box-Jenkins erbaiknya model subse ARIMA ([1,12],1,0) yang memenuhi semua asumsi residualnya namun dari daanya erdeeksi memua oulier [9]. ujuan peneliian ini adalah melakukan analisis pemodelan inflasi di Indonesia mennggunakan Model ARIMA Box-Jenkins dengan penambahan oulier. 1
2 Media Saisika, Vol. 8 No. 1, Juni 2015: injauan Pusaka 2.1 Inflasi Secara sederhana inflasi diarikan sebagai meningkanya harga-harga secara umum dan erus menerus. Kenaikan harga dari sau aau dua barang saja idak dapa disebu inflasi kecuali bila kenaikan iu meluas (aau mengakibakan kenaikan harga) pada barang lainnya. Kebalikan dari inflasi disebu deflasi [4]. Indikaor yang sering digunakan unuk mengukur ingka inflasi adalah Indeks Harga Konsumen (IHK). Perubahan IHK dari waku ke waku menunjukkan pergerakan harga dari pake barang dan jasa yang dikonsumsi masyaraka. Sejak Juli 2008, pake barang dan jasa dalam keranjang IHK elah dilakukan aas dasar Survei Biaya Hidup (SBH) ahun 2007 yang dilaksanakan oleh Badan Pusa Saisik (BPS) [4]. arge aau sasaran inflasi merupakan ingka inflasi yang harus dicapai oleh Bank Indonesia, berkoordinasi dengan Pemerinah. Peneapan sasaran inflasi berdasarkan UU mengenai Bank Indonesia dilakukan oleh Pemerinah. Sasaran inflasi yang dieapkan oleh Pemerinah unuk periode , masing-masing sebesar 4,5%, 4,5%, 4,5%, dan 4% masing-masing dengan deviasi ±1% [6]. Cara perhiungan inflasi berdasarkan IHK erbagi 2 yaiu inflasi bulanan (mm) dan inflasi ahunan (yoy) [1]. Inflasi bulanan (mm) dihiung dari perubahan indeks bulan erenudan indeks bulan sebelumnya pada ahun yang sama yaiu IHK bulan n ahun - IHK bulan ( n 1) ahun Inflasi ( mm) bulan n ahun x100% IHK bulan ( n 1) ahun Sedangkan inflasi ahunan (yoy) dihiung dari perubahan indeks bulan yang sama pada ahun erenu dan ahun sebelumnya yaiu IHK bulan n ahun - IHK bulan n ahun ( 1) Inflasi ( yoy) bulan n ahun x100% IHK bulan ken ahun ( 1) 2.2 Analisis Runun Waku Analisis runun waku (ARW) merupakan analisis sekumpulan daa dalam suau periode waku yang lampau yang berguna unuk mengeahui aau meramalkan kondisi masa mendaang.dalam analisis runun waku, pengamaan sekarang ( ) erganung pada sau aau beberapa pengamaan sebelumnya ( -k ). Pemodelan daa runun waku yang sering digunakan anara lain adalah meode ARIMA Box-Jenkins [5]. Menuru Wei (2006), pemodelan daa runun waku dengan ARIMA Box-Jenkins harus memenuhi syara 2 2 sasionerias, yaiu nilai mean E( ) dan varians Var ( ) E( ) konsan. Uji sasionerias daa dalam mean digunakan Uji Dickey-Fuller. Jika daa idak sasioner dalam mean maka dilakukan diferensi. Sedangkan unuk meliha dan mengaasi keidaksasioneran dalam varian dapa digunakan ransformasi Box-Cox [11]. Benuk umum model ARIMA (p,d,q) adalah d q ( B) a p ( B )( 1 B) q ( B) a aau (1) d ( B)( 1 B) p dengan B) (1 B... B ) p( 1 p p merupakan operaor AR(p) yang sasioner dan q q( B) (1 1B... qb ) merupakan operaor MA(q) yang inverible dengan a merupakan residual yang independen dan berdiribusi normal dengan mean 0 dan varians 2 konsan [7] a. Model subse ARIMA merupakan bagian dari model ARIMA ergeneralisasi [10]. Conoh model subse ARIMA([2,4],1,[1,10]) dapa diulis sebagai 2
3 Analisis Daa (Supari) B 4B 1 B 1 1B 10B a 10 1 B B a aau B B 1 B Jika ada beberapa model yang signifikan dengan semua asumsi residual erpenuhi maka dapa dipilih sau model erbaik didasarkan pada nilai MSE erkecil pada masing-masing model yang diverifikasi [11]. (2) 2.3 Deeksi Oulier Oulier adalah nilai pengamaan yang idak konsisen dalam daa runun waku aau nilainya jauh berbeda dari daa lainnya. Adanya oulier sering menyebabkan kesimpulan dari analisis daa yang dihasilkan idak valid. Ada empa macam jenis oulier yaiu Innovaional Oulier (IO), Addiive Oulier (AO), emporary Change (C), dan Level Shif (LS) [11]. Addiive oulier adalah kejadian yang mempunyai efek pada daa runun waku hanya pada sau periode saja yaiu pada pengamaan ke-. Benuk umum sebuah Addiive Ouliers (AO) dalam proses ARMA didefinisikan sebagai beriku X X ( ) X I ( B) ( ) I (3) ( B) ( dengan I ) 1 0 adalah variabel indikaor yang mewakili ada aau idak oulier pada waku. Innovaional ouliers adalah kejadian yang efeknya mengikui proses ARMA. Benuk umum sebuah innovaional ouliers didefinisikan sebagai ( B) ( ) X I ( B) ( B) ( ) a I (4) ( B) Level Shif Oulier (LS) adalah kejadian yang mempengaruhi dere pada sau waku erenu yang memberikan suau perubahan iba-iba dan permanen. Model oulier LS dinyaakan sebagai 1 ( ) X I (5) ( 1 B) emporary Change Oulier (C) adalah suau kejadian dimana oulier menghasilkan efek awal sebesar ω pada waku, kemudian secara perlahan sesuai dengan besarnya δ. Model C dapa diuliskan sebagai 1 ( ) X I (6) ( 1 B) pada saa δ = 0 maka C akan menjadi kasus addiive oulier, sedangkan pada saa δ = 1 maka C akan menjadi kasus level shif. 3
4 Inflasi(%) Media Saisika, Vol. 8 No. 1, Juni 2015: Evaluasi Kinerja Model Menuru ainun e al (2011),suau model dikaakan mempunyai kinerja yang sanga bagus jika nilai MAPE kurang dari 10%, dan mempunyai kinerja yang bagus jika nilai MAPE berada dianara 10% sampai 20% dengan MAPE= 1 m m i=1 Y i i Y Y i x 100% [12]. 3. Meodologi Peneliian Daa yang digunakan dalam peneliian ini adalah daa inflasi ahunan (yoy / year-onyear) di Indonesia Bulan Desember 2006 Agusus 2014 yang diambil dari sius resmi Bank Indonesia [4]. Daa dibagi menjadi 2 bagian yaiu daa bulan Desember 2006 Desember 2013 sebagai daa in sampel yang digunakan unuk membangun model dan daa bulan Januari Agusus 2014 sebagai daa ou sampel yang digunakan unuk evaluasi model. Perama memodelkan daa in sampel menggunakan meode ARIMA Box-Jenkins dan menenukan model erbaiknya berdasarkan nilai MSE erkecil. Kemudian mendeeksi adanya oulier dalam daa. Jika erdapa oulier, dilakukan pemodelan menggunakan ARIMA erbaik dengan penambahan oulier sau per sau dan melakukan uji signifikansi parameer model sera melakukan pemeriksaan diagnosik residual. Selanjunya memilih model erbaik berdasarkan nilai MSE erkecil dari model yang memenuhi semua asumsi resudual dan melakukan evaluasi kinerja model menggunakan daa ou sampel. Kemudian menganalis prediksi inflasi pada bulan Januari 2014 Desember Pengolahan daa dilakukan menggunakan sofware Excel, Eviews, R dan SAS. 4. Hasil Dan Pembahasan Daa inflasi ahunan (yoy) Indonesia pada Bulan Desember 2006 Desember 2013 digambarkan dalam Gambar Waku () Gambar 1. Daa Inflasi ahunan (yoy) Desember 2006 Desember 2013 Daa Gambar 1 erliha belum sasioner karena secara visual, mean dan flukuasinya idak konsan dan seelah dilakukan uji formal dengan Plo Box-Cox dapa disimpulkan bahwa daa belum sasioner dalam varian karena menghasilkan rounded value () sebesar 0,5. Oleh karena iu dilakukan ransformasi daa menggunakan fungsi akar. Kemudian dilakukan Uji Dikey-Fuller dan hasilnya daa belum menunjukkan sasioner dalam mean. Selanjunya dilakukan deferensi lag 1. Seelah dilakukan uji ulang, daa elah sasioner. Jadi daa inflasi yoy Indonesia Bulan Desember Desember 2013 bersifa sasioner 4
5 Diferensi Lag Analisis Daa (Supari) seelah diransformasi ke dalam fungsi akar dan dilakukan diferensi lag 1, meskipun dari plo runun wakunya erliha ada pengamaan yang berbeda dari pengamaan lain dan diduga sebagai daa oulier (Gambar 2) Waku () Gambar 2. Plo Runun waku Diferensi lag 1 Seelah ransformasi Dari daa Gambar 2 seelah dilakukan plo Auocorrelaion (ACF), lag-lag yang signifikan adalah lag 1, 4, 5,12, 13, 17, 18, dan 30, sehingga dapa diidenifikasi beberapa model subse MA yang mungkin dari kombinasi MA [1,4,5,12,13,17,18,30]. Semenara dari plo Parial Auocorrelaion / PACF, lag yang signifikan adalah lag 1, 4, dan 12 sehingga dapa diidenifikasi beberapa model subse AR yang mungkin dari kombinasi AR [1,4,12]. Dengan menggabungkan beberapa kombinasi model subse AR dan MA dengan diferensi lag 1 maka diperoleh model erbaik adalah subse ARIMA ([1,12],1,0) [9] sehingga sesuai Persamaan (2) dan Lampiran 1, model yang erbenuk: aau B 0, 42134B 1 0, 39264B 0, 42134B 1 B a, (7) a , 39264B 0, 42134B 1 B (8) Model (8) mempunyai MSE sebesar 0,01109 unuk daa hasil ransformasi dan MSE sebesar 0,2784 seelah daa dikembalikan ke aslinya. Unuk meyakinkan ada aau idaknya oulier dalam daa, maka dilakukan deeksi oulier. Hasilnya erdeeksi 19 oulier, yaiu pada daa ke-80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, 75, 44, 42, 47, 37, 18 dan 30, yang beripe Addiive Oulier (AO) pada daa oulier ke- 56, 38, 70, 14, 22, 32, 42, 47, 18 dan Level Shif (LS) pada daa oulier yang lainnya (Lampiran 2). Selanjunya dilakukan uji signifikansi parameer dan pemeriksaan diagnosik residual pada model ARIMA erbaik dengan menambahkan oulier sau per sau yang hasilnya dapa diliha pada abel 2. Dari abel 2 erliha ada 10 model signifikan yang memenuhi semua asumsi residualnya dengan nilai MSE erera pada abel 3. 5
6 Media Saisika, Vol. 8 No. 1, Juni 2015: 1-11 abel 2.Uji Signifikansi Parameer dan Pemerikasaan Diagnosik Model ARIMA ([1,12],1,0) + Oulier Daa ke- Signifikansi Independenskedasisialias Homo- Norma- parameer 80 80, 31 80, 31, 40 80, 31, 40, 56 80, 31, 40, 56, 38 80, 31, 40, 56, 38, 26 x x 80, 31, 40, 56, 38, 26, 70 x x 80, 31, 40, 56, 38, 26, 70, 46 x 80, 31, 40, 56, 38, 26, 70, 46, 14 80, 31, 40, 56, 38, 26, 70, 46, 14, 22 80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32 80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76 x 80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, 75 80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, x 75, 44 80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, x 75, 44, 42 80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, X 75, 44, 42, 47 80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, X 75, 44, 42, 47, 37 80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, X 75, 44, 42, 47, 37, 18 80, 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, 75, 44, 42, 47, 37, 18, 30 abel 3. Nilai MSE dari Model Daaransformasi Model ARIMA ([1,12],1,0) + Oulier Daa ke- MSE 80 0, , 31 0, , 31, 40 0, , 31, 40, 56 0, , 31, 40, 56, 38 0, , 31, 40, 56, 38, 26, 70, 46, 14 0, , 31, 40, 56, 38, 26, 70, 46, 14, 22 0, , 31, 40, 56, 38, 26, 70, 46, 14, 22, 32 0, , 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, 75 0, , 31, 40, 56, 38, 26, 70, 46, 14, 22, 32, 76, 75, 44, 42, 47, 37, 18, 30 0,00201 Model ARIMA ([1,12],1,0) 0,01109 Dari perbandingan nilai MSE (abel 3), model ARIMA dengan penambahan oulier lebih bagus dari model ARIMA anpa oulier. Pemilihan model erbaik berdasarkan nilai MSE erkecil yaiu model ARIMA ([1,12],1,0) dengan penambahan 19 oulier yang mempunyai MSE sebesar 0,00201 dari daa ransformasi dan seelah daa dikembalikan ke benuk aslinya diperoleh MSE sebesar 0, Berdasarkan model subse ARIMA([1,12],1,0) dengan penambahan 19 oulier yang berype AO (Persamaan (3)) dan LS (Persamaan (5)) maka model yang erbenuk (sesuai Lampiran 3) adalah 6
7 Inflasi (%) Analisis Daa (Supari) ,59275B 0,38877B 1- B 0,22784 I (1 B) 0,08896 I 0,09534 I 0,06257 I (40) (70) (32) (47) a 0,11247 I 0,14125 I (1 B) 0,14376 I (1 B) 0,09631 I (1 B) (46) (56) (76) (37) 0,45358 I (1 B) 0,13044 I 0,08524 I 0,12200 I (1 B) 0,07004 I (38) (31) (75) (18) (80) 0,07035 I 0,38474 I (1 B) 0,13146 I (1 B) 0,11002 I (1 B) (22) (44) (30) (31) 0, ,19097 I (1 B) (26) 0,06359 I (42) (9) Perbandingan model ARIMA ([1,12],1,0) dan model ARIMA ([1,12],1,0) dengan penambahan 19 oulier disajikan dalam abel 4. Dari abel 4 erliha model ARIMA ([1,12],1,0) dengan penambahan 19 oulier lebih baik dari model ARIMA ([1,12],1,0) anpa oulier karena menghasilkan MSE yang lebih kecil, dengan kinerja model sanga bagus karena nilai MAPE < 10%. Sedangkan perbandingan daa akual, prediksi model ARIMA ([1,12],1,0) dan model ARIMA ([1,12],1,0) dengan penambahan 19 oulier disajikan dalam Gambar 3. Dari Gambar 3 erliha prediksi model ARIMA ([1,12],1,0) dengan penambahan 19 oulier lebih deka dengan daa akual sehingga model inflasi dengan penambahan oulier lebih baik. Kedekaan ini yang mengakibakan besarnya nilai MSE model ARIMA dengan penambahan oulier lebih kecil dari MSE model ARIMA anpa oulier. Jadi secara visual dan secara saisik menunjukkan bahwa model ARIMA ([1,12],1,0) dengan penambahan 19 oulier lebih baik dari model ARIMA ([1,12],1,0) anpa oulier. abel 4. Perbandingan Model ARIMA dengan dan anpa Oulier Model ARIMA([1,12],1,0) ARIMA ([1,12],1,0) + 19 oulier MSE in sampel 0, ,05098 MSE ou sampel 0, , MAPE ou sampel 9,6773 % 5,2294 % Kinerja model Sanga bagus Sanga bagus o : Daa akual : Model ARIMA : Model ARIMA + Oulier Waku () Gambar 3. Perbandingan Daa Akual, Model Subse ARIMA ([1,12],1,0) dan Subse ARIMA ([1,12],1,0) dengan Penambahan 19 Oulier 7
8 Media Saisika, Vol. 8 No. 1, Juni 2015: 1-11 Perbandingan daa akual bulan Januari Agusus 2014 dan prediksi inflasi bulan Januari 2014 Desember 2015 menggunakan model subse ARIMA ([1,12],1,0) dengan penambahan 19 oulier disajikan dalam Gambar 4. Dari Gambar 4 erliha prediksi pada bulan Januari Agusus 2014 sanga deka dengan daa akualnya bahkan pada bulan Januari, Februari, Juli dan Agusus 2014 hampir mendekai daa akualnya. Jadi penyimpangan aau error yang erjadi cukup kecil. Diprediksikan besar inflasi pada akhir ahun 2015 sekiar 8% sehingga arge inflasi ahun 2015 yang elah dieapkan pemerinah sebesar (4+1)% diperkirakan idak dapa ercapai. Gambar 4. Prediksi Inflasi Bulan Januari 2014 Desember Kesimpulan Hasil peneliian menunjukkan bahwa model subse ARIMA ([1,12],1,0) dengan penambahan 19 oulier memenuhi semua asumsi residual (yaiu independen, berdidribusi normal dengan varian konsan) dan merupakan model erbaik dari Model ARIMA dengan penambahan oulier dan lebih baik dari Model ARIMA anpa oulier. Dengan menggunakan model subse ARIMA ([1,12],1,0) dengan penambahan 19 oulier, diprediksikan besar inflasi pada akhir ahun 2015 sekiar 8% dan arge inflasi ahun 2015 yang elah dieapkan pemerinah sebesar (4+1)% diperkirakan idak dapa ercapai. DAFAR PUSAKA 1. BPS, Daa Sraegis BPS, Bunyamin dan Danila, N., Esimasi Inflasi di Indonesia dengan Menggunakan Meodologi Box Jenkins, Naional Journals, 2011, Vol. 18, No hp:// 4. hp:// 5. Makridakis, S., Wheelwrigh, S.C., and McGee, V.E., Meode dan Aplikasi Peramalan, Jilid sau edisi kedua, erjemahan Ir. Hari Sumino, Bina Rupa Aksara, Jakara, PMK No.66/PMK.011/2012 anggal 30 April Soejoei,., Maeri Pokok Analisis Runun Waku, Karunika, Jakara, Supari, Analisis Daa Inflasi di Indonesia Menggunakan Model Regresi Spline, Jurnal Media Saisika, 2013, Vol. 6, No.1. 8
9 Analisis Daa (Supari) 9. Supari, Warsio, B. dan Mukid, M.A.,he Analysis of Indonesia Inflaion Daa Using Box-Jenkins Models, he 4h ISNPINSA Proceeding, FSM Undip Semarang, arno, Kombinasi Prosedur Pemodelan Subse Arima dan Deeksi Oulier unuk Prediksi Daa Runun Waku, Prosiding Seminar Nasional Saisika UNDIP Semarang, Wei, W.W.S., ime Series Analysis, Univariae and Mulivariae Mehods, Addison Wesley Publishing Company, Canada, ainun, N.Y., Rahman, I.A.and Efekhari, M., Forecasing Low-Cos Housing Demand In Pahang, Malaysia Using Arificial Neural Neworks. Journal of Surveying, Consrucion and Propery (Special Issue), 2011, Vol. 2. 9
10 Media Saisika, Vol. 8 No. 1, Juni 2015: 1-11 Lampiran : 1. Esimasi Parameer Model ARIMA ([1,12],1,0) he SAS Sysem 22:23 Friday, June 25, he ARIMA Procedure Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < AR1, < Dependen Variable RESIDUAL Residual: Acual-Forecas Ordinary Leas Squares Esimaes SSE DFE 84 MSE Roo MSE SBC AIC Regress R-Square oal R-Square Durbin-Wason Deeksi Oulier Oulier Deecion Summary Maximum number searched 30 Number found 19 Significance used 0.05 Oulier Deails Approx Chi- Prob> Obs ime ID ype Esimae Square ChiSq 80 AUG2012 Shif < JUL2008 Shif < APR2009 Shif AUG2010 Addiive FEB2009 Addiive FEB2008 Shif OC2011 Addiive OC2009 Shif FEB2007 Addiive OC2007 Addiive AUG2008 Addiive APR2012 Shif MAR2012 Shif AUG2009 Shif JUN2009 Addiive NOV2009 Addiive JAN2009 Shif JUN2007 Addiive JUN2008 Shif
11 Analisis Daa (Supari) 3. Esimasi Parameer Model ARIMA ([1,12],1,0) + 19 Oulier he SAS Sysem 10:58 Saurday, June 26, he ARIMA Procedure Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag Variable Shif AR1, < y 0 AR1, < y 0 NUM < o1 0 NUM < o2 0 NUM < o3 0 NUM < o4 0 NUM < o5 0 NUM < o6 0 NUM o7 0 NUM o8 0 NUM o9 0 NUM o10 0 NUM o11 0 NUM o12 0 NUM o13 0 NUM o14 0 NUM o15 0 NUM o16 0 NUM o17 0 NUM o18 0 NUM o
ANALISIS 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 terperinciOleh: 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
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
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 terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
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 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 terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 91-100 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI BREAKPOINT DAN PEMODELAN AUTOREGRESSIVE STRUCTURAL
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
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 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 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 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 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 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 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 terperinciPenerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan
Jurnal Sains Maemaika dan Saisika, Vol. 4, No., Januari 8 ISSN 46-454 prin/issn 65-8663 online Penerapan Model ARCH/GARCH unuk Peramalan Nilai Tukar Peani Ari Pani Desvina, Inggrid Ocaviani Meijer, Jurusan
Lebih terperinciAPLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Lebih terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
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 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 terperinciMinggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING. Peramalan Data Time Series
Minggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING Bab ini memperkenalkan model berlaku unuk daa ime series dengan musiman, ren, aau keduana komponen musiman dan ren dan daa sasioner. Meode peramalan
Lebih terperinciPROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA
PROSES AUOREGRESSIVE CONDIIONAL HEEROSCEDASICIY DENGAN DUGAAN VARIANSI INFLASI INDONESIA Rianiai Monica, Suyono, dan Vera Maya Sani Jurusan Maemaika FMIPA UNJ Absrak Model-model runun waku konvensional,
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 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 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 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 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 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 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 terperinciPENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA
PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA Leopoldus Ricky Sasongko, Lydia Ninuk Rahayu, dan Alberh Roy Koa 3,,3 Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias
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 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 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
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 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 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 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 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 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 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 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 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 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 terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
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 terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
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 terperinciPeramalan Return Saham Bank Central Asia Menggunakan Self Exciting Threshold Autoregressive Genetic Algorithm
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Prin) D-71 Peramalan Reurn Saham Bank Cenral Asia Menggunakan Self Exciing Threshold Auoregressive Geneic Algorihm Tesalonika Puri dan
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 terperinciPengaruh variabel makroekonomi..., 24 Serbio Harerio, Universitas FE UI, 2009Indonesia
BAB 3 DATA DAN METODOLOGI 3.1 Variabel-Variabel Peneliian 3.1.1 Variabel dependen Variabel dependen yang digunakan adalah reurn Indeks Harga Saham Gabungan yang dihiung dari perubahan logarima naural IHSG
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 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 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 terperinciPeramalan Kebutuhan Premium dengan Metode ARIMAX untuk Optimasi Persediaan di Wilayah TBBM Madiun
Peramalan Kebuuhan Premium dengan Meode ARIMAX unuk Opimasi Persediaan di Wilayah TBBM Madiun Oleh: Nindia Sekar Dini 1308100088 Pembimbing: Drs. Haryono, MSIE Dr. Suharono 1 Ouline Pendahuluan Tinjauan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 701-710 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian VERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING
Lebih terperinciPENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY
PENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY Hermansah Program Sudi Pendidikan Maemaika, Fakulas Keguruan
Lebih terperinciMetode Regresi Linier
Modul 1 Meode Regresi Linier Prof. DR. Maman Djauhari A PENDAHULUAN nalisis regresi linier, baik yang sederhana maupun yang ganda, elah Anda pelajari dalam maa kuliah Meode Saisika II. Dengan demikian
Lebih terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function) 1
DAMPAK PENURUNAN HARGA BBM JENS PREMUM TERHADAP ANGKA NFLAS D KOTA YOGYAKARTA (Sudi Aplikasi Model nervensi dengan Sep Funcion) Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika FMPA Universias
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 terperinciPERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH
Vol.. No., 03 PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH Ari Pani Desvina, Sari Marlinda, Jurusan Maemaika Fakulas Sains dan Teknologi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Salah sau ujuan didirikannya perusahaan adalah dalam rangka memaksimalkan firm of value. Salah sau cara unuk mengukur seberapa besar perusahaan mencipakan
Lebih terperinciModel Dinamis: Autoregressive Dan Distribusi Lag (Studi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domestik Regional Bruto (PDRB))
Model Dinamis: Auoregressive Dan Disribusi Lag (Sudi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domesik Regional Bruo (PDRB)) Dynamic Model : Auoregressive and Disribuion Lag (Case Sudy: Effecs
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciBAB III METODE PENELITIAN
3. METODE PENELITIAN 3.1. Kerangka Pikir BAB III METODE PENELITIAN Peneliian ini diujukan unuk membukikan adanya hubungan dan pengaruh dari nilai ukar Rupiah erhadap Dollar Amerika Serika (exchange rae),
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 terperinci