Perbandingan Metode Peramalan ARIMA dan ARFIMA pada Data Long Memory

Ukuran: px
Mulai penontonan dengan halaman:

Download "Perbandingan Metode Peramalan ARIMA dan ARFIMA pada Data Long Memory"

Transkripsi

1 Sisi Vol 9 No 09 3 Nopember 009 Perbningn Meoe Permln ARIMA n ARFIMA p D Long Memory GUMGUM DARMAWAN Sf Pengjr Jurusn Sisi FMIPA UNPAD e-mil : gums@yoocom ABSTRAK P ml ini n i bningn u meoe permln ri long memory Meoe perm menggunn meoe permln ARIMA imn sebelumny ilun pemben (ifferencing) engn nili pembe yng el ienun Meoe eu menggunn meoe permln ARFIMA lngsung Moel ARFIMA yng iji l Moel ARFIMA(0) Moel ARFIMA(0) n Moel ARFIMA() Perben ri eu meoe ini ienun bersrn nili ri MSE (Men Sure Error) Sofwre yng igunn p peneliin ini l Sofwre R (OSSR) K Kunci : ARFIMA MSE OSSR long memory ABSTRACT Tis pper compres wo forecsing meos from ARFIMA moel Te firs meo uses ARIMA forecsing meo ime series re firsly ifference by e vlue of ifferencing prmeer Te secon meo uses ARFIMA forecsing meo irecly Tis pper uses ree ARFIMA moels ie ARFIMA(0) ARFIMA(0) n ARFIMA() moels Te ifference from ese wo meos is eremine bse on e vlue of MSE (Men Sure Error) Keywors : ARFIMA MSE (Men Sure Error) OSSR long memory PENDAHULUAN Mermln suu ejin merupn suu proses penenun suu nili yng i ieui yng mungin erji p ms yng n ng P nlisis ere wu unu membnu penenun nili yng mungin erji iperlun sebelumny Unu eperlun permln m ere wu ms llu rus isesuin engn eperlun penelii Ji ingin memperirn nili ms ng lm rin m erlebi ulu ibu lm inervl rin Seel iperole m lng selnjuny l memoeln bersrn ienifisi seperi p Meoe Box-Jenins menggunn plo ACF n PACF Alny plo ACF n PACF menunjun pol long memory ini erli ri nili-nili uoorelsi p plo ACF u PACF urun secr lmb unu lg yng semin mening Ienifisi ini menginisin bw nili ri (oefisien pembe ifferencing) bernili pecn seingg moel yng pling coco l Moel ARFIMA ( Auoregressive Frcionlly Inegre Moving Averge) Pemoeln ARFIMA perm li iembngn ole Grnger n Joyeux (980) yng merupn pengembngn ri moel ARIMA (Auoregressive Frcionlly Inegre Moving Averge) Hosing (98) mengji sif-sif long memory ri moel ARFIMA ssioner n nonssioner Sowell (99) mengembngn pensirn prmeer pembe mellui Meo Exc Mximum Lielioo Bern (995) mengembn sebu penen Mximum Lielioo unu prmeer pembe mellui Meoe Nonliner Les Sure (NLS) Wlupun moel ARFIMA lebi pliif n ur lm memoeln ibningn engn Moel ARIMA n epi msi erp beberp esulin lm permlnny Proses permln moel ARFIMA i semu moel ARIMA bi secr memi mupun secr ompusi Unu iu p peneliin ini n iji meoe permln ARFIMA Meoe perm lun pemben ri bersrn nili yng el iienifisi 09

2 0 Gumgum Drmwn seingg mengiui moel ARIMA(p0) n permln mengiui meoe permln ARIMA Meoe eu permln ilun mellui meoe ARFIMA(p) secr lngsung MODEL ARFIMA Moel ARFIMA(p) yng iembngn Grnger n Joyeux (980) l sebgi beriu φ ( B )( ( Z μ) = θ ( () engn: = ines ri pengmn = prmeer pembe (bilngn pecn) μ = r-r ri pengmn IIDN(0 σ ) φ( = φ B φ B φ B p p l polinomil AR(p) θ( = θ B θ B θ B l polinomil MA() ( ) ( B = = )( ) B operor pembe pecn = 0 Unu suu bernili pecn operor ifferencing frsionl ( Γ ( + ) ( = + B = Γ ( )! Γ ( + ) Ji persmn λ ( ) = Γ ( )! m: unu = iperole unu = iperole unu = 3 iperole iefinisin sebgi () p persmn () ijbrn unu berbgi nili Γ ( + ) ( )! = = Γ ( )! ( )!! Γ ( + ) ( + )! ( ) = = Γ ( )! ( )!! Γ ( + 3) ( + )! ( )( ) = = Γ ( )3! ( )!3! 6 n seerusny Persmn () p iulis embli menji ( ) B = + λ ( ) B = engn λ 0 ( ) = λ ( ) = ( ) ( ) λ = λ 3 ( ) = ( )( ) n seerusny 6 Seingg persmn () i s p iulis menji ( = B ( ) B 6 3 ( )( ) B (3) Sisi Vol 9 No Nopember 009

3 Perbningn Meoe Permln ARIMA n ARFIMA Permln Moel ARIMA Permln p moel ARIMA p ml ini mengiui persmn p (Cryer 986) engn persmn permln AR() MA() n ARMA() msing-msing sebgi beriu: Z( ) = μ+ φ ( Z μ) Z ( ) = μ θ (4) Z = μ + φ Z μ φ θ ( ) ( ) engn l perioe yng n irmln µ l r-r ere wu φ l prmeer Auoregresi θ l prmeer Moving Averge l resiul e- Permln Moel ARFIMA Permln p moel ARFIMA p srny sm engn moel ARIMA p Persmn (4) p ibenu menji persmn ( p )( ) ( φ φ φ θ θ θ ) ( θb θb θb ) B B B B Z = B B B Z φ Z φ Z φ Z = p ( p p Menuru Persmn () p ibenu persmn sebgi beriu ( ) ( + ) ( )! ( λ ( )) Γ B = B = B = 0 Γ = 0 seingg Persmn (5) i s menji ( θb θb θb ) Z = ( φz + φz + + φpz p) + ( λ ( ) ) B = 0 Dengn menglin seip suu ri persmn i s engn menji engn θ θ Z = φz + φz + + φpz p + f( ) f( ) f( ) (5) m persmnny (6) Sisi Vol 9 No Nopember 009

4 Gumgum Drmwn f() = λ ( ) B = 0 f( ) = λ ( ) B = 0 f( ) = λ ( ) B = 0 Tsirn lng e epn iperole engn menggni ines menji Nili 0 n T θ Ẑ = φz + + φpz p+ f(t + ) f(t + ) + = unu permln Z Z 0 E( Z Z TZ T ) = f > 0 0 E( Z TZ T ) = 0 > 0 3 KAJIAN SIMULASI (7) Simulsi menggunn Sofwre R versi 7 engn bnyny T = engn perulngn 000 li Unu mengifn fsilis pembe pecn (frcionl Difference) p Sowre R Sebelumny i insll Pcge frciff Moel ARFIMA yng ibngin mengiui Moel ARFIMA(0) n Moel ARFIMA(0) engn nili = 0 n 04 Prmeer φ n θ msing-msing 05 mengiui Disribusi Norml engn r-r nol n vrins Aursi pensirn prmeer ienun engn mengiung r-r n snr evisi ri 000 nili unu Moel ARFIMA Lng-lng lm melun simulsi Bngin ARFIMA engn T = n perulngn sebny 00 li engn = 0 n 04 engn r-r nol n vrin Dengn Moel AR() n MA() msing-msing prmeerny 05 P Moel ARMA() prmeerny φ n θ = -0 Bgi menji u yiu rining sebny T-0 perm n 0 erir sebgi esing 3 Unu permln Meoe ARIMA lun pemben p rining sebesr = 0 n 04 emuin lun permln unu 0 perioe e epn engn persmn 4 4 Unu permln Meoe ARFIMA lun permln unu 0 perioe e epn engn menggunn persmn 7 5 Tenun nili MSE n snr evisi ri MSE ri eu meoe ersebu unu 0 perioe e epn Sisi Vol 9 No Nopember 009

5 Perbningn Meoe Permln ARIMA n ARFIMA 3 Tbel Nili MSE n Snr Devisi ri permln Moel ARFIMA T Moel ARFIMA = 0 = 04 MSE SD(MSE) MSE SD(MSE) ARFIMA(0) ARFIMA(0) ARFIMA() ARFIMA(0) ARFIMA(0) ARFIMA() Bersrn sil simulsi p bel Moel ARFIMA(0) n ARFIMA(0) lebi ur ibningn engn permln p Moel ARFIMA() Dismping nili MSE nili snr evisi ri moel ARFIMA() relif lebi besr ibningn engn u moel linny 4 KESIMPULAN Bersrn sil perbningn u meoe permln secr simulsi mp bw Nili MSE secr eselurun memberin sil yng cuup bi Meoe pensirn mellui pemben erlebi ulu ri long memory llu ilun permln engn Meoe ARIMA relif sm engn meoe pensirn mellui Meoe ARFIMA secr lngsung DAFTAR PUSTAKA [] Bern J (994) Mximum Lielioo Esimion of e Differencing Prmeer for Inverible Sor n Long Memory Auoregressive Inegre Moving Averge Moels Journl of e Royl Sisicl Sociey Vol 57 l [] CryerJD (986) Time Series Anlysis PWS-KENT Publising Compny BosonUSA [3] Grnger C W J n JoyeuxR (980) An Inroucion o Long-Memory Time Series Moels n Frcionl Differencing Journl of Time Series Anlysis Vol l 5-9 [4] Hosing JRM (98) Frcionl Differencing Biomei Vol 68 l [5] Sowell F (99) Mximum Lielioo Esimion of Sionry Univrie Frcionlly Inegre Time Series Moels Journl of economerics Vol53 l65 88 Sisi Vol 9 No Nopember 009

PERBANDINGAN METODE PERAMALAN PADA MODEL ARFIMA ABSTRAK

PERBANDINGAN METODE PERAMALAN PADA MODEL ARFIMA ABSTRAK Seminr Nsionl Memi 008 Universis Pjjrn Universis Inonesi PERANDINGAN METODE PERAMALAN PADA MODEL ARFIMA Gumgum Drmwn Sf Pengjr Jurusn Sisi FMIPA UNPAD e-mil : gums_973@yhoocom ASTRAK P mlh ini n i bningn

Lebih terperinci

Penerapan Model Analisis Time Series Dalam Peramalan Pemakaian Kwh Listrik Untuk n-bulan Ke depan Yang Optimal Di Kota Bengkulu

Penerapan Model Analisis Time Series Dalam Peramalan Pemakaian Kwh Listrik Untuk n-bulan Ke depan Yang Optimal Di Kota Bengkulu Jurnl Grdien Vol.4 No.1 Jnuri 8 : 33-37 Penerpn Model Anlisis Time Series Dlm Permln Pemin Kwh Lisri Unu n-buln Ke depn Yng Opiml Di Ko Bengulu Fchri Fisl, Jose Rizl Jurusn Memi, Fuls Memi dn Ilmu Pengehun

Lebih terperinci

BAB 1 PENDAHULUAN LATAR BELAKANG

BAB 1 PENDAHULUAN LATAR BELAKANG BAB PENDAHULUAN LATAR BELAKANG Slh su penmbh devis negr erbesr dihsiln dri seor priwis. Seip provinsi di Indonesi memilii obje wisny msing-msing, seperi provinsi Sumer Ur yng erenl dengn dy ri Dnu Tobny

Lebih terperinci

PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) ABSTRAK

PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) ABSTRAK PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) Gumgum Darmawan Saf Pengajar Jurusan Saisia FMIPA UNPAD e-mail : gumsa_973@yahoo.com ABSTRAK Paa maalah ini aan i

Lebih terperinci

Model Sederhana Penyebaran Avian Flu di Cikelet

Model Sederhana Penyebaran Avian Flu di Cikelet 13 Bb III Model Sedern Penyebrn Avin Flu di Cikele Pd bb ini kn dibs mengeni model penyebrn virus flu burung di der Cikele bik penyebrn pd ym mupun penyebrn dri ym erdp mnusi dengn memnfkn berbgi informsi

Lebih terperinci

Penaksiran parameter model ARIMA dengan menggunakan Algoritma Genetika

Penaksiran parameter model ARIMA dengan menggunakan Algoritma Genetika Penksirn prmeer model ARIMA dengn menggunkn Algorim Geneik Wiwin yulini 306 00 070 Dosen Pembimbing I Dr. Irhmh, S.Si,M.Si Dosen Pembimbing II Dedy Dwi Prsyo, S.Si, M.Si Pge Pendhulun Lr belkng Permslhn

Lebih terperinci

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar

Lebih terperinci

Penentuan Panjang Optimal Data Deret Waktu Bebas Outlier dengan Menggunakan Metode Window Time

Penentuan Panjang Optimal Data Deret Waktu Bebas Outlier dengan Menggunakan Metode Window Time JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (017) ISSN: 337-350 (301-98X Prin) D-137 Penenun Pnjng Opiml D Dere Wku Bebs Oulier dengn Menggunkn Meode Window Time Ry Sofi Auli dn Rden Mohmd Aok Jurusn Sisik,

Lebih terperinci

PENDETEKSIAN PENCILAN ADITIF DAN INOVATIF DALAM DATA DERET WAKTU MELALUI METODE ITERATIF

PENDETEKSIAN PENCILAN ADITIF DAN INOVATIF DALAM DATA DERET WAKTU MELALUI METODE ITERATIF Forum Sisik dn Kompusi, Vol No., 8 ISSN : 85-85 PENDEEKSIAN PENCILAN ADIF DAN INOVIF DALAM DA DERE WAKU MELALUI MEODE ERIF Kusmn Sdik, Erfini, Noviyni WP Depremen Sisik FMIPA Insiu Pernin Bogor E-mil :

Lebih terperinci

PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)

PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado

Lebih terperinci

Permodelan Sistem. Melalui Identifikasi Parameter. Ir. Rusdhianto EAK, MT. Pelatihan PC-Based Control

Permodelan Sistem. Melalui Identifikasi Parameter. Ir. Rusdhianto EAK, MT. Pelatihan PC-Based Control Permodeln Sistem Mellui Identifisi Prmeter Ir. Rusdhinto EAK, M Pengertin Adlh seumpuln metode yng digunn untu mendptn/menentun prmeter model pendetn dri sistem mellui evlusi dt penguurn input output Secr

Lebih terperinci

MODEL GARCH UNTUK VARIANSI SESATAN DARI MODEL AUTOREGRESIVE MOVING AVERAGE

MODEL GARCH UNTUK VARIANSI SESATAN DARI MODEL AUTOREGRESIVE MOVING AVERAGE MODEL GARCH UNUK VARIANSI SESAAN DARI MODEL AUOREGRESIVE MOVING AVERAGE Ole: Eni usi Jurusn Pendidikn Memik FPMIPA UPI Jl Dr Seibudi 9, Bndung 404 Absk Model yng digunkn dlm emodeln d runun wku yiu model

Lebih terperinci

BAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun

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 terperinci

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,

Lebih terperinci

Hendra Gunawan. 1 November 2013

Hendra Gunawan. 1 November 2013 MA0 MATEMATIKA A Henr Gunwn Semeser I, 0/04 November 0 Lihn (Kulih yng Llu). Hiung inegrl enu/k enu beriku:. +.. cos( + ).. ( ). 4. 0 / 4 cos 0 4 5. (.. ) /0/0 (c) Henr Gunwn Ssrn Kulih Hri Ini 4.4. Teorem

Lebih terperinci

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO PENDAHULUAN MODEL DATA DERET WAKTU BERDASARKAN PARAMETER PEMBEDA

Lebih terperinci

PENERAPAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)

PENERAPAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) PENERAPAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Oleh LIANA KUSUMA NINGRUM M0105047 SKRIPSI ditulis dan diajukan

Lebih terperinci

Spesifikasi Model. a. ACF

Spesifikasi Model. a. ACF Dept. Statistika IPB, 0 Spesifikasi Model Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi

Lebih terperinci

PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)

PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,

Lebih terperinci

PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH

PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH

Lebih terperinci

ANALISIS DATA RUNTUN WAKTU MENGGUNAKAN MODEL ARIMA (p,d,q)

ANALISIS DATA RUNTUN WAKTU MENGGUNAKAN MODEL ARIMA (p,d,q) ANALISIS DATA RUNTUN WAKTU MENGGUNAKAN MODEL ARIMA (p,d,q) (Aplisi: D Pendpn Pj Kendrn Bermoor di Propinsi Derh Isimew Yogyr) SKRIPSI Unu memenuhi sebgin persyrn gun memperoleh derj Srjn S- Progrm Sudi

Lebih terperinci

Peramalan Harga Saham Perusahaan Selular di Indonesia Menggunakan Metode Vector Autoregressive (VAR)

Peramalan Harga Saham Perusahaan Selular di Indonesia Menggunakan Metode Vector Autoregressive (VAR) Permln Hrg Shm Perushn Selulr di Indonesi Menggunkn Meode Vecor Auoregressive (VAR) Rez Tino, Agus Suhrsono dn Seiwn Jurusn Sisik, Fkuls Memik dn Ilmu Pengehun Alm, Insiu Teknologi Sepuluh Nopember (ITS)

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang 1 BAB I PENDAHULUAN 1.1 Latar Belakang Dalam dunia statistika terdapat serangkaian pengamatan data yang dapat dijadikan sebagai model time series (runtun waktu) untuk meramalkan kejadian pada periode berikutnya.

Lebih terperinci

DAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...

DAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian... DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii NASKAH SOAL TUGAS AKHIR... iv HALAMAN PERSEMBAHAN... v INTISARI... vi KATA PENGANTAR... vii UCAPAN TERIMA KASIH... viii

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN ARIMAX

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN ARIMAX ANALII PERAMALAN PENJUALAN EPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN ARIMAX Muflih Rori Pur Hrh, Agus uhrsono Jurusn isik, Fkuls Memik dn Ilmu Pengehun Alm, Insiu Teknologi euluh Noember (IT) Jl.

Lebih terperinci

Penerapan Model ARIMA

Penerapan Model ARIMA Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model)

Lebih terperinci

Kombinasi Linier. Definisi Kombinasi Linier. Contoh Kombinasi Linier 1

Kombinasi Linier. Definisi Kombinasi Linier. Contoh Kombinasi Linier 1 Kominsi Linier Definisi Kominsi Linier Misln V rung vetor. S{u, u,..., u n } V. Misln V. Vetor iseut pt inytn segi ominsi linier ri S, ji terpt slr-slr (onstnt riil),,..., n, sehingg memenuhi persmn: u

Lebih terperinci

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)

Lebih terperinci

Penerapan Model ARIMA

Penerapan Model ARIMA Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 1 Ada tiga tahapan iteratif dalam pemodelan data deret waktu yang berbasis model ARIMA, yaitu: 1. Penentuan model

Lebih terperinci

PERAMALAN CURAH HUJAN DI KOTA YOGYAKARTA DENGAN MODEL FUNGSI TRANSFER MULTIVARIAT

PERAMALAN CURAH HUJAN DI KOTA YOGYAKARTA DENGAN MODEL FUNGSI TRANSFER MULTIVARIAT Prosiding Seminr Nsionl Peneliin, Pendidikn dn Penerpn MIPA, Fkuls MIPA, Universis Negeri Yogykr, Mei PERAMALAN CURAH HUJAN DI KOTA YOGYAKARTA DENGAN MODEL FUNGSI TRANSFER MULTIVARIAT Khrisn Yuli Siswni

Lebih terperinci

METODE NEW JERSEY UNTUK CADANGAN ASURANSI JIWA DWIGUNA DENGAN DISTRIBUSI GOMPERTZ

METODE NEW JERSEY UNTUK CADANGAN ASURANSI JIWA DWIGUNA DENGAN DISTRIBUSI GOMPERTZ METODE NEW ESEY UNTUK CDNGN SUNSI IW DWIGUN DENGN DISTIBUSI GOMETZ ml uri *, Tumpl Nbb 2, zis 2 Msisw rorm S Memi 2 Dose urusmemi Fuls Memi Ilmu eeu lm Uieris iu Kmpus Bi Wiy 28293 Ioesi *yiiury@yooom

Lebih terperinci

Pemodelan Inflasi Provinsi Riau Menggunakan ARIMA Dengan Deteksi Outlier dan Model Intervensi

Pemodelan Inflasi Provinsi Riau Menggunakan ARIMA Dengan Deteksi Outlier dan Model Intervensi Pemodeln nflsi Provinsi Riu Menggunkn ARMA Dengn Deeksi Oulier dn Model nervensi Erie Sdewo Progrm Pscsrjn Sisik FMPA TS Surby erie@mhs.sisik.is.c.id Absrk Permslhn inflsi memiliki dmpk lus dlm perekonomin

Lebih terperinci

BAB II LANDASAN TEORI

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 terperinci

Analisis Peramalan Penjualan Sepeda Motor Di Kabupaten Ngawi Dengan Arima Dan Arimax

Analisis Peramalan Penjualan Sepeda Motor Di Kabupaten Ngawi Dengan Arima Dan Arimax JURNAL AIN DAN ENI POMIT Vol. 3, No.2, (2014) 2337-3520 (2301-928X Prin) D-122 Anlisis Permln Penjuln eed Moor Di Kbuen Ngwi Dengn Arim Dn Arimx Muflih Rori Pur Hrh dn Agus uhrsono Jurusn isik, Fkuls Memik

Lebih terperinci

Oleh: Abstrak. Kata kunci : data multivariat, deret waktu dan lokasi, VAR, STAR.

Oleh:  Abstrak. Kata kunci : data multivariat, deret waktu dan lokasi, VAR, STAR. Perbndingn Model VAR dn STAR pd Permln Produksi Teh di Jw Br Comprison beween VAR nd STAR models for Te Producion Forecsing Wes Jv Oleh: Suhrono dn Dhoriv Urwul Wusq Jurusn Sisik, Insiu Teknologi Sepuluh

Lebih terperinci

Struktur Data & Algoritme (Data Structures & Algorithms) Ide Algoritma Ford-Fulkerson. Motivation. 1-Source, 1-Target Problem.

Struktur Data & Algoritme (Data Structures & Algorithms) Ide Algoritma Ford-Fulkerson. Motivation. 1-Source, 1-Target Problem. rukur D & Algorime (D ruure & Algorihm) Mximum Flow uryn eiwn eiwn@.ui..i Fkul Ilmu Kompuer Univeri Inonei emeer Genp 2/2 Verion. Inernl Ue Only oure, rge Prolem Flow nework Grph Verek p ymmeril iree grph

Lebih terperinci

PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH

PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH

Lebih terperinci

Penerapan Model ARIMA

Penerapan Model ARIMA Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada

Lebih terperinci

MATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip

MATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip MAA KULIAH MEODE RUNUN WAKU Oleh : Entit Puspita Nip 08 JURUSAN PENDIDIKAN MAEMAIKA FAKULAS PENDIDIKAN MAEMAIKA DAN ILMU PENGEAHUAN ALAM UNIVERSIAS PENDIDIKAN INDONESIA 00 //00 Entit Puspita BEBERAPA KONSEP

Lebih terperinci

PERAMALAN 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 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 terperinci

Application of ARIMA Models

Application of ARIMA Models Application of ARIMA Models We have learned how to model using ARIMA Stages: 1. Verify whether the data we are analyzing is a stationary data using ACF or other methods 2. If the data is not stationer,

Lebih terperinci

SEASONAL ARIMA Arum Handini Primandari

SEASONAL ARIMA Arum Handini Primandari SEASONAL ARIMA Arum Handini Primandari ALLPPT.com _ Free PowerPoint Templates, Diagrams and Charts ARIMA Musiman Pola musiman dalam runtun waktu adalah perubahan pola yang berulang dalam kurun waktu s;

Lebih terperinci

Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus

Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat

Lebih terperinci

II. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang

II. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang II. TINJAUAN PUSTAKA 2.1 Analisis Deret Waktu (time series) Time series merupakan serangkaian observasi terhadap suatu variabel yang diambil secara beruntun berdasarkan interval waktu yang tetap (Wei,

Lebih terperinci

MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI

MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta

Lebih terperinci

Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA

Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Jeine Tando 1, Hanny Komalig 2, Nelson Nainggolan 3* 1,2,3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

Time series Linier Models

Time series Linier Models Time series Linier Models We have learned simple extrapolation techniques for deterministic and stochastic time series models. In addition, we also have learned stationery and non stationery time series

Lebih terperinci

PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR

PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR

Lebih terperinci

PERBANDINGAN AKURASI PENAKSIRAN PARAMETER PEMBEDA PADA MODEL ARFIMA MELALUI METODE REGRESI SPEKTRAL

PERBANDINGAN AKURASI PENAKSIRAN PARAMETER PEMBEDA PADA MODEL ARFIMA MELALUI METODE REGRESI SPEKTRAL PERBANDINGAN AKURASI PENAKSIRAN PARAMETER PEMBEDA PADA MODEL ARFIMA MELALUI METODE REGRESI SPEKTRAL () Gumgum Darmawan, () Nur Iriawan, () Suharono ()Mahasiswa Paska Sarana ITS : gumsa_973@ yahoo.com,

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu

Lebih terperinci

Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD

Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD Charisma Arianti, Arief Wibowo Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas Airlangga Surabaya Alamat Korespondensi:

Lebih terperinci

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam

Lebih terperinci

Bab 2 Teori Pendukung

Bab 2 Teori Pendukung Bb Teori Penduung. Sistem Bonus Mlus Sistem bonus mlus Belgi muli diterpn thun 97 terdiri dri 8 els. C =,,,. Thun 995, sistem bonus mlus menjdi 3 els (Tbel.), { } Tbel. Sistem Bonus Mlus Belgi Kels Premi

Lebih terperinci

Sebaran Kontinu Khusus

Sebaran Kontinu Khusus Sttistik Mtemtik I Sern Kontinu Khusus Hzmir Yozz Izzti rhmi HG Jurusn Mtemtik LOGO FMIPA Universits Andls SEBARAN SERAGAM KONTINU Definisi 4.1. Sutu peuh ck kontinu X diktkn memiliki sergm kontinu pd

Lebih terperinci

Pemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun

Pemodelan 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 terperinci

LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins

LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan

Lebih terperinci

BAB II LANDASAN TEORY Prosedur regresi dengan Menggunakan Metode Backward

BAB II LANDASAN TEORY Prosedur regresi dengan Menggunakan Metode Backward BAB II LANDASAN TEORY.. Prosedur regresi dengn Menggunn Metode Bcwrd Metode Bcwrd merupn lngh mundur, dimn semu vribel X i diregresin dengn vribel dependen Y. pengeleminsin vribel X i didsrn pd nili F

Lebih terperinci

Peramalan Netflow Uang Kartal dengan Metode ARIMAX dan Radial Basis Function Network (Studi Kasus Di Bank Indonesia)

Peramalan Netflow Uang Kartal dengan Metode ARIMAX dan Radial Basis Function Network (Studi Kasus Di Bank Indonesia) Permln Neflow Ung Krl dengn Meode ARIMAX dn Rdil Bsis Funcion Nework (Sudi Ksus Di Bnk Indonesi) Renny Elfir Wulnsri dn Suhrono Jurusn Sisik, FMIPA, Insiu Teknologi Seuluh Noember (ITS) Jl. Arief Rhmn

Lebih terperinci

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.

Lebih terperinci

PENYELESAIAN SOAL UJIAN TENGAH SEMESTER 2011

PENYELESAIAN SOAL UJIAN TENGAH SEMESTER 2011 PNYLSAIAN SOAL UJIAN TNGA SMSTR SOAL A Pengoln t elevsi muk ir i ts benung, m, menunjukkn bw sebrn robbilits elevsi muk ir tersebut, (), t inytkn engn sutu fungsi (f) berikut: jik jik jik untuk nili yng

Lebih terperinci

Kesesuaian Persamaan Pola Intensitas Curah Hujan Sebagai Fungsi dari Durasi Hujan di Balai Pengamatan Dirgantara Pontianak

Kesesuaian Persamaan Pola Intensitas Curah Hujan Sebagai Fungsi dari Durasi Hujan di Balai Pengamatan Dirgantara Pontianak Kesesuin Persmn Pol nensis Curh Hujn Sebgi Fungsi dri Dursi Hujn di Bli Pengmn Dirgnr Ponink Ann Krin 1), M. shk Jumrng 1)* 1)Progrm Sudi Fisik, FMPA, Universis njungpur Jln Jendrl Ahmd Yni, Ponink, ndonesi

Lebih terperinci

SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n

SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi

Lebih terperinci

Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk

Peramalan 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

Oleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si

Oleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan

Lebih terperinci

ANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI

ANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI ANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta

Lebih terperinci

BALOK TINGGI. Ir.H.Kartono Hd

BALOK TINGGI. Ir.H.Kartono Hd BAOK TINGGI Ref SNI - 03-847 - 00 Blok Tinggi ( Deep Bem ) Retkn Retkn Ref SNI - 03-847 - 00 h 4 C 0,50 h T 0,67 h h 4 C h 0,40 h 0,67 h T h C h h 0,6 h 0,8 T h < C h > > 0,6 < 0,78 0,8 T Ref SNI - 03-847

Lebih terperinci

PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO

PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas

Lebih terperinci

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari fungsi gelombang spin yang mencakup:

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari fungsi gelombang spin yang mencakup: PENDAHULUAN Di dlm modul ini And kn mempeljri fungsi gelombng spin yng menckup: mtrik spin dn gerk elektron di dlm medn mgnet. Ole kren itu, sebelum mempeljri modul ini And terlebi dulu rus mempeljri modul

Lebih terperinci

Skew- Semifield dan Beberapa Sifatnya 1

Skew- Semifield dan Beberapa Sifatnya 1 Skew- Semifield dn Beberp Siftny K r y t i Jurusn Pendidikn Mtemtik Fkults Mtemtik dn Ilmu Pengethun Alm Universits Negeri Yogykrt E-mil: ytiuny@yhoo.com Abstrk Sutu field ( lpngn ) F dlh struktur ljbr

Lebih terperinci

IV. METODE PENELITIAN. deret waktu (time series) yang bersumber dari International Financial Statistic

IV. METODE PENELITIAN. deret waktu (time series) yang bersumber dari International Financial Statistic 56 IV. METODE PENELITIAN 4.. D 4... Sumber D D yng digunkn dlm sudi ini dl d sekunder dlm benuk dere wku (ime series) yng bersumber dri Inernionl Finncil Sisic (IFS) yng dipubliksikn ole Inernionl Moneery

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Peramalan (Forceasting) 2.1.1 Pengertian Peramalan Untuk memajukan suatu usaha harus memiliki pandangan ke depan yakni pada masa yang akan datang. Hal seperti ini yang harus dikaji

Lebih terperinci

PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA

PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA Jurnal Matematika UNAND Vol. 3 No. 3 Hal. 59 67 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA ANNISA UL UKHRA Program Studi Matematika,

Lebih terperinci

PERBAIKAN ATURAN KUADRATUR NEWTON-COTES TERTUTUP. Dina Oktavieny 1, Bustami 2 ABSTRACT

PERBAIKAN ATURAN KUADRATUR NEWTON-COTES TERTUTUP. Dina Oktavieny 1, Bustami 2 ABSTRACT PERBAIKAN ATURAN KUADRATUR NEWTON-COTES TERTUTUP Din Otvieny 1, Bustmi 2 1 Mhsisw Progrm Studi S1 Mtemti 2 Dosen Jurusn Mtemti Fults Mtemti dn Ilmu Pengethun Alm Universits Riu Kmpus Binwidy Penbru (28293),

Lebih terperinci

Prediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan Krigging pada 12 Stasiun di Bogor Periode Januari Desember 2014.

Prediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan Krigging pada 12 Stasiun di Bogor Periode Januari Desember 2014. Jur. Ris. & Apl. Mat. Vol. 1 (2017), no. 1, 1-52 Jurnal Riset dan Aplikasi Matematika e-issn: 2581-0154 URL: journal.unesa.ac.id/index.php/jram Prediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan

Lebih terperinci

Volume 1 No. 1 Edisi April 2015 ISSN : Rini Cahyandari dan Rima Erviana

Volume 1 No. 1 Edisi April 2015 ISSN : Rini Cahyandari dan Rima Erviana Peramalan Kurs Jual Uang Kertas Mata Uang Singapore Dollar (SGD) terhadap Rupiah Menggunakan Model ARFIMA (Autoregressive Fractionally Integrated Moving Average) Rini Cahyandari dan Rima Erviana Juruan

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA 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 terperinci

Rosy M., Rahardjo S., Susiswo Jurusan Matematika Fakultas MIPA Universitas Negeri Malang

Rosy M., Rahardjo S., Susiswo Jurusan Matematika Fakultas MIPA Universitas Negeri Malang PERAMALAN INDEKS HARGA KONSUMEN (IHK) KOTA MALANG BULAN JANUARI SAMPAI BULAN JUNI TAHUN 013 MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) Rosy M., Raharjo S., Susiswo Jurusan Maemaika

Lebih terperinci

Matematika EBTANAS Tahun 1987

Matematika EBTANAS Tahun 1987 Memik EBTANAS Thun 987 EBT-SMA-87-0 Himpunn penyelesin dri persmn : x + = x unuk x R dlh {, } {, } {, } {, } {, } EBT-SMA-87-0 Di bwh ini dlh gmbrpenmpng sebuh pip. Jik jri jri pip cm dn AB = 0 cm (AB

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen

Lebih terperinci

Diana Holidah Bagian Farmasi Klinik dan Komunitas Fakultas Farmasi Universitas Jember

Diana Holidah Bagian Farmasi Klinik dan Komunitas Fakultas Farmasi Universitas Jember Din Holidh Bgin Frmsi Klinik dn Komunis Fkuls Frmsi Universis Jember Absorpsi Ob Absorpsi sisemik dri slurn cern ergnung pd:. Benuk sedin ble, kpsul, sirup dll b. Anomi fisiologi emp bsorpsi, melipui :

Lebih terperinci

PENYELESAIAN SOAL UJIAN TENGAH SEMESTER 2007

PENYELESAIAN SOAL UJIAN TENGAH SEMESTER 2007 PENYELESAIAN SOAL UJIAN TENGA SEMESTER 00 SOAL A Elevsi muk ir di sutu reservoir dinytkn dengn vribel (rndom kontinyu) m yng memiliki fungsi probbilits (probbility density function, pdf) menurut persmn

Lebih terperinci

PEMODELAN RESIDUAL REGRESI YANG MENGANDUNG MISSING OBSERVATIONS DAN LONG MEMORY Studi Kasus : Polusi Udara di Kota Surabaya

PEMODELAN RESIDUAL REGRESI YANG MENGANDUNG MISSING OBSERVATIONS DAN LONG MEMORY Studi Kasus : Polusi Udara di Kota Surabaya PEMODELAN RESIDUAL REGRESI YANG MENGANDUNG MISSING OBSERVATIONS DAN LONG MEMORY Studi Kasus : Polusi Udara di Kota Surabaya Nurbaety Basmar 1, Irhamah 2 1 Mahasiswa S2 Jurusan Statistika FMIPA ITS (1308201018)

Lebih terperinci

4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :

4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut : 4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga

Lebih terperinci

Pemodelan Data Curah Hujan Di Kabupaten Banyuwangi dengan Metode ARIMA dan Radial Basis Function Neural Network

Pemodelan Data Curah Hujan Di Kabupaten Banyuwangi dengan Metode ARIMA dan Radial Basis Function Neural Network JURNAL SAINS DAN SENI ITS Vol. 5 No. (6) 337-35 (3-98X Print) D-339 Pemodelan Data Curah Hujan Di Kabupaten Banyuwangi dengan Metode ARIMA dan Radial Basis Function Neural Network Novelina Purba dan Brodjol

Lebih terperinci

Metode Box - Jenkins (ARIMA)

Metode Box - Jenkins (ARIMA) Metode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing. kelebihan ini bisa mencakup variabel yang digunakan dan jenis data time seriesnya. nah, dalam

Lebih terperinci

Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode

Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan

Lebih terperinci

BAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.

BAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang

Lebih terperinci

PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA

PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA Tanti Octavia 1), Yulia 2), Lydia 3) 1) Program Studi Teknik Industri, Universitas

Lebih terperinci

PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO

PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO Skripsi Diajukan Untuk Memenuhi Sebagian Syarat Mencapai Gelar Sarjana Strata Satu (S-1) Oleh : ROSIANA NOVITA

Lebih terperinci

Model Kompartemen satu pemberian secara i.v. bolus

Model Kompartemen satu pemberian secara i.v. bolus Mel Kmremen su emerin secr i.v. lus I M. A. Gelgel Wirsu Ji ierin secr iv lus Mel Kmremn Su O lngsung menci sirulsi sisemi isumsin erisriusi hmgen e semu rung mremn lm wu yng sing Keseimngn isriusi nr

Lebih terperinci

LEMBAR SOAL PILIHAN GANDA

LEMBAR SOAL PILIHAN GANDA LEMBAR SOAL PILIHAN GANDA Jenis Sekolh : MA Kurikulum Aun : KTSP Kels/ Semester : XII / Genp (2) Progrm Stui : IPA Aloksi Wktu : 90 Menit Thun Peljrn : 2013-2014 Mt Peljrn : Mtemtik Jumlh Sol : 30 Butir

Lebih terperinci

BAB III TRANSFORMASI LINEAR

BAB III TRANSFORMASI LINEAR Diktt ljr Liner II BB III RNSFORMSI LINER DEFINISI RNSFORMSI LINER Jik V W msing msing lh rung vektor mk V W msing msing merupkn himpunn Dengn emikin pt iut sutu fungsi ntr V n W erkit engn struktur ri

Lebih terperinci

ATURAN NEWTON-COTES TERTUTUP DENGAN KOREKSI PADA UJUNG INTERVAL. Rifaldi Putra ABSTRACT

ATURAN NEWTON-COTES TERTUTUP DENGAN KOREKSI PADA UJUNG INTERVAL. Rifaldi Putra ABSTRACT ATURAN NEWTON-COTES TERTUTUP DENGAN KOREKSI PADA UJUNG INTERVAL Rifldi Putr Mhsisw Progrm Studi S1 Mtemti Jurusn Mtemti Fults Mtemti dn Ilmu Pengethun Alm Universits Riu Kmpus Bin Widy, Penbru 28293 rifldiputr1995@gmil.com

Lebih terperinci

BAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :

BAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan : BAB SIMULASI PERHITUNGAN HARGA BARANG Bab Simulasi Perhitungan Harga barang berisikan :.. Simulasi peramalan nilai Indeks Harga Konsumen (IHK) melalui metode ARIMA.. Prediksi nilai inflasi tahun 0.3. Prediksi

Lebih terperinci

PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI

PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI TUGAS AKHIR - ST 1325 PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI I G B ADI SUDIARSANA NRP 1303100058 Dosen Pembimbing Ir. Dwiatmono Agus Widodo,

Lebih terperinci

ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING

ESTIMASI 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 terperinci

Penerapan Model ARIMA

Penerapan Model ARIMA Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018 1 a. Misalkan data asal Y t. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal sehingga

Lebih terperinci

PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.

PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK. Jurnal Matematika UNAND Vol. VI No. 1 Hal. 25 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.

Lebih terperinci

PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH

PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran

Lebih terperinci

Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah

Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu

Lebih terperinci