Penentuan Pelebaran Window Time Optimal Pada Data Deret Waktu
|
|
- Sudirman Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Nopember Jl. Arief Rahman Hakim, Surabaya Indonesia (1) (2) Absrak Oulier merupakan kejadian yang secara umum erjadi pada daa riil aau dunia nyaa. Oulier kerap kali mengandung informasi yang cukup pening sehingga dapa mempengaruhi perubahan model aau daa secara signifikan seperi pada sudi kasus harga reurn saham Telkom. Keunikan dan peningnya oulier ersebu menyebabkan kejadian aau kasus oulier sebaiknya idak dibuang aau dihilangkan dari analisis. Beberapa peneliian memberikan rekomendasi unuk menggani model awal dengan model baru yang elah disisipkan dengan model oulier. Peneliian yang dilakukan merupakan kelanjuan dari laar belakang peneliian sebelumnya unuk menemukan meode baru dalam mendeeksi oulier. Meode yang elah diinisiasi adalah menggunakan window ime dalam mendeeksi oulier dengan daa bebas oulier yang elah diemukan panjang opimalnya. Panjang opimal yang elah dielii kemudian dipadukan dengan perlunya dilakukan peneliian erhadap pelebaran dari meode window ime ersebu anar sau observasi ke observasi lainnya. Penggunaan meode window ime dengan pelebaran 1 hingga 10 observasi menghasilkan persenase kesalahan deeksi oulier yang lebih baik sera akurasi unuk melakukan prediksi yang cenderung memiliki keunggulan dibandingkan melakukan pelebaran yang panjang mulai dari 50 observasi aau lebih. Kaa Kunci Addiional Oulier, Akurasi, ARIMA, Innovaional Oulier, Oulier Deecion, Temporary Change P I. PENDAHULUAN eneliian erhadap oulier menghasilkan beberapa meode pendeeksian oulier yang digunakan dengan ujuan berbeda. Pendeeksian oulier yang luas erjadi karena penerapan kasus oulier juga memiliki jangkauan ilmu yang luas, seperi permasalahan karu kredi, asuransi, pembayaran pajak, kegagalan deeksi pada sisem keselamaan dan area lain yang sanga banyak. Pendeeksian oulier menjadi kompleks karena pada beberapa kasus oulier perlu dideeksi dari daa berjumlah besar yang erjadi dan diambil seiap wakunya aau memiliki waku erenu. Daa yang diambil berdasarkan pengamaan yang beruruan dan sesuai inerval waku ersebu adalah daa dere waku aau dere waku [1]. Oulier pada daa dere waku secara umum erbagi menjadi empa jenis yaiu Addiional Oulier (AO), Innovaional Oulier (IO), Temporary Change (TC) dan Level Shif (LS). Empa jenis oulier ersebu merepresenasi-kan sejumlah ipe aau jenis efek erhadap daa dere waku sera respon yang lebih kompleks secara umum didekai menggunakan kombinasi dari jenis ersebu [2]. Pendeeksian oulier yang dilakukan unuk idenifikasi parameer model dere waku yang paling baik elah dilakukan beberapa penelii dengan berbagai macam meode seperi menghilangkan pengaruh oulier maupun menghilangkan daa oulier [3]. [4] memperoleh hasil bahwa keberadaan oulier yang idak diaasi aau anpa penanganan mengakibakan masalah yang serius sehingga esimasi menjadi bias pada daa auoregressive (AR) dan moving average (MA). Peneliian erhadap spesifikasi aau karakerisik dari model dere waku keika erjadi kasus oulier pada daa dere waku dilakukan oleh Tsay (1986). Peneliian ersebu menghasilkan bahwa oulier menyebabkan bias aau salah prediksi pada model daa dere waku sehingga sebelum analisis perlu dilakukan deeksi oulier aau dalam daa mining modern ini disebu preprocessing daa. Meode baru yang diusulkan unuk pendeeksian dere waku oulier merupakan penggunaan dari pelebaran window sera elah dienukan sehingga opimal unuk melakukan prediksi erhadap oulier dengan daa bebas oulier. Pendeeksian oulier dengan pelebaran diharapkan mampu melakukan prediksi yang lebih valid sera efisien erhadap daa eruama AR (1), MA (1), dan ARMA (1,1) yang memiliki kecenderungan erdapa kasus oulier didalamnya sehingga dapa dianisipasi unuk keperluan selanjunya. Proses peneliian akan dilakukan erlebih dahulu erhadap daa simulasi AR (1), MA (1), ARMA (1,1) dengan parameer yang elah dieapkan sehingga diemukan pergeseran window yang elah opimal didapakan kemudian prosedur akan diimplemenasikan erhadap daa reurn saham Asra Inernasional, Charoen Pokphand Indonesia, Indofood Group dan Telkom Group. Daa ersebu diambil mulai Januari 2009 hingga Februari 2016 unuk Asra, Charoen dan Indofood sedangkan Telkom hingga Mei 2017 sera waku akif kerja raa-raa per bulan adalah 22 hari. Daa reurn saham ersebu kemudian dipilah erhadap daa yang memiliki kemungkinan model AR(1), MA(1) dan ARMA(1,1) sera fakor-fakor lainnya dalam renang waku ersebu sehingga daa reurn saham dapa dierapkan pada penenuan pelebaran window opimal unuk deeksi dere waku oulier dalam rangka melakukan prediksi erhadap model AR(1), MA(1) dan ARMA (1,1) yang lebih valid. A. Analisis Dere Waku II. TINJAUAN PUSTAKA Daa dere waku adalah daa yang diambil berdasarkan serangkaian pengamaan yang diukur selama waku erenu berdasarkan inerval yang eap. Asumsi yang digunakan daa dere waku adalah kesasioneriasan erhadap mean aau varians. Sasionerias memiliki pengerian idak erdapa kenaikan aau penurunan erhadap daa sehingga daa flukuasi dianara nilai mean yang konsan, idak
2 2 erganung pada waku dan varians dari kenaikan aau penuruan ersebu sera eap aau konsan iap waku [1]. B. Auoregressive Inegraed Moving Average (ARIMA) Model Auoregressive Inegraed Moving Average (ARIMA) merupakan model ARMA nonsasioner yang elah di-differencing sehingga menjadi model sasioner. Model ARIMA yang sasioner dan inverible dapa diuliskan: ( B) Z ( B) a (1) Dimana persamaan 2 2 ( ) (1... p p B B B B ) dan 2 2 ( ) (1... q q B B B B ) B adalah operaor backshif dan a adalah residual whie noise. Persamaan 1 dapa ( B) diulis sebagai: Z a ( B) Jika asumsi sasionerias dalam varians idak erpenuhi maka dilakukan ransformasi Box-Cox dengan rumus seperi pada persamaan (2) dengan λ merupakan nilai konsana rounded value yang digunakan [5]. Y λ 1 T(Y ) = {, λ 0 λ (2) log(y ), λ = 0, Orde ARIMA (p,d,q) yang elah didapakan selanjunya adalah melakukan esimasi parameer dan pengujian signifikansi parameer. Esimasi parameer berujuan mendapakan nilai dari parameer yang erdapa dalam model ARIMA menggunakan beberapa meode yang biasa digunakan seperi Momen Esimaor, Leas Square Esimaor dan Maximum Likelihood Esimaor [6]. Meode yang akan digunakan adalah condiional leas square unuk model AR (1) Y ( Y ) a. (3) 1 1 Seelah parameer diesimasi, maka kemudian dilakukan pengujian signifikansi parameer menggunakan saisik uji pada rumus (4) unuk parameer AR. Nilai hipoesis nol, yaiu H 0: i 0 unuk parameer AR dimana i=1,2,..., p dan H 0: j 0 unuk MA dengan j=1,2,..., q akan diolak apabila nilai saisik uji unuk AR yaiu. /2,( ) hiung i T n p hiung. i ˆ i (4) SE( ) Model ARIMA (p,d,q) harus memenuhi asumsi residual yang whienoise dan berdisribusi normal sehingga diperlukan pengecekan erhadap kesesuaian model. Pengujian asumsi whienoise dilakukan unuk mengecek apakah sebuah residual a merupakan variabel random yang idak berkorelasi sera mempunya mean nol dan varians yang konsan aau residual bersifa independen. Uji Ljung- Box merupakan pengujian yang biasa dilakukan erhadap whie noise dengan hipoesis sebagai beriku [7]. H 0 : 1 2 K 0 (anar residual idak erdapa korelasi aau model elah independen) H 1 : minimal ada sau nilai K 0 unuk k = 1, 2,..., K (ada korelasi pada residual aau model belum independen). i Saisik uji yang digunakan dalam uji Ljung-Box adalah sebagai beriku * ( K 1 2 2) ( ) ˆk k 1 Q n n n k Uji normalias dilakukan dengan menggunakan uji Kolmogorov-Smirnov dengan saisik uji seperi pada rumus (6) dimana: H 0 : F( a) F0 ( a) (Residual berdisribusi normal) H 1 : F( a) F0 ( a) (Residual idak berdisribusi normal) 0 (5) D Sup F( a ) F ( a ) (6) C. Evaluasi Model Model dievaluasi dan dilakukan pemilihan model yang erbaik menggunakan nilai roo mean square (RMSE). Tiap model dihiung nilai RMSE nya sera dilakukan perbandingan anar meode. Model erbaik merupakan model yang menghasilkan RMSE dengan nilai paling kecil. RMSE lebih disukai dibandingkan nilai MSE karena dapa disamakan dengan skala dari daa yang digunakan. T 1 f ˆ 2 ou ou ( ) (7) Tf 1 RMSE MSE Y Y D. Jenis Oulier Addiive oulier aau AO merupakan kejadian dengan efek pada daa dere waku hanya pada sau periode saja aau berkaian dengan model inervensi. X, T Z X, T (8) = X I AO ( B) = a AO I ( B ) merupakan variabel indikaor yang mewakili ada aau idak adanya oulier pada waku T. Innovaional oulier aau IO merupakan oulier dengan kejadian yang efeknya berkelanjuan erhadap model ARIMA seiring waku. Persamaan (9) mendefinisikan benuk IO erhadap model ARIMA. ( B) ( T) ( B) (9) ( T) Z X I IO ( a I IO ) ( B) ( B) Temporary Change aau TC adalah oulier dengan efek awal yang menghasilkan ω pada waku ke dengan perlahan menyesuai-kan besarnya δ. Persamaan (10) menjelaskan benuk model TC. 1 Z X I TC (1 B) (10) ( B) 1 = a TC I ( B ) (1 B ) Jika δ = 0 merupakan kasus TC yang bersifa addiive oulier sedangkan pada saa bernilai 1 maka TC menjadi kasus LS. E. Uji ANOVA Analysis of Variance aau ANOVA merupakan uji paramerik yang berfungsi membedakan nilai mean lebih dari dua kelompok daa dengan membandingkan variansnya. Uji ANOVA melakukan analisis variabilias daa menjadi dua variasi yaiu dalam kelompok (wihin) dan variansi anar kelompok (beween). Jika variasi whin dan beween seara
3 3 aau nilai perbandingan kedua varian mendekai angka sau berari nilai mean yang dibandingkan idak ada perbedaan. Jika variasi anar kelompok lebih besar dari variasi didalam kelompok, nilai mean yang dibandingkan menunjukkan adanya perbedaan [1]. III. METODOLOGI PENELITIAN Daa simulasi yang digunakan merupakan bangkian dari daa dere waku dengan model AR (1), MA (1) sera ARMA (1,1) dengan parameer 0.8, -0.8, 0.3 dan Panjang daa yang disimulasikan sebanyak 5200 daa sera jenis oulier yang disisipkan adalah AO, IO, LS dan TC. Daa implemenasi kasus nyaa adalah daa reurn saham Asra Inernasional, Charoen Pokphand Indonesia, Indofood Group dan Telkom Group. Daa ersebu diambil mulai Januari 2009 hingga Februari 2016 unuk Asra, Charoen dan Indofood sedangkan Telkom hingga Mei 2017 sera waku akif kerja raa-raa per bulan adalah 22 hari. Langkah peneliian yang digunakan analisis adalah sebagai beriku. 1. Membangkikan daa model AR(1), MA(1) dan ARMA (1,1) sebanyak parameer yang diuji dengan panjang daa sebanyak 5200 dengan residual yang memenuhi asumsi normalias residual sera whienoise sera oulier unggal pada masingmasing parameer sehingga erdapa 16 daa yang dilakukan simulasi. 2. Melakukan validasi model erhadap daa yang dibangkikan melalui cek diagnosa dan uji oulier apakah elah sesuai dengan model peneliian yang diinginkan. 3. Melakukan penambahan efek oulier unggal pada masing-masing model daa dengan menyisipkan oulier AO, IO, LS dan TC. Penyisipan oulier dilakukan dengan random menggunakan syara sisipan pada 1000 < < 4000 sera penyisipan dilakukan masing-masing sebanyak 3 kali random lokasi. 4. Melakukan pembagian daa in-sample dan ousample dengan perbandingan aau rasio 90:10 aau 4700 daa in-sample sera 500 daa ou-sample. 5. Melakukan pendeeksian oulier menggunakan pelebaran window dari panjang opimal yang elah didapakan sebelumnya erhadap daa AR (1). Pelebaran daa yang dilakukan adalah sebanyak 1, 10, dan 500 daa dari panjang opimal sera kombinasi lokasi oulier sesuai keenuan pada poin keiga. Meode baru yang dilakukan adalah menenukan pelebaran window yang opimal unuk melakukan prediksi daa bebas oulier sekaligus melakukan deeksi erhadap dere waku oulier dengan langkah keseluruhan sebagai beriku. a. Melakukan pembangkian daa dengan prosedur sera parameer yang elah dienukan sebelumnya. Panjang pelebaran daa awal yang digunakan adalah 1, 10 50, 100 dan 500 dengan panjang opimal awal yang dibenuk adalah 500 dan 1000 daa awal bebas oulier. b. Melakukan pemodelan erhadap daa in-sample berdasarkan masing-masing panjang pelebaran daa sera perbandingan model anara daa awal AR (1), MA (1) dan ARMA (1,1) dengan model yang erbenuk apakah sama aau idaknya. c. Jika erdeeksi oulier pada daa in-sample panjang pelebaran ersebu maka dilakukan penanganan oulier erlebih dahulu hingga selesai kemudian melanjukan panjang pelebaran selanjunya. Oulier dideeksi jenis, lokasi dan besarnya. d. Jika idak erdeeksi oulier maka dilanjukan ke pelebaran panjang selanjunya hingga erdeeksi oulier. e. Model yang didapakan hingga erdeeksinya oulier sera seelah dilakukan penanganan berlanju pada penggunaan model unuk melakukan prediksi daa keseluruhan. Langkah dilakukan aplikasi erhadap panjang pelebaran daa awal lainnya sera parameer yang berbeda. 6. Melakukan penenuan besar, lokasi dan jenis dari oulier unuk mengeahui efek dari oulier erhadap keseluruhan daa. 7. Melakukan pengujian Muli Way ANOVA unuk mengeahui pengaruh pelebaran window ime erhadap persenase kesalahan deeksi oulier dari panjang awal yang elah opimal. 8. Melakukan perbandingan nilai RMSE erhadap model ARIMA awal yang dibangkikan dengan penanganan oulier secara umum erhadap model ARIMA yang erbenuk berdasarkan meode baru berdasarkan krieria kesalahan yang paling rendah. 9. Mendapakan pelebaran window opimal daa yang diperlukan unuk melakukan prediksi daa dere waku menggunakan model AR (1), MA (1) dan ARMA (1,1) yang bebas oulier. IV. HASIL DAN PEMBAHASAN A. Daa Simulasi Daa simulasi peneliian ini menggunakan kasus model AR (1), MA (1) dan ARMA (1,1) besera 4 nilai parameer yang berbeda-beda guna mengeahui pengaruh peneliian erhadap parameer bernilai posiif maupun negaif sera besar-kecilnya nilai parameer. Dere yang dilakukan simulasi adalah 5000 observasi dan perulangan yang dibangkikan dalam seiap model dengan parameer berbeda adalah 100 kali perulangan. Daa simulasi dilakukan penyisipan jenis oulier yaiu Addiional Oulier, Innovaional Oulier, Temporary Change di iga lokasi berbeda. Model ARIMA (1,0,0) Tabel 1. Empa Model yang Digunakan Dalam Simulasi Model ARIMA (0,0,1) Model ARIMA (1,0,1) Z 0,8Z a Z a 0,8a 1 Z 0,8Z a 0.3a Z 0,8Z a Z a 0,8a 1 Z 0,8Z a 0.3a Z 0,3Z a Z a 0,3a 1 Z 0, 3Z a 0.8a Z 0,3Z a Z a 0,3a 1 Z 0, 3Z a 0.8a Model dengan parameer ersebu dilakukan perulangan 100 kali agar memberikan hasil yang erbaik. Pada observasi 100 perama dari 5200 daa bangkian di seiap model bangkian dihapus karena pada awal proses bangkian belum menghasilkan model ARIMA yang konvergen. Seluruh daa bangkian idak digunakan seluruhnya dalam ahap peneliian lanjuan.
4 4 B. Penyisipan Oulier Daa simulasi yang elah dibangkikan dan divalidasi masing-masing akan disisipkan oulier unggal dengan jenis yang berbeda yaiu Addiional Oulier, Innovaional Oulier dan Temporary Change di lokasi depan (T=1200), engah (T=2400) dan belakang (T=3600) dari keseluruhan daa dan panjang observasi. Masing-masing jenis oulier memiliki karakerisik yang berbeda. Pada daa simulasi ini, diberikan efek oulier unggal yang lokasinya di depan yaiu T 1200, di engah yaiu pada T 2400 dan di belakang yaiu pada T Besarnya efek oulier yang diberikan adalah 4 dan 0.7. C. Prosedur Deeksi Oulier Dengan Meode Window ime Model ARIMA (1,0,0) Prosedur dengan pelebaran erkecil yaiu 1 menghasilkan raa-raa kesalahan pendeeksian lebih rendah dibandingkan dengan prosedur pelebaran 100 dan 500, Prosedur dengan pelebaran sau menghasilkan ingka kesalahan erendah sera semakin lebar penggunaan pergeseran window ime unuk mendeeksi AO menyebabkan ingka kesalahan deeksi yang semakin lebar dengan kesalahan eringgi 48,93% yang didapakan melalui prosedur pergeseran 500 observasi dan parameer bernilai - 0,3. Gambar 1. Raa-Raa Kesalahan Deeksi ARIMA (1,0,0) Pelebaran 1 dan 10 Tipe Oulier AO Penyisipan ipe oulier IO dilakukan dengan langkah dan lokasi sama dengan ipe oulier AO. Besar oulier IO yang disisipkan adalah 4 dengan parameer ARIMA (1,0,0) sebesar 0.8 unuk model bangkian ersebu. Prosedur dengan pelebaran erkecil yaiu 1 menghasilkan raa-raa kesalahan pendeeksian lebih rendah dibandingkan dengan prosedur pelebaran 100 dan 500. Semakin lebar penggunaan pergeseran window ime unuk mendeeksi IO menyebabkan ingka kesalahan deeksi yang semakin lebar dengan kesalahan eringgi 25,78% yang didapakan melalui prosedur pergeseran 500 observasi dan parameer bernilai 0,8 dan oulier disisipkan di awal observasi. Gambar 2. Raa-Raa Kesalahan Deeksi ARIMA (1,0,0) Pelebaran 1 dan 10 Tipe Oulier IO Penyisipan ipe oulier TC dilakukan dengan langkah dan lokasi dengan ipe oulier AO dan IO. Besar oulier TC yang disisipkan adalah 4 dengan parameer ARIMA (1,0,0) sebesar 0.8 unuk model bangkian ersebu. Semakin lebar penggunaan pergeseran window ime unuk mendeeksi TC menyebabkan ingka kesalahan deeksi yang semakin lebar dengan kesalahan eringgi 18,1296% yang didapakan melalui prosedur pergeseran 500 observasi dan parameer bernilai 0,8 dan lokasi oulier berada di engah panjang observasi keseluruhan. Gambar 3. Raa-Raa Kesalahan Deeksi ARIMA (1,0,0) Pelebaran 1 dan 10 Tipe Oulier TC Peneliian ini menggunakan empa fakor yang diduga berpengaruh erhadap kesalahan deeksi oulier yang erdapa pada daa simulasi. Fakor yang digunakan adalah pelebaran window ime observasi yaiu 1, 10, 50, 100 dan 500 observasi. Fakor kedua adalah parameer model bangkian yaiu 0,8,-0,8,0,3 dan -0,3, Fakor keiga adalah lokasi oulier yang berada di depan, engah maupun belakang observasi keseluruhan. Fakor keempa adalah jenis oulier yaiu AO, IO dan TC. Pengujian dilakukan menggunakan muli way ANOVA erhadap hasil daa kesalahan deeksi oulier. Tabel 2. Raa-Raa Kesalahan Deeksi Oulier Berdasarkan Lebar Window ime Awal ARIMA (1,0,0) Pelebaran Raa-raa Kesalahan Deeksi 1 0,14% 10 0,47% 50 1,90% 100 4,01% ,95% Selanjunya adalah melakukan pengujian asumsi homogenias sebagai syara dilakukan pengujian muli way ANOVA. Pengujian homogenias varians dilakukan menggunakan Levene s Tes dengan nilai p-value sebesar 0,000 sera nilai F sebesar 233,895, Hasil pengujian ersebu mengindikasikan bahwa varians anar kelompok secara signifikan elah bersifa homogen apabila dibandingkan dengan nilai 0.05 dan nilai F yang ersedia sehingga dapa dilanjukan uji muli way ANOVA. Pengujian asumsi yang dilakukan mengindikasikan bahwa pengujian fakor yang berpengaruh layak dilakukan menggunakan muli way ANOVA. Variabel independen secara keseluruhan yaiu besar parameer, jenis oulier, pelebaran dan lokasi keberadaan oulier secara serenak berpengaruh erhadap persenase kesalahan deeksi oulier melalui nilai correced model yang erera sebesar 0,000 aau kurang dari 0.05 sehingga model elah valid. Pengujian menggunakan Tukey Pos Hoc menunjukkan penggunaan pelebaran window ime observasi sebesar 1 dan 10 observasi cenderung idak memiliki perbedaan yang signifikan. Hal ini mendukung perbedaan persenase raaraa kesalahan deeksi oulier anara pelebaran 1 dan 10 sama baiknya.
5 5 Tabel 3. Hasil Muli Way ANOVA Source F Sig. Correced Model 23,3838 0,0000 Inercep 1129,8419 0,0000 A 541,7811 0,0000 B 298,7602 0,0000 C 2,1427 0,0965 D 7,1403 0,0010 A * B 144,7506 0,0000 A * C 1,1284 0,3397 A * D 3,8290 0,0004 B * C 1,5312 0,1703 B * D 7,1139 0,0000 C * D 1,0834 0,3741 A * B * C 0,8553 0,6620 A * B * D 3,7430 0,0000 A * C * D 1,2268 0,2241 B * C * D 0,5794 0,8570 A * B * C * D 0,7755 0,8490 Keerangan : A = Pelebaran B = Jenis Oulier C = Parameer D = Lokasi Pelebaran yang lain yaiu 50, 100 dan 500 memiliki perbedaan secara signifikan eruama anara pelebaran 1 dengan pelebaran 50, 100 dan 500, Hasil ersebu mengindikasikan penggunaan pelebaran window ime menggunakan 1 dan 10 observasi memiliki kecenderungan lebih baik dibandingkan penggunaan 50, 100 dan 500 observasi. D. Prosedur Deeksi Oulier Dengan Meode Window ime Model ARIMA (0,0,1) dan Model ARIMA (1,0,1) Pembahasan ini hanya akan membandingkan persenase kesalahan deeksi dari oulier unggal dengan jenis AO dikarenakan dengan berbagai oulier, hasil deeksi menggunakan window ime akan menghasilkan nilai perbandingan yang sama yaiu pelebaran 1 dan 10 observasi akan lebih baik dibanding pelebaran yang lain pada model ARIMA (1,0,0). Persenase kesalahan deeksi yang erjadi bahkan hampir mencapai 50% jika digunakan pelebaran 500 observasi dalam meode window ime, sehingga penggunaan pelebaran mulai dari 1 hingga 10 observasi sudah cukup baik unuk digunakan dalam deeksi oulier erhadap model ARIMA (0,0,1). Gambar 4. Raa-Raa Kesalahan Deeksi ARIMA (0,0,1) Pelebaran 1 dan 10 Tipe Oulier AO Pembahasan selanjunya adalah penggunaan meode window ime pelebaran erhadap model ARIMA (1,0,1). Meode dengan window ime berbagai variasi pelebaran menghasilkan persenase kesalahan erendah menggunakan pelebaran 1 observasi dengan ingka kesalahan mencapai 0,1022% erhadap model dengan parameer 0,8 dan lokasi yang berada di engah observasi keseluruhan. Meode window ime dengan pelebaran 500 kembali menghasilkan persenase kesalahan deeksi paling rendah bahkan mencapai 59,1333%. Gambar 5. Raa-Raa Kesalahan Deeksi ARIMA (1,0,1) Pelebaran 1 dan 10 Tipe Oulier AO Pelebaran degan penggunaan variasi pelebaran observasi 1 dan 10 observasi menghasilkan nilai kesalahan deeksi yang semakin rendah dibandingkan penggunaan yang lebih banyak. Tabel 4. Raa-Raa Kesalahan Deeksi Oulier Berdasarkan Model Model ARIMA (1,0,1) Model ARIMA (0,0,1) Raa-raa Raa-raa Pelebaran Kesalahan Deeksi Pelebaran Kesalahan Deeksi 1 0,26% 1 0,16% 10 1,87% 10 0,99% 50 4,75% 50 4,13% ,8% 100 9,59% ,4% ,38% Raa-raa persenase kesalahan deeksi oulier menggunakan pelebaran window ime 1 observasi sebesar 0, % unuk model ARIMA (1,0,1) sera 0,16263% unuk model ARIMA (0,0,1), selanjunya persenase menurun menjadi 4% jika menggunakan pelebaran window sebesar 50 observasi. Persenase erendah jika menggunakan window ime pelebaran sebesar 500 observasi dengan raaraa kesalahan deeksi sebesar 44,42% dan 38,38% Persenase raa-raa kesalahan ersebu diambil dari ipe oulier AO dan lokasi penyisipan oulier yang berbeda. Selanjunya adalah melakukan pengujian asumsi homogenias sebagai syara dilakukan pengujian muli way ANOVA. Hasil pengujian homogenias mengindikasikan bahwa varians anar kelompok secara signifikan elah bersifa homogen apabila dibandingkan dengan nilai 0.05 dan nilai F yang ersedia sehingga dapa dilanjukan uji muli way ANOVA. Pengujian selanjunya adalah menggunakan Tukey Pos Hoc unuk mengeahui kaegori model ARIMA yang memiliki perbedaan signifikan. Penggunaan model ARIMA perama yaiu ARIMA (1,0,0) cenderung idak memiliki perbedaan yang signifikan dibandingkan penggunaan model kedua yaiu ARIMA (0,0,1). Perbedaan jusru erliha pada hasil anara model ARIMA (1,0,0) dengan ARIMA (1,0,1). Model ARIMA (0,0,1) juga memiliki perbedaan hasil yang signifikan dibandingkan dengan model ARIMA (1,0,1).
6 6 Tabel 5. Hasil Muli Way ANOVA Source F Sig. Correced Model 36,1859 0,0000 Inercep 1138,6567 0,0000 A 11,1931 0,0000 B 510,1326 0,0000 C 2,5761 0,0570 A * B 3,7437 0,0006 A * C 0,4902 0,8146 B * C 1,8391 0,0492 A * B * C 0,3902 0,9952 Keerangan : A = Model ARIMA B = Pelebaran C = Parameer E. Membandingkan Akurasi Hasil Prediksi Hasil mengenai pelebaran window ime observasi menggunakan 1 dan 10 observasi memberikan nilai raa-raa persenase kesalahan deeksi oulier yang lebih baik dibandingkan dengan penggunaan pelebaran window ime yang lebih besar seperi 50, 100 dan 500 pergeseran daa. Perbandingan akurasi hasil prediksi akan menggunakan daa ou sampel sebanyak 100 observasi yang dilakukan dengan iga cara yaiu: (1) prediksi anpa melakukan deeksi oulier pada daa, (2) prediksi dengan melakukan deeksi oulier di keseluruhan daa sera (3) prediksi dengan melakukan deeksi oulier dan window ime yang merupakan meode usulan. Model ARIMA (1,0,0) memberikan kesimpulan bahwa meode usulan aau meode keiga memberikan hasil prediksi dengan RMSE yang memiliki nilai paling kecil dibandingkan meode perama dan kedua. Meode usulan eruama pada oulier jenis AO memberikan hasil yang cenderung lebih baik pada parameer bernilai negaif maupun kecil yaiu -0,8, 0,3 dan -0,3. Pada jenis oulier lain, meode keiga cenderung memberikan prediksi yang lebih baik dengan RMSE lebih kecil dibanding meode lain. Model ARIMA (0,0,1) menggunakan keiga meode menghasilkan nilai yang berbeda dibandingkan penggunaan model ARIMA (1,0,0). Model ARIMA (0,0,1) cenderung memiliki hasil lebih baik pada prediksi apabila digunakan unuk oulier dengan jenis AO dengan hasil prediksi pada parameer seperi 0,8, -0,8 dan -0,3, Pendeeksian pada model ARIMA (0,0,1) yang erindikasi memiliki oulier unggal IO cenderung lebih baik apabila digunakan meode kedua dan keiga. Daa dengan model ARIMA (1,0,1) cenderung memliki kebaikan unuk diprediksi menggunakan meode kedua dan keiga. Meode kedua cenderung lebih baik pada model dengan parameer 0,8 dan -0,8 dengan lokasi yang berada di awal, engah maupun erindikasi di window akhir keseluruhan observasi. Meode keiga cenderung lebih baik pada model dengan parameer 0,3 dan -0,3 dengan lokasi yang cenderung sama dengan meode kedua. F. Sudi Kasus : Daa Reurn Saham Perusahaan di Indonesia Pengujian erhadap meode usulan dierapkan menggunakan kasus daa reurn saham Asra Inernasional, Charoen Pokphand Indonesia, Indofood sera Telkom Grup. Pengujian ini unuk mengamai apakah dengan digunakan daa riil yang sebenarnya dihasilkan kesimpulan sama dengan daa simulasi. Daa unuk kasus nyaa diambil mulai dari 5 Januari 2009 hingga 29 Februari 2016 unuk Asra Inernasional, Charoen Pokphand dan Indofood. Telkom Grup diambil daanya hingga 24 Mei 2017, Daa ersebu erlebih dahulu diidenifikasi modelnya dengan memperimbangkan asumsi sasioner dalam mean dan varians. 0,2 0,0-0,2-0,4-0,6-0,8 05/01/2009 Variable Reurn Asra Inernasional Reurn Charoen Pokphand Reurn Indofood Reurn Telkom 02/08/ /03/ /10/ /05/ /12/2016 Gambar 6. Gambaran Saham Perusahaan di Indonesia. Kasus reurn saham Telkom mengalami pemecahan nilai nominal aau sockspli dan mulai digunakan pada anggal 28 Agusus Kasus ersebu membua reurn saham yang semula Rp. 250,- pada anggal sebelum 28 Agusus 2013 menjadi sebesar Rp. 50,- mulai anggal 28 Agusus Langkah ini dilakukan guna mempersiapkan Telkom unuk melakukan pembelian saham (buyback) jika harga perdagangan saham mencapai baas psikologi bawah menuru Oorias Jasa Keuangan sebesar Rp ,-. Tabel 6. Perbandingan RMSE Keiga Cara Meode Asra Charoen Indofood Telkom RMSE RMSE RMSE RMSE 1 0, , ,0005 0, , , ,0005 0, , , ,0004 0, Keiga cara yang dibandingkan pada daa reurn saham memberikan hasil penggunaan meode perama dan meode usulan dapa memberikan hasil yang lebih akura dibandingkan meode kedua. Pada sudi kasus reurn saham Asra Inernasional meode yang menghasilkan RMSE lebih rendah adalah meode perama aau meode dengan anpa penggunaan deeksi oulier di keseluruhan daa. Keseluruhan daa erdapa 40 kasus oulier dengan 24 kasus diduga merupakan kasus oulier AO dan 16 kasus oulier TC. Sudi kasus reurn saham Charoen Pokphand meode yang menghasilkan RMSE lebih rendah adalah meode keiga. Keseluruhan daa erdapa 206 kasus oulier dengan 52 kasus diduga merupakan kasus oulier AO, 118 kasus LS dan 36 kasus oulier TC. Sudi kasus reurn saham Indofood meode yang menghasilkan RMSE lebih rendah adalah meode perama dan meode keiga. Keseluruhan daa erdapa 199 kasus oulier dengan 32 kasus diduga merupakan kasus oulier AO, 133 kasus LS dan 34 kasus oulier TC. Pada sudi kasus reurn saham Telkom meode yang menghasilkan RMSE lebih rendah adalah meode keiga. Keseluruhan daa erdapa 33 kasus oulier dengan 17 kasus diduga merupakan kasus oulier AO dan 16 kasus oulier TC.
7 7 V. KESIMPULAN Penggunaan pelebaran yang kecil yaiu 1 dan 10 observasi menghasilkan persenase kesalahan deeksi yang lebih baik dibandingkan pelebaran dengan 50, 100 dan 500 observasi. Hal ini dibukikan melalui model AR(1) yang dierapkan menggunakan 1 dan 10 menghasilkan raa-raa persenase kesalahan deeksi sebesar % dan % Pembukian ini juga didukung penggunaan model MA(1) dan ARMA(1) yang menghasilkan persenase pelebaran raa-raa erendah yaiu 1 dan 10 observasi. Penggunaan pelebaran sebesar 1 dan 10 observasi cenderung idak memiliki perbedaan yang signifikan sehingga disarankan unuk menggunakan meode window ime dengan pelebaran anara 1 dan 10 observasi unuk mendapakan persenase kesalahan deeksi oulier yang lebih baik. Penggunaan pelebaran meode window ime dengan model menghasilkan bahwa model AR(1) dan MA(1) cenderung menghasilkan kesimpulan yang sama dibandingkan model ARMA (1,1). Perbandingan akurasi prediksi menggunakan krieria RMSE menghasilkan bahwa meode usulan aau window ime dengan pelebaran 1 dan 10 observasi unuk memprediksi keseluruhan daa cenderung memiliki keunggulan dibandingkan dengan meode deeksi oulier klasik aau keseluruhan daa. Hasil penerapan meode usulan pada sudi kasus juga mendukung peneliian ini bahwa meode dengan deeksi oulier menggunakan meode window ime menghasilkan akurasi prediksi yang lebih baik pada hasil sudi kasus daa reurn saham perusahaan di Indonesia. Saran pada peneliian ini adalah unuk menggunakan meode yang mampu menghilangkan pengaruh oulier lebih baik sera meningkakan kombinasi parameer model. VI. DAFTAR PUSTAKA [1] Wei, W. (2006). Time Series Analysis : Univariae and Mulivariae Mehods (2nd ed.). Boson, Unied Saes of America: Pearson Educaion. [2] Chen, C., & Liu, L.-M. (1993). Join Esimaion of Model Parameers and Oulier Effecs in Time Series. Journal of The American Saisical Associaion, 88, [3] Aok, R.M. (2015). Temporary Change Deecion on ARMA (1,1) Daa. Inernaional Journal of Mahemaical Models and Mehods, 9, [4] Chang, I., Tiao, G., & Miller. (1983). Esimaion of Time Series Parameers in he Presence of Ouliers. Chicago: Technical Repor 8, Universiy of Chicago, Saisics Research Cener. [5] Box, G., Jenkins, G., & Reinsel, G. (2008). Time Series Analysis : Forecasing and Conrol. New York: John Wiley & Sons Inc. [6] Cryer, J. D., & Chan, K.-S. (2008). Time Series Analysis Wih Applicaions in R. New York: Springer. [7] Sofi, R. (2017). Penenuan Panjang Opimal Daa Dere Waku Bebas Oulier dengan Meode Window ime. Surabaya: Tugas Akhir Insiu Teknologi Sepuluh Nopember.
BAB 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 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 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 terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB 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 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 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 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 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 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 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 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 terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciBAB 2 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 DATA INFLASI INDONESIA MENGGUNAKAN MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DENGAN PENAMBAHAN OUTLIER.
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
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 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 terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
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 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 PENELITIAN
BAB III METODE PENELITIAN A. Jenis Peneliian Jenis peneliian kuaniaif ini dengan pendekaan eksperimen, yaiu peneliian yang dilakukan dengan mengadakan manipulasi erhadap objek peneliian sera adanya konrol.
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 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
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih 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 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 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 terperinci2 efek dari pengaruh kejadian luar (exernal even) pada daa ime series (Wei, 2006). Bila y adalah daa ime series yang mengandung variasi kalender, maka
. PERAMALAN VOLUME KENDARAAN MASUK DI TOL DUPAK-WARU MENGGUNAKAN MODEL VARIASI KALENDER Yosua D. Charismawan (1304 100 024) Pembimbing : Ir. Dwiamono Agus W.,M.Ikom ABSTRAK Tol Surabaya-Gempol merupakan
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 terperinciPeramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih 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 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 terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciPeramalan 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 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 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 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 III METODOLOGI PENELITIAN. Penelitian ini adalah penelitian Quasi Eksperimental Design dengan
BAB III METODOLOGI PENELITIAN A. Jenis dan Desain Peneliian Peneliian ini adalah peneliian Quasi Eksperimenal Design dengan kelas eksperimen dan kelas conrol dengan desain Prees -Poses Conrol Group Design
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 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 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 terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
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 terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
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 terperinciBAB IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN Dalam peneliian ini, penulis akan menggunakan life cycle model (LCM) yang dikembangkan oleh Modigliani (1986). Model ini merupakan eori sandar unuk menjelaskan perubahan dari
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.. Hasil Peneliian 4... Daa Hasil Peneliian Dari hasil peneliian diperoleh daa kemampuan dribble. hasilnya sebagai mana pada abel I (dilampirkan) 4... Deskripsi
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 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 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 terperinciBAB III METODOLOGI PENELITIAN
perpusakaan.uns.ac.id BAB III METODOLOGI PENELITIAN A. Ruang Lingkup Peneliian Peneliian ini dilaksanakan di Indonesia dengan periode ahun 984 sampai dengan ahun 0. Peneliian ini memfokuskan pada fakor-fakor
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 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 terperinciBAB III HASIL DAN PEMBAHASAN. A. Permasalahan Nyata Penyebaran Penyakit Tuberculosis
BAB III HASIL DAN PEMBAHASAN A. Permasalahan Nyaa Penyebaran Penyaki Tuberculosis Tuberculosis merupakan salah sau penyaki menular yang disebabkan oleh bakeri Mycobacerium Tuberculosis. Penularan penyaki
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 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 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 terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
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 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 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 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 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 terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih 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 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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah persediaan merupakan masalah yang sanga pening dalam perusahaan. Persediaan mempunyai pengaruh besar erhadap kegiaan produksi. Masalah persediaan dapa diaasi
Lebih 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 2 TINJAUAN TEORI
7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih 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 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 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 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 terperinciPeramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima- Neural Network untuk Optimasi Persediaan
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-94 Peramalan Kebuuhan Bahan Bakar Premium di Depo Ampenan dengan Meode Hibrida Arima- Neural Nework unuk Opimasi Persediaan Okivianis Kusumaningrum,
Lebih terperinci