Prediksi Curah Hujan Kota Samarinda pada Tahun 2014 dengan Metode Filter Kalman. Rainfall Prediction Samarinda in 2014 with Kalman Filter Method
|
|
- Hendra Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN Predisi Curah Hujan Koa Samarinda pada Tahun dengan Meode Filer Kalman Rainfall Predicion Samarinda in wih Kalman Filer Mehod Ea Syafiri Andarini, Sri Wahyuningsih, Rio Goejanoro 3 Mahasiswa Program Sudi Saisia FMIPA Universias Mulawarman,3 Dosen Program Sudi Saisia FMIPA Universias Mulawarman easyafiriandarini@yahoo.com Absrac Applicaion of Kalman Filer mehod is inended o model and predic rainfall Samarinda. Kalman Filer mehod is used o declare a ime series model of which is shown in he form of linear sae space o deermine he fuure forecas. This mehod wors recursively o minimize inaccuracies in forecasing, which consiss of he formaion of an iniial guess of he sae, hen he sage will be he predicion and phase correcion o improve he esimaion is done recursively. Resuls rainfall predicion Samarinda wih Kalman Filer mehod ends o be high for any monh in which he highes rainfall occurs in November amouned o 3,8 mm and lowes rainfall occurs in July amouned o 6,67 mm. Keywords: Kalman Filer, rainfall, sae space, Time series Pendahuluan Cuaca adalah benu awal yang dihubungan dengan penafsiran dan pengerian aan ondisi fisi udara sesaa pada suau loasi dan suau wau. Sedangan ilim adalah ondisi lanjuan dan merupaan umpulan dari ondisi cuaca yang emudian disusun dan dihiung dalam benu raaraa ondisi cuaca dalam urun wau erenu. Salah sau unsur yang mempengaruhi cuaca dan ilim adalah curah hujan (Winarso, ). Hujan merupaan sau benu presipiasi (seiap produ dari ondensasi uap air di amosfer) yang berwujud cairan. Presipiasi sendiri dapa berwujud pada (misalnya salju dan hujan es) aau aerosol (embun dan abu). Hujan erbenu apabila ii air yang erpisah jauh e bumi dari awan. Curah hujan merupaan einggian air hujan yang erumpul dalam empa yang daar, ida menguap, ida meresap, dan ida mengalir. Predisi curah hujan dapa dilauan dengan meode filer Kalman (Winarso, ). Menuru Brocwell dan Davis (99), meode filer Kalman digunaan unu menyaaan suau model dere wau yang diampilan dalam benu linier sae space. Dimana menuru Aswi dan Suarna (6), dere wau (ime series) merupaan serangaian daa pengamaan yang erjadi berdasaran indes wau secara beruruan dengan inerval wau eap. Filer Kalman adalah sebuah esimaor yang berfungsi unu mengesimasi sae dari oupu. Menuru Meinhold dan Singpurwala (983), eunggulan dari meode filer Kalman yaiu filer Kalman merupaan meode yang mudah dierapan dalam berbagai ilmu arena sifanya yang reursif. Sedangan elemahan dari meode filer Kalman adalah eberhasilan dalam mendapaan hasil predisi yang opimal erganung pada eepaan dalam mengesimasi sae awal pada daa observasi erbaru (Wei, 989). Peneliian ini berujuan unu mengeahui model ARIMA dan model sae space unu daa curah hujan di oa Samarinda pada periode Januari 8 sampai dengan Desember 3 dan emudian melauan predisi curah hujan oa Samarinda pada ahun dengan menggunaan meode filer Kalman dan meode ARIMA. Analisis Dere Wau Menuru Aswi dan Suarna (6), analisis dere wau adalah salah sau prosedur saisia yang dierapan unu meramalan sruur probabilisi eadaan yang aan erjadi di masa yang aan daang dalam ranga pengambilan epuusan. Menuru Widarjono (), suau daa dere wau diaaan sasioner jia memenuhi iga rieria yaiu jia raa-raa dan variansinya onsan sepanjang wau dan ovariansi anara dua daa runun wau yang erganung dari elambanan (lag) anara dua periode wau ersebu. Bila ondisi sasioner dalam raa-raa ida erpenuhi maa diperluan proses pembedaan (differencing). Secara umum operasi differencing yang menghasilan suau ejadian (proses) baru yang sasioner, misal W adalah: d W ( B) () Kemudian apabila ondisi sasioner dalam variansi ida erpenuhi dilauan ransformasi panga (power ransformaion). ( ) ( ), () dengan λ adalah parameer ransformasi dan adalah nilai dere wau pada wau (Aswi dan Suarna, 6). Selain dengan menggunaan pembeda (differencing) dan ransformasi Box-Cox, uji Program Sudi Saisia FMIPA Universias Mulawarman 39
2 Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN sasionerias daa juga dapa dicari dengan menggunaan uji aar uni (uni roos es). Uji aar uni perama ali diembangan oleh Dicey- Fuller dan dienal dengan uni Dicey-Fuller dengan prosedur pengujian unu menenuan apaah daa sasioner aau ida adalah sebagai beriu: Hipoesis H : (daa Y mengandung aar uni yang berari daa ime series Y adalah ida sasioner) H : (daa Y ida mengandung aar uni yang berari daa ime series Y adalah sasioner) Saisi uji ˆ hiung, (3) se( ˆ) dengan Se (ˆ ) adalah simpangan bau dari ˆ. Unu menenuan apaah daa sasioner aau ida adalah dengan membandingan anara nilai saisi ADF Tes yang merupaan oefisien auoregresive-nya dengan nilai riisnya disribusi saisi Macinnon. Jia nilai hiung lebih besar dari nilai riis abel Macinnon, maa daa yang diamai menunjuan bahwa daa sasioner dan jia sebalinya nilai hiung lebih ecil dari nilai riis abel Macinnon, maa daa yang diamai menunjuan bahwa daa ida sasioner (Widarjono, ). Auocorellaion Funcion (ACF) Auoorelasi adalah suau uuran yang menunjuan eeraan hubungan anara nilai-nilai dari variabel yang diamai. Auoorelasi berguna dalam mengidenifiasi suau model runun wau (Wei, 989). Menuru Aswi dan Suarna (6), arena pada dasarnya ida mungin fungsi auoorelasi dihiung dari populasi, maa fungsi auoorelasi dihiung sesuai dengan pengambilan daa dan dirumusan sebagai beriu: n ˆ = ( )( ) () n ( ) Parial Auocorellaion Funcion (PACF) Menuru Aswi dan Suarna (6), fungsi auoorelasi parsial adalah suau fungsi yang menunjuan besarnya orelasi parsial anara pengamaan pada wau e- (dinoasian dengan ) dengan pengamaan pada wau-wau yang sebelumnya (dinoasian dengan -, -,, - ). Rumus auoorelasi parsial aau adalah: corr,,,..., ) () ( Proses Whie Noise Suau proses {a } dinamaan proses whie noise (proses yang bebas dan ideni) jia benu peubah aca yang beruruan ida saling berorelasi dan mengiui disribusi erenu. Raaraa E(a ) = a dari proses ini diasumsian bernilai nol dan mempunyai variansi yang onsan yaiu var(a ) = dan nilai ovariansi unu proses ini a cov( a, a ) unu (Aswi dan Suarna, 6). Meode ARIMA (Box-Jenins) Teni Box-Jenins sebagai eni peramalan berbeda dengan ebanyaan model peramalan yang ada arena di dalam model ini ida ada asumsi husus enang daa hisoris dari dere wau, eapi menggunaan model ieraif unu menenuan model yang erbai. Model yang dipilih emudian dice ulang dengan daa hisoris apaah elah menggambaran daa dengan epa. Model erbai aan diperoleh jia residual anara model peramalan dan daa hisoris ecil, didisribusian secara aca dan independen. Namun bila model yang dipilih ida mampu menjelasan dengan bai maa proses penenuan model perlu diulangi (Widarjono, ). Pemerisaan Diagnosi Menuru Aswi dan Suarna (6), pada pemerisaan diagnosi erdiri dari dua uji yaiu uji signifiansi parameer dan dan Uji Kesesuaian Model (uji whie noise dan uji asumsi enormalan residual). Dimana pada proses uji signifiansi parameer dilauan unu meliha elayaan suau model, yaiu unu menguji apaah suau parameer model ARIMA laya masu dalam model aau ida dengan menunjuan bahwa penasiran parameernya signifian, dengan rumusan hipoesisnya adalah: Hipoesis H : = (parameer model ida signifian) H : (parameer model signifian) Saisi uji ˆ hiung, (6) Se( ˆ) dengan Se( ˆ). n Daerah penolaannya adalah H diola jia hiung, dimana (, n) ( diliha dari abel, n) disribusi aau p-value <. Kemudian pada uji esesuaian model yang melipui uji ecuupan model (uji whie noise) dan uji asumsi enormalan residual. Adapun hipoesis dari uji whie noise adalah sebagai beriu: H :... K (residual memenuhi syara whie noise) Program Sudi Saisia FMIPA Universias Mulawarman
3 Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN H : minimal ada sau, unu,,...k (residual ida memenuhi syara whie noise) Saisi uji yang digunaan yaiu saisi uji Ljung-Box aau Box-Pierce Modified yang diulis pada persamaan beriu: K ˆ hiung n( n ), (7) ( n ) dengan daerah penolaannya yaiu H diola jia aau p-value < α. hiung ; df Menuru Siegel (99), unu uji asumsi enormalan residual yang menggunaan uji Kolmogorov Smirnov hipoesisnya adalah: H : Residual daa berdisribusi normal H : Residual daa ida berdisribusi normal Saisi uji a a KShiung sup F( ) S( ) ; (8) SD dengan daerah penolaannya yaiu H diola jia KS, dimana KS = abel KS(., n) hiung KS abel Penguuran Keepaan Model ARIMA Menuru Aswi dan Suarna (6), pada pemodelan daa dere wau, ada emunginan erdapa beberapa model yang sesuai yaiu semua parameernya signifian, residual memenuhi whie noise sera berdisribusi normal. Unu menenuan model yang erbai dari beberapa model memenuhi syara ersebu dapa digunaan rieria Mean Square Error (MSE), dan Aaie s Informaion Creerion (AIC). Mean Square Error (MSE) adalah suau rieria pemilihan model erbai berdasaran pada hasil sisa peramalannya. Krieria MSE dirumusan sebagai beriu: N MSE aˆ, (9) N semain ecil nilai MSE berari nilai asiran semain mendeai nilai sebenarnya. Sedangan Aaie s Informaion Creerion (AIC) adalah suau rieria pemilihan model erbai dengan memperimbangan banyanya parameer dalam model. Krieria AIC dapa dirumusan sebagai beriu: SSE AIC n ln( ) f n n ln( ) () n Model Dere Wau Sasioner Model dere wau sasioner erdiri dari Model Auoregressive (AR), model Moving Average (MA), model Auoregressive Moving Average (ARMA), dan model Auoregressive Inegreed Moving Average (ARIMA). Model Auoregressive (AR) adalah model yang menggambaran bahwa variabel dependen dipengaruhi oleh variabel dependen iu sendiri pada periode dan wau sebelumnya. Orde dari model AR (yang diberi noasi p) dienuan oleh jumlah periode variabel dependen yang masu dalam model (Sugiaro dan Harijono, ). Menuru Aswi dan Suarna (6), benu umum suau proses Auoregressive orde p aau AR(p) adalah sebagai beriu:... p p a () Sedangan benu umum suau proses Moving Average orde q aau dapa diulis dengan MA(q) adalah: a a a... qa () q Suau daa runun wau juga dapa dijelasan dengan bai melalui penggabungan anaa model AR(p) dengan model MA(q). model gabungan ini disebu dengan Auoregressive Moving Average aau ARMA(p,q). Benu umum dari model ARMA (p,q) adalah sebagai beriu:... p p a a (3) a... a q q Kemudian model Auoregressive Inegreed Moving Average (ARIMA) adalah adalah benu yang paling umum digunaan unu meramalan suau daa runun wau. Hal ini diarenaan model ini dapa diapliasian pada pola daa runun wau yang ida sasioner dengan cara ransformasi, seperi proses diferensi (difference) dengan benu umum: d ( B )( B) ( B) a () p q Filer Kalman Filer Kalman merupaan prosedur reursif yang digunaan unu melauan peramalan dari sae vecor. Filer Kalman adalah prosedur pembaharuan secara reursif yang erdiri dari pembenuan dugaan awal dari sae space (ruang eadaan), emudian merevisi dugaan dengan menambahan oresi pada dugaan awal. Besarnya oresi dienuan oleh sebai apa dugaan awal mempredisi observasi baru (Meinhold dan Singpurwala, 983). Menuru Wei (989), model sae space menggambaran suau daa univaria dan mulivaria runun wau melalui peubah ambahan (sae vecor). Model sae space mempresenasian suau proses soasi dari yang sasioner, yang didefinisian sebagai persamaan sae ransiion () dan persamaan oupu (6). F Ga () H b (6) Dimana: (7) Program Sudi Saisia FMIPA Universias Mulawarman
4 Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN F (8) (9) G () Dengan: : Sae vecor beruuran r x F : Maris ransisi yang menenuan sifa dinamis dari model beruuran r x r G : Maris inpu yang menenuan sruur ragam dari persamaan ransisi beruuran n x r : Veor observasi beruuran n x H : Maris oefisien aau maris observasi beruuran r x n : Veor noise beruuran r x dengan a a ~ N(, ) b : Veor noise beruuran r x dengan b ~ N(, ) Menuru Welch dan Bishop (6), pada filer Kalman esimasi dilauan dengan dua ahap, yaiu dengan cara mempredisi sae vecor yang disebu ahap predisi (ime updae) dan ahap oresi (measuremen updae) erhadap daa penguuran unu memperbaii hasil esimasi yang dilauan secara reursif. Tahap predisi dipengaruhi oleh dinamia sisem dengan mempredisi sae vecor dimana inga aurasinya dihiung menggunaan persamaan ovarian error. Sedangan pada ahap oresi, hasil seimasi sae vecor yang diperoleh dioresi menggunaan observasi. Salah sau dari ahap ini yaiu menenuan maris Kalman gain yang digunaan unu meminimuman ovarian error. Tahapan yang dilauan unu melauan predisi dan oresi dengan menggunaan eni filer Kalman yang dapa diliha pada Tabel. Curah Hujan Curah hujan adalah buiran-buiran air aau risal es yang jauh aau eluar dari awan aau elompo awan. Jia curahan dimasudan dapa mencapai permuaan bumi disebu sebagai hujan dan jia seelah eluar dari dasar awan eapi ida jauh sampai e permuaan bumi disebu sebagai virga. Buir air yang dapa eluar dari awan dan mampu mencapai permuaan bumi harus memilii garis engah paling ida sebesar miromeer ( miromeer =, cm), urang dari uuran diameer ersebu, buir-buir air dimasud aan habis menguap di amosfer sebelum mampu mencapai permuaan bumi (Wirjohamidjojo dan Swirinoo, 7). Konsrusi model sae space Tahap Predisi (Time Updae) Tahap Koresi (Measureman Updae) Tabel. Tahapan Filer Kalman ). Persamaan sae: F Ga, a ~ N(, ) ). Persamaan oupu: H b, b ~ N(, ) ). Esimasi persamaan sae: F Ga () ). Kovarian error: R F F GG () ). Menenuan maris Kalman gain: K ( R H HR H ) (3) ). Memperbaharui esimasi dengan observasi : ˆ K ( H ) () 3). Kovarian error: I K H R () ( ) Meodologi Peneliian Peneliian dilasanaan mulai bulan Sepember sampai dengan bulan Januari. Tempa pengambilan sampel dilauan di Badan Meeorologi Klimaologi dan Geofisia (BMKG) Koa Samarinda dan pengolahan daa dilauan di Laboraorium Saisia Kompuasi FMIPA Universias Mulawarman. Dan menggunaan rancangan ausal omparaif yang bersifa ex pos faco. Populasi yang digunaan adalah daa curah hujan di Koa Samarinda, sedangan sampel yang digunaan adalah daa curah hujan di oa Samarinda dari ahun 8 sampai dengan ahun 3. Kemudian eni sampling yang digunaan adalah purposive sampling. Teni sampling ini digunaan berdasaran perimbangan dan eperluan dari penelii. Selanjunya variabel yang digunaan dalam peneliian ini adalah curah hujan oa Samarinda (mm) dari ahun 8 sampai dengan ahun 3, dimana daa yang digunaan pada peneliian ini adalah daa seunder arena pengumpulan daa dilauan dengan cara mencaa daa sampel dari reapiulasi daa di BMKG oa Samarinda mengenai curah hujan di oa Samarinda. Adapun eni analisis daa dalam peneliian ini yaiu daa curah hujan dari ahun 8 sampai dengan ahun 3 sebagai daa raining aan diidenifiasi dengan model ARIMA (p,d,q) unu pembenuan model sae space dan aan dilauan predisi curah hujan oa Samarinda ahun dengan meode filer Kalman. Adapun ahapan analisis daa yang dilauan yaiu:. Idenifiasi model ARIMA melipui: a. Melauan analisis sasionerias dalam raaraa dan variansi. b. Melauan peneapan model semenara berdasaran grafi ACF dan PACF.. Melauan penasiran parameer model ARIMA. Program Sudi Saisia FMIPA Universias Mulawarman
5 SDev C SDev Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN Melauan uji diagnosi melipui uji signifiansi parameer dan uji esesuaian model (uji asumsi whie noise dan uji enormalan residual).. Penguuran eeapan model ARIMA.. Mengidenifiasi model sae space berdasaran model ARIMA yang diperoleh. 6. Perhiungan persamaan reursif filer Kalman, melipui: a. Tahap predisi (ime updae). b. Tahap oresi (measuremen updae). 7. Melauan diagnosi model sae space yang melipui uji asumsi whie noise dan uji enormalan residual berdasaran daa yang sudah dioresi aau diperbaharui. 8. Melauan predisi curah hujan oa Samarinda ahun dengan meode Filer Kalman dan dibandingan dengan hasil predisi menggunaan meode ARIMA. Saisi Uji Tabel. Uji ADF Augmened Dicey- hiung p-value Fuller es saisic -6,, Taraf Signifiansi (α) % % % -3, -,93 -,89 Sumber: Hasil Perhiungan Peneliian ˆ hiung = 6,, dengan p-value =, se( ˆ) Daerah Kriis H diola jia aau p-value < hiung Kepuusan dan Kesimpulan H diola arena nilai aau hiung p-value < α. Jadi dapa disimpulan bahwa daa curah hujan oa Samarinda sasioner. Hasil dan Pembahasan Box-Cox Plo of C Idenifiasi Model Time Series Plo of C 6 Lower CL Upper CL Lambda (using 9.% confidence) Esimae. Lower CL.9 Upper CL.9 Rounded Value Index Gambar. Time Series Plo Daa Curah Hujan Koa Samarinda Tahun 8-3 Berdasaran Gambar dieahui bahwa daa curah hujan oa Samarinda elah sasioner dalam raa-raa arena ida erjadi perubahan ecenderungan dalam raa-raa yaiu ida erjadi enaian aau penurunan nilai secara ajam pada daa (fluuasi daa berada pada seiar nilai raaraa yang onsan) namun belum sasioner erhadap variansi arena fluuasi daa ida berada pada seiar nilai variansi yang onsan. Unu mengeahui daa curah hujan elah sasioner erhadap raa-raa lebih jelasnya dapa diliha dengan menggunaan uji aar uni (uni roo es) yaiu uji Augmened Dicey-Fuller dan unu variansi dapa di liha melalui Box-Cox plo dengan hasil sebagai beriu. Hipoesis H : Daa curah hujan oa Samarinda ida sasioner H : Daa curah hujan oa Samarinda sasioner Taraf Signifiansi α =, Lambda 3 Gambar. Box-Cox Plo Daa Curah Hujan Koa Samarinda Tahun 8-3 Dari Gambar erliha bahwa nilai λ (liha Rounded Value) adalah sebesar, dimana berdasaran Tabel. apabila nilai λ yang diperoleh adalah, maa daa curah hujan oa Samarinda belum sasioner sehingga harus diransformasi dengan ransformasi, dimana hasil yang diperoleh adalah sebagai beriu Box-Cox Plo of C Lower CL. Lambda Upper CL.. Limi Limi Lambda (using 9.% confidence) Esimae.3 Lower CL.6 Upper CL.8 Rounded Value. Gambar 3. Box-Cox Plo Daa Curah Hujan Koa Samarinda Tahun 8-3 dengan Transfomasi Dari Gambar 3 erliha bahwa nilai λ (liha Rounded Value) adalah, dimana berdasaran Tabel. apabila nilai λ yang diperoleh adalah maa daa curah hujan oa Samarinda ida perlu Program Sudi Saisia FMIPA Universias Mulawarman 3
6 Parial Auocorrelaion Auocorrelaion C Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN dilauan ransformasi embali. Hal ini mengindiasian bahwa daa curah hujan oa Samarinda elah saioner dalam variansi. Daa yang elah sasioner erhadap raa-raa dan variansi dapa diliha pada ime series plo pada Gambar beriu ini Time Series Plo of C 8 3 Index Gambar. Time Series Plo Daa Curah Hujan Koa Samarinda Tahun 8-3 yang Telah Sasioner Auocorrelaion Funcion for C (wih % significance limis for he auocorrelaions) 6 8 Lag Gambar. ACF Plo Daa Curah Hujan Koa Samarinda Tahun Parial Auocorrelaion Funcion for C (wih % significance limis for he parial auocorrelaions) 6 8 Lag Gambar 6. PACF plo daa curah hujan oa Samarinda ahun 8-3 Dari Gambar dan Gambar 6 erliha unu ACF plo dan PACF plo erpoong (cu off) seelah lag dan 6 yang berari asiran orde AR dan MA berada pada nilai,, dan 6. Sehingga dugaan model yang digunaan adalah model AR(), model MA(), model AR(6), model MA(6), model ARMA(,), model ARMA(,6), model ARMA(6,), dan model ARMA(6,6) Penasiran Parameer Model ARIMA Hasil asiran parameer unu model-model ARIMA berdasaran oupu Miniab 6 dan Eviews adalah sebagai beriu.. Model AR(),9,3 a. Model MA(),363,68 a a 3. Model AR(6),988,7983,888, 68 3,8,68, 3. Model MA(6) 6 a,37,7 a,9838 a, 9836 a 3,76 a, a, 879 a 6 a. Model ARMA(,) 7,98,79, 69a a 6. Model ARMA(,6),866,,978 a, a,96 a3,7683 a,799 a, 698 a6 a 7. Model ARMA(6,),7893,76,6639, 6 3,8883,393,986, 899 a 8. Model ARMA(6,6) 6,397,336,3697, 68 3,368,336,7 6, 98 a,38836 a,3 a 3,68 a, 36 a,336 a 6 a Pengujian Diagnosi Uji Signifiansi Parameer Model AR () MA () Tabel 3. Uji Signifiansi Parameer hiung -,3 abel p- value Sumber: Hasil Perhiungan Peneliian Tabel 3 merupaan uji signifiansi parameer yang elah dilauan unu model AR(), MA(), AR(6), MA(6), ARMA(,), ARMA(,6), ARMA(6,), dan ARMA(6,6) dimana berdasaran persamaan (6) diperoleh nilai asiran dari parameer dalam model yang signifian yaiu model AR() dan MA(). Uji Kesesuaian Model Uji esesuaian model melipui ecuupan model (uji whie noise) dan uji asumsi enormalan residual. Uji Whie Noise Rumusan hipoesis unu model AR() adalah: Kepuusan,98,66,, H diola,66,, H diola a Program Sudi Saisia FMIPA Universias Mulawarman
7 Percen Percen Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN Hipoesis H : 36 8 (Residual daa curah hujan oa Samarinda memenuhi syara whie noise) H : Minimal ada sau, unu =,,36,8 (Residual daa curah hujan oa Samarinda ida memenuhi syara whie noise) Taraf Signifiansi α =, Saisi Uji K ˆ hiung n( n ) Model Lag df AR() 36 8 ( n ) Tabel. Uji Ljung-Box AR() 3 6 hiung ;df 8,6 7,,9, p- value 8,3,6 33,9 8,6 6,7,76,9,7 Sumber: Hasil Perhiungan Peneliian Kepuusan H gagal diola H gagal diola H gagal diola H gagal diola Daerah Kriis H diola jia aau p-value < α hiung ; df Kepuusan dan Kesimpulan Karena semua nilai aau semua hiung ; df nilai p-value > α, maa dapa disimpulan bahwa residual daa curah hujan oa Samarinda memenuhi syara whie noise. Rumusan hipoesis unu model MA() adalah: Hipoesis H : 36 8 (Residual daa curah hujan oa Samarinda memenuhi syara whie noise) H : Minimal ada sau, unu =,,36,8 (Residual daa curah hujan oa Samarinda ida memenuhi syara whie noise) Taraf Signifiansi α =, Saisi Uji K ˆ hiung n( n ) ( n ) Model Lag df hiung MA() 36 8 Tabel. Uji Ljung-Box MA() 3 6 ;df 7,6 6,7,, p- value 8,3 33,9 8,6 6,7,67,77,9,67 Kepuusan H gagal diola H gagal diola H gagal diola H gagal diola Daerah Kriis H diola jia aau p-value < α hiung ; df Kepuusan dan Kesimpulan Karena semua nilai aau semua hiung ; df nilai p-value > α, maa dapa disimpulan bahwa residual daa curah hujan oa Samarinda memenuhi syara whie noise. Uji Kenormalan Residual Probabiliy Plo of RESI Normal RESI Mean.998 SDev.83 N 7 KS.66 P-Value >. Gambar 7. Probabiliy Plo dari Residual Plo Daa Curah Hujan Koa Samarinda Tahun 8-3 dengan Model AR() Hipoesis H : Residual daa curah hujan oa Samarinda berdisribusi normal H : Residual daa curah hujan oa Samarinda ida berdisribusi normal Taraf Signifiansi α =, Saisi Uji sup F( ) S( ) =,66, dengan KS hiung p-value >, Daerah Kriis H diola jia KShiung KS abel, dimana KS( =,8 aau p-value < α, n) Kepuusan dan Kesimpulan H gagal diola arena nilai KShiung KS abel aau p-value > α. Jadi dapa disimpulan bahwa residual daa curah hujan oa Samarinda berdisribusi normal Probabiliy Plo of RESI Normal RESI Mean.83 SDev.87 N 7 KS.69 P-Value >. Gambar 8. Probabiliy Plo dari Residual Daa Curah Hujan Koa Samarinda Tahun 8-3 dengan Model MA() Program Sudi Saisia FMIPA Universias Mulawarman
8 Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN Hipoesis H : Residual daa curah hujan oa Samarinda berdisribusi normal H : Residual daa curah hujan oa Samarinda ida berdisribusi normal Taraf Signifiansi α =, Saisi Uji =,69, dengan p-value KS hiung sup F( ) S( ) >, Daerah Kriis H diola jia KShiung KS abel, dimana KS( =,8 aau p-value < α, n) Kepuusan dan Kesimpulan H gagal diola arena nilai KShiung KS abel aau p-value > α. Jadi dapa disimpulan bahwa residual daa curah hujan oa Samarinda berdisribusi normal. Penguuran Keepaan Model ARIMA Seelah dilauan uji esesuaian model, diperoleh bahwa residual daa curah hujan oa Samarinda pada model model AR() dan model MA() memenuhi syara whie noise dan berdisribusi normal. Oleh arena iu aan diliha nilai MSE (Mean Square Error) dan AIC (Aaie s Informaion Crierion) dari edua model. Dengan hasil sebagai beriu.. Nilai MSE: MSE model AR() MSE model MA(). Nilai AIC: AIC model AR() AIC model MA() N aˆ N 7 7 N aˆ N , 7,896 63,6 7,87 SSE n ln( ) f n n ln( ) n 68, 7 ln () 7 7 ( 7ln( 3,)) 96, 7 SSE n ln( ) f n n ln( ) n 63,6 7 ln ( ) 7 7 ( 7ln( 3,)) 9, 79 Dari penguuran eepaan model ARIMA dapa diliha bahwa model AR() memilii nilai MSE sebesar 7,896 dan AIC sebesar 96,7, sedangan model MA() memilii nilai MSE sebesar 7,87 dan AIC sebesar 9,79 dimana nilai MSE dan AIC pada model MA() lebih ecil dibandingan dengan nilai MSE dan AIC model AR(). Dengan dasar perbandingan nilai MSE dan AIC erecil, maa model ARIMA erbai unu daa curah hujan oa Samarinda Tahun 8-3 adalah model MA() dengan persamaan modelnya adalah:,363,68 a a Filer Kalman Konsrusi Model Sae Space Seelah dilauan analisis runun wau pada daa raining, diperoleh model unu daa curah hujan oa Samarinda ahun 8-3 yaiu model MA(). Selanjunya daa curah hujan aan dibagi menjadi dua yaiu daa curah hujan wau sebelumnya ( ) dan daa curah hujan wau searang ( ), dimana apabila dierapan pada model sae space maa aan menjadi. Model sae space direpresenasian dalam benu persamaan sae ransiion dan persamaan oupu yaiu: F Ga, ~ N(, ) a H b, b ~ N(, ) Nilai parameer dari model sae space berdasaran model MA() adalah G,68, dengan maris. Sedangan maris H, F dan diasumsian sebagai maris I,. Sehingga diperoleh persamaan sae I ransiion: F Ga a Dan persamaan oupu: H b b,68 b a Tahap Predisi dan Koresi ˆ,,7,,73,, 8,97,98,,,98 8. Ẑ adalah raa-raa dari daa curah hujan sebagai daa raining dengan ovariansi. Kemudian dilauan perhiungan sera mencari R + (ovarian error), K + (Kalman gain), dan (ovarian error ˆ ). Hasil maris dari R +, K +, dan elah mengalami ondisi yang sabil aau onvergen pada =, yaiu: R, R,,6,76 R, R,,76,76 K K,, K K,,,77,73,73,378 6 Program Sudi Saisia FMIPA Universias Mulawarman
9 Percen Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN 8-789,,,,,77,73,73,378 Selanjunya melauan perhiungan - dan emudian menghiung ˆ unu memperbaharui esimasi dari sae. Diagnosi Model Sae Space Residual Bersifa Whie Noise Pengujian erhadap residual merupaan proses yang whie noise dilauan dengan menggunaan uji Ljung-Box dimana daa yang digunaan adalah daa yang sudah dioresi aau diperbaharui ( ˆ ). Hipoesis H : (Residual daa curah hujan oa Samarinda memenuhi syara whie noise) H : Minimal ada sau (Residual daa curah hujan oa Samarinda ida memenuhi syara whie noise) Taraf Signifiansi α =, Saisi Uji K ˆ =,8, dengan n=7 hiung n( n ) ( n ) Daerah Kriis H diola jia, dimana hiung ; df = 3,8 ;df Kepuusan dan Kesimpulan H gagal diola arena nilai. Jadi hiung ; df dapa disimpulan bahwa residual daa curah hujan oa Samarinda memenuhi syara whie noise. Uji Kenormalan Residual Probabiliy Plo of RESI3 Normal - RESI3 6 8 Mean -.73 SDev.37 N 7 KS.7 P-Value >. Gambar 9. Probabiliy Plo dari Residual Daa Curah Hujan Koa Samarinda Tahun 8-3 Hipoesis H : Residual daa curah hujan oa Samarinda berdisribusi normal H : Residual daa curah hujan oa Samarinda ida berdisribusi normal Taraf Signifiansi α =, Saisi Uji KS hiung sup F( ) S( ) =,7, dengan p-value >, Daerah Kriis H diola jia KS =,8 (, n) Kepuusan dan Kesimpulan H gagal diola arena nilai KShiung KS abel, dimana KShiung KS abel. Jadi dapa disimpulan bahwa residual daa curah hujan Koa Samarinda berdisribusi normal. Predisi Curah Hujan Koa Samarinda Tahun Gambar. Perbandingan Hasil Predisi Curah Hujan Koa Samarinda Tahun dengan Meode Filer Kalman dan Meode ARIMA Gambar merupaan hasil predisi curah hujan oa Samarinda ahun yang diperoleh dengan meode filer Kalman dan meode ARIMA. Daa aual pada ahun 8-3 (line berwarna merah) diperbaharui dengan menggunaan meode filer Kalman dan diperoleh daa baru ˆ (line berwarna biru), dimana pada gambar ersebu erliha bahwa daa baru yang diperoleh ida jauh berbeda dengan daa aual. Kemudian daa baru ersebu dipredisi dengan menggunaan meode filer Kalman (line berwarna ungu) dimana hasil predisi curah hujan yang erjadi unu seiap bulannya cuup inggi. Sedangan unu daa aual yang dipredisi dengan meode ARIMA (line berwarna hijau) hasil predisi curah hujan yang erjadi unu seiap bulannya cenderung onsan seelah bulan Februari. Hasil predisi curah hujan oa Samarinda juga dapa diliha pada Tabel 6 beriu. Dari Tabel 6 erliha bahwa dengan meode filer Kalman hasil curah hujan pada ahun cuup inggi, dimana curah hujan eringgi erjadi pada bulan November sebesar 3,8 mm dan curah hujan erendah erjadi pada bulan Juli sebesar 6,67 mm. Sedangan dengan meode ARIMA hasil predisi curah hujan yang erjadi unu seiap bulannya cenderung onsan seelah bulan Februari dan berbeda jauh dengan daa curah hujan aual ahun 8-3, dimana curah hujan pada bulan Januari adalah sebesar 3,37 mm dan unu Program Sudi Saisia FMIPA Universias Mulawarman 7
10 Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN bulan Februari sampai dengan bulan Desember adalah sebesar 3,9 mm. Tabel 6. Daa Hasil Predisi Curah Hujan Koa Samarinda Tahun (dalam mm) Bulan Hasil Predisi Meode Filer Kalman Meode ARIMA Januari 3,3 3,37 Februari 37,97 3,9 Mare 8,63 3,9 April 69,879 3,9 Mei 3,77 3,9 Juni 78,7 3,9 Juli 6,67 3,9 Agusus 76, 3,9 Sepember 66,6 3,9 Oober 98,698 3,9 November 3,8 3,9 Desember 33, 3,9 Sumber: Hasil Perhiungan Peneliian Kesimpulan. Model ARIMA unu daa curah hujan di oa Samarinda pada periode Januari 8 sampai dengan Desember 3 yang erbenu adalah model MA() dengan persamaan modelnya adalah:,363,68 a a. Model sae space unu daa curah hujan di oa Samarinda pada periode Januari 8 sampai dengan Desember 3 berdasaran model MA() yang direpresenasian dalam benu persamaan sae ransiion dan persamaan oupu yaiu: Persamaan sae ransiion: a, 68a a, 68a persamaan oupu: b b 3. Hasil predisi curah hujan oa Samarinda pada ahun dengan menggunaan meode filer Kalman memilii curah hujan yang cuup inggi, dimana curah hujan eringgi erjadi pada bulan November sebesar 3,8 mm dan curah hujan erendah erjadi pada bulan Juli sebesar 6,67 mm. Sedangan dengan meode ARIMA hasil predisi curah hujan yang erjadi unu seiap bulannya cenderung onsan seelah bulan Februari dan berbeda jauh dengan daa curah hujan aual ahun 8-3, dimana curah hujan pada bulan Januari adalah sebesar 3,37 mm dan unu bulan Februari sampai dengan bulan Desember adalah sebesar 3,9 mm. Dafar Pusaa Aswi dan Suarna. 6. Analisis Dere Wau Apliasi dan Teori. Maassar: Andira Publisher. Brocwell, P.J., and Davis, R.A. 99. Time Series: Theory and Mehods Second Ediion. New Yor: Springer-Verlag, Inc. Meinhold, R.J., and Singpurwala, N.D Undersanding The Kalman Filer. Volume 37 No. : 3-7. American Saisical Associaion. Siegel, Sidney. 99. Saisi Nonparameri unu Ilmu-ilmu Sosial. Jaara: PT. Gramedia Pusaa Uama. Sugiaro dan Harijono.. Peramalan Bisnis. Jaara: P. Gramedia Pusaa Uama. Wei, W.W.S Time Series Analysis: Univariae and Mulivariae Mehods. Canada. Addison Wesley Publishing company. Welch, G., and Bishop, G. 6. An Inroducion o he Kalman Filer. hp:// Diases Pada 7 April. Widarjono, A.. Eonomeria: Teori dan Apliasi unu Eonomi dan Bisnis Edisi Kedua. Yogyaara: Eonisia Faulas Eonomi UII. Winarso., P.A.. Kondisi dan Masalah Penyusunan Prairaan Cuaca dan Ilim dan Proyesinya di Indonesia. Jaara: Badan Meeorologi dan Geofisia. Wirjohamidjojo, S., dan Swirinoo, Y.S. 7. Prae Meeorologi Peranian. Jaara: Badan Meeorologi dan Geofisia. 8 Program Sudi Saisia FMIPA Universias Mulawarman
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini aan diemuaan beberapa onsep dasar yang beraian dengan analisis runun wau, dianaranya onsep enang esasioneran, fungsi auoorelasi dan fungsi auoorelasi parsial, macam-macam
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciMahasiswa Jurusan Statistika FMIPA-ITS ( ) Abstrak
PEMODELAN DAYA LISTRIK DENGAN PENDEKATAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH). (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) Firoh Amalia, Drs. Haryono, MSIE Mahasiswa
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 terperinciUJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST
Vol. 7. No. 3, 36-44, Desember 004, ISSN : 1410-8518 UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Budi Warsio, Dwi Ispriyani Jurusan Maemaia FMIPA Universias Diponegoro Absra Tulisan ini membahas
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 terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Jurnal EKPOEIAL Volume 5, omor, opember 4 I 85-789 Pemodelan Dan Peramalan Indes Harga Perdagangan Besar (IHPB) Dengan Menggunaan ARFIMA (udi Kasus : IHPB Provinsi Kalimanan Timur bulan Januari Desember
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 III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciPeramalan 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 terperinciModel GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali
Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Model GSTAR Termodifiasi unu Produivias Jagung di Boyolali Prisa Dwi Apriyani ), Hanna Arini Parhusip ), Lili Linawai ) ))) Progdi Maemaia,
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 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 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 terperinciPeramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model
Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN
BAB PENDAHUUAN. ATAR BEAKANG Seringali ara enelii aau saisiawan melauan enganalisaan erhada suau eadaan/masalah dimana eadaan yang dihadai adalah besarnya jumlah variabel samel yang diamai. Unu iu erlu
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 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 terperinciPERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI ABSTRAK
PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI Ardia Suma Perdana (1308 100 503 Dosen Pembimbing: Ir. Dwiamono A. W., M.Iom JURUSAN STATISTIKA Faulas
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 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 terperinci4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI
4. ALIDITAS DA RELIABILITAS DALAM MEMBUAT EALUASI Tujuan : Seelah mempelajari modul ini mahasiswa mampu membua ala evaluasi bau unu program pembelajaran Evaluasi pembelajaran adalah ahap ahir dalam prosedur
Lebih terperinciANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX
Seminar Nasional Maemaia dan Apliasinya, 1 Oober 17 ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Maylia Hasyim 1), Dedy Dwi Prasyo ) 1) Program Sudi Pendidian
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 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 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 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 terperinciANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS:
ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: UDD PMI KOTA SURABAYA) Oleh: Winda Eka Febriana (0500) Pembimbing: Ir. Dwiamono Agus W., MIKom . LATAR BELAKANG DARAH
Lebih 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 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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciBAB IV SIMULASI MODEL
21 BAB IV SIMULASI MODEL Pada bagian ini aan diunjuan simulasi model melalui pendeaan numeri dengan menggunaan ala banu peranga luna Mahemaica. Oleh arena iu dienuan nilai-nilai parameer seperi yang disajian
Lebih terperinciPENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU
Jurnal Sains, Teknologi dan Indusri, Vol. 11, No., Juni, pp. 151-159 ISSN 93-3 prin/issn 07-0939 online PENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU 1 Ari Pani
Lebih terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinciPEMODELAN 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 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 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 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 Jumlah Wisatawan Di Agrowisata Kusuma Batu Menggunakan Metode Analisis Spektral
JURAL TEKK POMTS Peramalan Jumlah Wisaawan Di Agrowisaa Kusuma Bau Menggunaan Meode Analisis Seral iswaul Maghfiroh, uri Wahyuningsih, Sri Surai Haraiai Jurusan Maemaia, Faulas MPA, nsiu Tenologi Seuluh
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 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 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 terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Jurnal EKSONENSIAL Volume 4, Nomor, Mei 03 ISSN 08-789 eramalan menggunaan Moel ARIMA Musiman an Verifiasi Hasil eramalan engan Grafi engenali Moving Range (Sui Kasus: rousi Air Bersih i DAM Tira Kencana
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 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 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 terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih 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 terperinciPEMODELAN ARIMA UNTUK KANAL HF LINK MALANG - SURABAYA
PEMODELAN ARIMA UNTUK KANAL HF LINK MALANG - SURABAYA Lissa Rosdiana Noer, Achmad Mauludiyano. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri Insiu Teknologi Sepuluh
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 terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciANALISIS 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 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 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 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 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 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 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 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 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 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 terperinciCONDITIONAL HETEROSCEDASTIC (ARCH) DENGAN METODE RASIO LIKELIHOOD SKRIPSI
ADLN Perpusaaan Universias Airlangga DEEKSI OULIER PADA MODEL AUOREGRESSIVE CONDIIONAL HEEROSCEDASIC ARCH DENGAN MEODE RASIO LIKELIHOOD SKRIPSI FIRIKA RAKHMADYAH DEPAREMEN MAEMAIKA FAKULAS SAINS DAN EKNOLOGI
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciPERAMALAN 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 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 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 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 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 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 terperinciESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION. Oleh: Tarno Program Studi Statistika FMIPA UNDIP Semarang
ESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION Oleh: Tarno Program Sudi Saisika FMIPA UNDIP Semarang Absrac This paper discuss abou applicaion of cross-validaion mehod for modeling of
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
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 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 terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih 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 terperinciPENERAPAN METODE BOX-JENKINS UNTUK MEMPREDIKSI JUMLAH MAHASISWA UNIVERSITAS ISLAM NEGERI SUSKA RIAU
Jurnal Sains, Teknologi dan Indusri, Vol., No., Desember 4, pp. 8 89 ISSN 693-39 prin/issn 47-939 online PENERAPAN METODE BOX-JENKINS UNTUK MEMPREDIKSI JUMLAH MAHASISWA UNIVERSITAS ISLAM NEGERI SUSKA RIAU
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 terperinciKARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP
Karakerisik Umur Produk (Sudarno) KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL Sudarno Saf Pengajar Program Sudi Saisika FMIPA UNDIP Absrac Long life of produc can reflec is qualiy. Generally, good producs
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 terperinciANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER
ANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER Abdul Aziz Dosen Jurusan Maemaika Fakulas Sains Teknologi Universias Islam Negeri (UIN) Maulana Malik Ibrahim Malang e-mail : abdulaziz_uinmlg@yahoo.com
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 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 terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
Lebih terperinciANALISIS PERAMALAN BEBAN LISTRIK JANGKA PENDEK WILAYAH SUMBAR RIAU DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE (AR)
Vol. 9. No. 1, 011 ANALISIS PERAMALAN BEBAN LISTRIK JANGKA PENDEK WILAYAH SUMBAR RIAU DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE (AR) Zulfari Aini Jurusan Teknik Elekro, Fakulas Sains dan Teknologi UIN Suska
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 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 terperinci( ) r( t) 0 : tingkat pertumbuhan populasi x
III PEMODELAN Model Perumbuan Koninu Terbaasnya sumber-sumber penyoong (ruang, air, maanan, dll) menyebaban populasi dibaasi ole suau daya duung lingungan Perumbuan populasi lamba laun aan menurun dan
Lebih terperinciPenerapan Model ARIMA Dalam Memprediksi IHSG
Penerapan Model ARIMA Dalam Memprediksi IHSG Bambang Hendrawan Polieknik Baam Parkway Sree, Baam Cenre, Baam 29461, Indonesia e-mail: benks@polibaam.ac.id Absrak: Tujuan peneliian ini adalah unuk mencari
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 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 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 terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciPERAMALAN 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 terperinciPERAMALAN JUMLAH PENUMPANG PADA PT
PERAMALAN JUMLAH PENUMPANG PADA PT. ANGKASA PURA I (PERSERO) KANTOR CABANG BANDAR UDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA DENGAN METODE WINTER S EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA SKRIPSI Diajukan
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 terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinci