PERBANDINGAN METODE PERAMALAN PADA MODEL ARFIMA ABSTRAK

Ukuran: px
Mulai penontonan dengan halaman:

Download "PERBANDINGAN METODE PERAMALAN PADA MODEL ARFIMA ABSTRAK"

Transkripsi

1 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 u meoe permln ri Moel ARFIMA Meoe perm menggunn meoe permln ARIMA, imn sebelumny ilun pemben (ifferencing) engn nili pembe yng elh ienun Meoe eu menggunn meoe permln ARFIMA lngsung Moel ARFIMA yng iji lh Moel ARFIMA(,,0), Moel ARFIMA(0,,) n Moel ARFIMA(,,) Perben ri eu meoe ini ienun bersrn nili ri MSE (Men Sure Error) K Kunci : ARFIMA, MSE ASTRACT This pper compres wo forecsing mehos from ARFIMA moel The firs meho uses ARIMA forecsing meho, ime series re firsly ifference by he vlue of ifferencing prmeer The secon meho uses ARFIMA forecsing meho irecly This pper uses hree ARFIMA moels ie ARFIMA(,,0), ARFIMA(0,,) n ARFIMA(,,) moels The ifference from hese wo mehos is eremine bse on he vlue of MSE (Men Sure Error) Keywors : ARFIMA, MSE (Men Sure Error) Penhulun Mermln suu ejin merupn suu proses penenun suu nili yng i iehui 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 hrus isesuin engn eperlun penelii Ji ingin memperirn nili ms ng lm hrin m erlebih hulu ibu lm inervl hrin Seelh iperoleh m lngh selnjuny lh memoeln bersrn ienifisi seperi p Meoe ox-jenins, menggunn plo ACF n PACF Alny, plo ACF n PACF menunjun pol long memory, ini erlih ri nili-nili uoorelsi p plo ACF u PACF urun secr lmb unu lg yng semin mening Ienifisi ini menginisin bhw nili ri (oefisien pembe, ifferencing) bernili pechn, sehingg moel yng pling coco lh Moel ARFIMA ( Auoregressive Frcionlly Inegre Moving Averge) Pemoeln ARFIMA perm li iembngn oleh 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)

2 Seminr Nsionl Memi 008 Universis Pjjrn Universis Inonesi mengembngn pensirn prmeer pembe mellui Meo Exc Mximum Lielihoo, ern (995) mengembn sebuh penen Mximum Lielihoo unu prmeer pembe mellui Meoe Nonliner Les Sure (NLS) Wlupun moel ARFIMA lebih pliif n ur lm memoeln ibningn engn Moel ARIMA, n epi msih erp beberp esulin lm permlnny Proses permln moel ARFIMA i semuh 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 elh iienifisi sehingg mengiui moel ARIMA(p,0,) n permln mengiui meoe permln ARIMA Meoe eu permln ilun mellui meoe ARFIMA(p,,) secr lngsung Moel ARFIMA Moel ARFIMA(p,,) yng iembngn Grnger n Joyeux (980) lh sebgi beriu, ( ) Z ( ), ( ) engn : = ines ri pengmn, = prmeer pembe (bilngn pechn), = r-r ri pengmn, IIDN(0, ), p p lh polinomil AR(p), ( ) ( ) lh polinomil MA(), operor pembe pechn 0 Unu suu bernili pechn, operor ifferencing frsionl iefinisin sebgi! ( ) Ji persmn p persmn () ijbrn unu berbgi nili! m : ( ) ( )! unu =, iperoleh, ( )! ( )!! ( ) ( )! ( unu =, iperoleh, ( )! ( )!! ( 3) ( )! ( )( unu = 3, iperoleh, ( )3! ( )!3! 6 n seerusny Persmn () p iulis embli menji,

3 Seminr Nsionl Memi 008 Universis Pjjrn Universis Inonesi engn 0,,, 3 n seerusny 6 Sehingg, persmn () i s p iulis menji ( ) ( ) ( ) 6 3 ( 3 ) Permln Moel ARIMA Permln p moel ARIMA p mlh ini mengiui persmn p (Cryer, 986), engn persmn permln AR(), MA() n ARMA(,) msingmsing sebgi beriu; ˆ h Z h Z Zˆ h ( 4 ) ˆ h h Z h Z engn h lh perioe yng n irmln µ lh r-r ere wu lh prmeer Auoregresi θ lh prmeer Moving Averge lh resiul e- Permln Moel ARFIMA Permln p moel ARFIMA p srny sm engn moel ARIMA, p persmn (4) p ibenu menji persmn p p Z, Z Z Z Z p p Menuru persmn (), p ibenu persmn sebgi beriu, 0! 0 ( 5 ) sehingg persmn (5) i s menji, Z Z Z p p Z 0 Dengn menglin seip suu ri persmn i s engn m persmnny menji,

4 Seminr Nsionl Memi 008 Universis Pjjrn Universis Inonesi Z Z Z p p Z f( ) f( ) f(, ( 6 ) engn f( ) 0 f( ) 0 f( ) 0 Tsirn h lngh e epn iperoleh engn menggni ines menji T+h ˆ ˆ ˆ T h T h ẐT h T hz p T h p Z f( T h ) f( T h ( 7 ) Nili T h 0 unu permln Z T+h Z T h, h 0 E ZT h TZ T,Z, f T h, h 0 n T h, h 0 E T h TZ T,Z, 0, h 3 Kjin Simulsi Simulsi menggunn Sofwre R versi 7, engn bnyny T = 300, 600, engn perulngn 000 li Unu mengifn fsilis pembe pechn (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 0,4 Prmeer n θ msing-msing 0,5, mengiui Disribusi Norml engn r-r nol n vrins Aursi pensirn prmeer ienun engn menghiung r-r n snr evisi ri 000 nili unu Moel ARFIMA Lngh-lngh lm melun simulsi ngin ARFIMA engn T = 300, 600 n perulngn sebny 00 li engn = 0, n 0,4 engn r-r nol n vrin Dengn Moel AR() n MA() msing-msing prmeerny 0,5 P Moel ARMA(,) prmeerny n θ = -0 gi menji u, yiu rining sebny T-0 perm n 0 erhir sebgi esing

5 Seminr Nsionl Memi 008 Universis Pjjrn Universis Inonesi T Unu permln Meoe ARIMA lun pemben p rining sebesr = 0, n 0,4, 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 eepn Tbel Nili MSE n Snr Devisi ri permln Moel ARFIMA Moel ARFIMA = 0, = 0,4 MSE SD(MSE) MSE SD(MSE) ARFIMA(,,0) 0,048 0,07 0,044 0,073 ARFIMA(0,,) 0,05 0,035 0,03 0,07 ARFIMA(,,) 0,086 0,3 0,096 0,4 ARFIMA(,,0) 0,045 0,066 0,049 0,073 ARFIMA(0,,) 0,05 0,036 0,08 0,04 ARFIMA(,,) 0,5 0,05 0,089 0,6 ersrn hsil simulsi p bel, Moel ARFIMA(,,0) n ARFIMA(0,,) lebih ur ibningn engn permln p Moel ARFIMA(,,) Dismping nili MSE, nili snr evisi ri moel ARFIMA(,,) relif lebih besr ibningn engn u moel linny 4 Kesimpuln ersrn hsil perbningn u meoe permln secr simulsi mp bhw Nili MSE secr eseluruhn memberin hsil yng cuup bi Meoe pensirn mellui pemben erlebih hulu ri long memory llu ilun permln engn Meoe ARIMA relif sm engn meoe pensirn mellui Meoe ARFIMA secr lngsung

6 Seminr Nsionl Memi 008 Universis Pjjrn Universis Inonesi DAFTAR PUSTAKA ern, J (994), Mximum Lielihoo Esimion of he Differencing Prmeer for Inverible Shor n Long Memory Auoregressive Inegre Moving Averge Moels, Journl of he Royl Sisicl Sociey, Vol 57, hl Cryer,J,D (986), Time Series Anlysis, PWS-KENT Publishing Compny, oson,usa Grnger, C W J n Joyeux,R (980), An Inroucion o Long-Memory Time Series Moels n Frcionl Differencing, Journl of Time Series Anlysis, Vol, hl 5-9 Hosing, JRM (98), Frcionl Differencing, iomei, Vol 68, hl Sowell, F (99), Mximum Lielihoo Esimion of Sionry Univrie Frcionlly Inegre Time Series Moels, Journl of economerics, Vol53, hl65 88

Perbandingan Metode Peramalan ARIMA dan ARFIMA pada Data Long Memory

Perbandingan Metode Peramalan ARIMA dan ARFIMA pada Data Long Memory 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

INTEGRAL TAK-WAJAR. bentuk tak-tentu karena bentuk ini saling membantu dan tidak bersaing.

INTEGRAL TAK-WAJAR. bentuk tak-tentu karena bentuk ini saling membantu dan tidak bersaing. INTEGRAL TAK-WAJAR A. Tk Terhingg Seip ilngn sli merupkn ilngn erhingg dn dp menykn sesuu yng nykny erhingg. Arisoeles menykn hw ilngn sli n dp ernili seesr-esrny epi ep erhingg dn idk kn pernh sm dengn

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

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

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

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

BEBERAPA SIFAT QUASI-IDEAL MINIMAL PADA RING TRANSFORMASI LINEAR V, W,

BEBERAPA SIFAT QUASI-IDEAL MINIMAL PADA RING TRANSFORMASI LINEAR V, W, BEBERAPA SIFAT QUASI-IDEAL MINIMAL PADA RING TRANSFORMASI LINEAR V,,, K r y t i Jurusn Pendidin Mtemti Fults Mtemti dn Ilmu Pengethun Alm Uniersits Negeri Yogyrt e-mil : ytiuny@yhoo.com Abstr Misln R dlh

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

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

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

RENCANA PELAKSANAAN PEMBELAJARAN

RENCANA PELAKSANAAN PEMBELAJARAN 7 RENCANA PELAKSANAAN PEMBELAJARAN M Peljrn : Memik Kels/ Semeser: XI Progrm IPA/ Aloksi Wku: 6 jm Peljrn ( Peremun) A. Sndr Kompeensi Menggunkn konsep i fungsi dn urunn fungsi dlm pemehn mslh. B. Kompeensi

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

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

BAB I PENDAHULUAN. Sebuah sistem sebarang yang terdiri dari m persamaan linear dengan n M M M M M

BAB I PENDAHULUAN. Sebuah sistem sebarang yang terdiri dari m persamaan linear dengan n M M M M M BAB I PENDAHUUAN Sebuh sistem sebrng yng teriri ri m persmn liner engn n bilngn tk ikethui kn ituliskn sebgi : x + x +... + n x n = b x + x +... + n x n = b n x + n x +... + nn x n = b n imn x, x,...,

Lebih terperinci

STRATEGI PENGAJARAN MATEMATIKA UNTUK MENENTUKAN AKAR-AKAR PERSAMAAN KUADRAT

STRATEGI PENGAJARAN MATEMATIKA UNTUK MENENTUKAN AKAR-AKAR PERSAMAAN KUADRAT Jurnl Vol II. No., Mret 08, hlm. 9-95 vilble online t www.jurnl.un.c.id/indeks/jmp STRTEGI PENGJRN MTEMTIK UNTUK MENENTUKN KR-KR PERSMN KUDRT Indh Purnm Putri, Symsudhuh, Ihd Hsbiyti 3 Progrm Studi Mgister

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

FUNGSI TRANSENDEN. Definisi 1 Fungsi logaritma natural, ditulis sebagai ln, didefenisikan dengan

FUNGSI TRANSENDEN. Definisi 1 Fungsi logaritma natural, ditulis sebagai ln, didefenisikan dengan 2 FUNGSI TRANSENDEN Fungsi trnsenen tu fungsi non-ljbr lh fungsi yng tik pt inytkn lm sejumlh berhingg opersi ljbr. Fungsi trnsenen yng bis ijumpi lm hl ini teriri ri fungsi eksponensil, fungsi logritmik,

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

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

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

PERTEMUAN 2 DASAR METODE NUMERIK

PERTEMUAN 2 DASAR METODE NUMERIK PERTEMUAN DASAR METODE NUMERIK Meri pd peremun ini:. Dlil-dlil dsr memik unuk meode numerik. Teori bilngn. Rl Seelh menyelesikn peremun ini, mhsisw dihrpkn dp menjelskn dlil dsr memik unuk meode numerik,

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

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

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

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

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

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

1001 Pembahasan UTS Aljabar Linear KATA PENGANTAR

1001 Pembahasan UTS Aljabar Linear KATA PENGANTAR KATA PENGANTAR Pemhsn UTS Aljr Liner Segin esr mhsisw mengnggp hw M Kulih ng erhuungn dengn menghiung ng slh sun Aljr Liner dlh sush rumi dn memusingn. Alhsil jln elur ng diempuh unu mengsin dlh mhsisw

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

BAB 6 INTEGRAL DAN PENGGUNAANNYA

BAB 6 INTEGRAL DAN PENGGUNAANNYA Dik Klih TK Memik BB 6 INTEGRL DN PENGGUNNNY 6 Inegrl Tken nirnn) F Fngsi F ise nirnn inegrl) ri f p inervl I jik f ) Jik ng ikehi lh f), nk menpkn F) ilkkn penginegrln Secr mm ilis, engn lh konsn Simol

Lebih terperinci

ANALISIS NUMERIK. Inter polasi. SPL simultan. Akar Persama. linear

ANALISIS NUMERIK. Inter polasi. SPL simultan. Akar Persama. linear ANALISIS NUMERIK Inter polsi SPL simultn Akr Persm n Non liner INTERPOLASI Tujun Interpolsi bergun untuk menksir hrg-hrg tengh ntr titik dt yng sudh tept. Interpolsi mempunyi orde tu derjt. Mcm Interpolsi

Lebih terperinci

ESTIMASI SISTEM ORDE DUA DENGAN MENGGUNAKAN PERANGKAT LUNAK MATLAB

ESTIMASI SISTEM ORDE DUA DENGAN MENGGUNAKAN PERANGKAT LUNAK MATLAB JETri, Volume, Nomor, Aguu, Hlmn 7-4, IN 4-37 ETIMAI ITEM ORE UA ENGAN MENGGUNAAN PERANGAT LUNA MATLAB Ru. Whjui oen Jurun Teknik Elekro-FTI, Univeri Triki Abrc Generll, he eign of conrol em begin wih

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

BAB IV PEMBAHASAN Variasi JG terhadap JL 6 m/s pada waktu 0,1 detik

BAB IV PEMBAHASAN Variasi JG terhadap JL 6 m/s pada waktu 0,1 detik BAB IV PEMBAHASAN 4.1. Hsil n Anlis P ini memhs hsil ri penelitin yng telh ilkukn yitu pol lirn ule ir-ur p pip horizontl. Pol lirn ule memiliki iri yitu erentuk gelemung ult yng ergerk ilm lirn. Simulsi

Lebih terperinci

MATEMATIKA INDUKSI MATEMATIKA CONTOH SOAL A. PENGERTIAN INDUKSI MATEMATIKA B. LANGKAH-LANGKAH INDUKSI MATEMATIKA

MATEMATIKA INDUKSI MATEMATIKA CONTOH SOAL A. PENGERTIAN INDUKSI MATEMATIKA B. LANGKAH-LANGKAH INDUKSI MATEMATIKA MATEMATIKA KELAS XII - KURIKULUM 0 Sesi INDUKSI MATEMATIKA A. PENGERTIAN INDUKSI MATEMATIKA Indusi mtemti merupn pembutin dedutif, mesi nmny indusi. Indusi mtemti tu disebut jug indusi lengp sering dipergunn

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

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

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 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pengertin Anlisis Regresi Sttisti merupn slh stu cbng ilmu pengethun yng pling bny mendptn perhtin dn dipeljri oleh ilmun dri hmpir semu ilmu bidng pengethun, terutm pr peneliti yng

Lebih terperinci

PROSIDING ISBN :

PROSIDING ISBN : PROSIDING ISBN : 978 979 6 T-6 PEMETAAN w DAN HASIL PEMETAANNYA Oleh : H. A. Prhusip dn Sulistono Progrm Studi Mtemti Industri dn Sttisti Fults Sins dn Mtemti FSM) Uniersits Kristen St Wcn UKSW) www.usw.edu)

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

PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO

PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO ISSN: 339-54 JURNAL GAUSSIAN, Volume 4, Nomor 4, Thun 05, Hlmn 037-044 Online di: h://eournl-s.undi.c.id/index.h/gussin PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN

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

Bab 7 TRANSFORMASI LINEAR

Bab 7 TRANSFORMASI LINEAR B 7 ANSFOMASI LINEA Ser mm trnsformsi (pemetn) iefinisin ri st himpnn e himpnn lin. P ini it n mempeljri trnsformsi ri st rng etor e rng etor yng lin sehingg opersi stnr p rng etor (penjmlhn n perlin engn

Lebih terperinci

MODUL VIII FISIKA MODERN Transformasi Lorentz

MODUL VIII FISIKA MODERN Transformasi Lorentz MODUL VIII FISIKA MODERN Trnsformsi Loren Tujun Insruksionl Umum : Agr mhsisw dp memhmi mengeni Trnsformsi Loren Tujun Insruksionl Khusus : Dp menjelskn enng kedu posul Einsein Dp menjelskn enng perbedn

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

Two-Stage Nested Design

Two-Stage Nested Design Mteri #13 TIN309 DESAIN EKSPERIMEN Two-Stge Nested Design Nested design dlh slh stu ksus dri desin multi fktor dimn level dri slh stu fktor (misl: fktor B) serup tpi tidk identik untuk setip level yng

Lebih terperinci

MAKALAH TUGAS AKHIR PENAKSIRAN PARAMETER MODEL ARIMA DENGAN MENGGUNAKAN ALGORITMA GENETIKA

MAKALAH TUGAS AKHIR PENAKSIRAN PARAMETER MODEL ARIMA DENGAN MENGGUNAKAN ALGORITMA GENETIKA MAKALAH TUGAS AKHIR PENAKSIRAN PARAMETER MODEL ARIMA DENGAN MENGGUNAKAN ALGORITMA GENETIKA Wiwi Yulii, Irhmh, d Dedy Dwi Prsyo 3 Mhsisw Jurus Sisi FMIPA-ITS (wiwi.yuliii@gmil.com) Dose Jurus Sisi FMIPA-ITS

Lebih terperinci

PERSAMAAN DAN PERTIDAKSAMAAN LOGARITMA

PERSAMAAN DAN PERTIDAKSAMAAN LOGARITMA K- Kels X mtemtik PEMINATAN PERSAMAAN DAN PERTIDAKSAMAAN LOGARITMA Tujun Pembeljrn Setelh mempeljri mteri ini, kmu dihrpkn memiliki kemmpun berikut.. Memhmi definisi persmn dn pertidksmn logritm.. Dpt

Lebih terperinci

Interpolasi. Umi Sa adah

Interpolasi. Umi Sa adah Interolsi Umi S dh Interolsi Perbedn Interolsi dn Ekstrolsi Interolsi Linier L Interolsi Kudrt L h h Interolsi Qubic L h h h Interolsi dg Polinomil 5 Tble : Si equidistntl sced oints in [- ] 5 -..846

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

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA Yogyakarta 2011

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA Yogyakarta 2011 Progrm Sudi M Kulih Pokok hsn : Memik : Geomeri : Kesengunn isusun oleh r. li Mhmudi FKULTS MTEMTIK N ILMU PENGETHUN LM UNIVERSITS NEGERI YOGYKRT Yogykr 0 Lemr Kegin Mhsisw Geomeri Lemr Kegin Mhsisw M

Lebih terperinci

ANALISIS PENGARUH STRATEGI BAURAN PEMASARAN TERHADAP MINAT BELI ULANG PRODUK BARU

ANALISIS PENGARUH STRATEGI BAURAN PEMASARAN TERHADAP MINAT BELI ULANG PRODUK BARU ANALISIS PENGARUH STRATEGI BAURAN PEMASARAN TERHADAP MINAT BELI ULANG PRODUK BARU Oleh : Bmng Srjono Sf Pengjr Polieknik Negeri Semrng Jl. Prof. Sudro SH. Temlng. Semrng 50275 Asrk Peneliin ini unuk mengehui

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

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

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

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

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

SELEKSI OLIMPIADE TINGKAT KABUPATEN/KOTA TAHUN 2002 TIM OLIMPIADE MATEMATIKA INDONESIA TAHUN 2003

SELEKSI OLIMPIADE TINGKAT KABUPATEN/KOTA TAHUN 2002 TIM OLIMPIADE MATEMATIKA INDONESIA TAHUN 2003 SELEKSI OLIMPIADE TINGKAT KABUPATEN/KOTA TAHUN 00 TIM OLIMPIADE MATEMATIKA INDONESIA TAHUN 00 Bidng Memik Wku : 90 Meni DEPARTEMEN PENDIDIKAN NASIONAL DIREKTORAT JENDERAL PENDIDIKAN DASAR DAN MENENGAH

Lebih terperinci

MODEL MATEMATIKA SIR

MODEL MATEMATIKA SIR MODEL MATEMATKA R (UCEPTBLE, NFECTON, RECOVERY UNTUK PENYEBARAN WABAH PENYAKT PADA UATU POPULA TERTUTUP Muhmd Zki Riynto NM: 2/56792/PA/8944 E-mil: zki@milugmcid http://zkimthwebid Dosen Pembimbing: Dr

Lebih terperinci

Seasonal ARIMA adalah model ARIMA yang mengandung faktor musiman.

Seasonal ARIMA adalah model ARIMA yang mengandung faktor musiman. Definisi Seasonal ARIMA adalah model ARIMA yang mengandung faktor musiman. Musiman berarti kecenderungan mengulangi pola tingkah gerak dalam periode musim, biasanya satu tahun untuk data bulanan. Karena

Lebih terperinci

BAB III METODOLOGI PE ELITIA

BAB III METODOLOGI PE ELITIA 24 BAB III METODOLOGI PE ELITIA Meodologi yng digunkn dlm peneliin ini merujuk pd proses Knowledge Discovery in Dbse (KDD). KDD merupkn nm lin dri D Mining yng bis digunkn dlm jurnl ilmih. Lngkh-lngkh

Lebih terperinci

PEMILIHAN METODE INTENSITAS HUJAN YANG SESUAI DENGAN KARAKTERISTIK STASIUN PEKANBARU

PEMILIHAN METODE INTENSITAS HUJAN YANG SESUAI DENGAN KARAKTERISTIK STASIUN PEKANBARU PEMILIHAN METODE INTENSITAS HUJAN YANG SESUAI DENGAN KARAKTERISTIK STASIUN PEKANBARU Yohnn Lilis Hndyni Jurusn Teknik Sipil Fkuls Teknik Universis Riu Kmpus Bin Widy Jl. H.R. Soebrns Km. 1,5 Peknbru emil

Lebih terperinci

Aljabar Linear Elementer

Aljabar Linear Elementer ljbr Liner Elementer M3 3 SKS Silbus : Bb I Mtriks dn Opersiny Bb II Determinn Mtriks Bb III Sistem Persmn Liner Bb IV Vektor di Bidng dn di Rung Bb V Rung Vektor Bb VI Rung Hsil Kli Dlm Bb VII Trnsformsi

Lebih terperinci

SOAL PREDIKSI UJIAN NASIONAL MATEMATIKA IPA 2015

SOAL PREDIKSI UJIAN NASIONAL MATEMATIKA IPA 2015 SOAL PREDIKSI UJIAN NASIONAL MATEMATIKA IPA 0 Pket Pilihlh jwbn yng pling tept!. Diberikn premis-premis berikut! Premis : Jik vektor dn b sling tegk lurus, mk besr sudut ntr vektor dn b dlh 90 o. Premis

Lebih terperinci

III. LIMIT DAN KEKONTINUAN

III. LIMIT DAN KEKONTINUAN KALKULUS I MUG1A4 PROGRAM PERKULIAHAN DASAR DAN UMUM PPDU TELKOM UNIVERSITY III. LIMIT DAN KEKONTINUAN 3.1 Limit Fungsi di Stu Titik Pengertin it secr intuisi Perhtikn ungsi 1 1 Fungsi dits tidk terdeinisi

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

BAB VIII INTEGRAL LIPAT DUA DENGAN MAPLE. integral lipat satu merupakan materi pendukung untuk pembahasan dalam materi

BAB VIII INTEGRAL LIPAT DUA DENGAN MAPLE. integral lipat satu merupakan materi pendukung untuk pembahasan dalam materi BAB VIII INTEGRAL LIPAT DUA DENGAN MAPLE A. Pengntr Konsep integrl tentu untuk fungsi engn stu peuh pt iperlus menji untuk fungsi engn nyk peuh.integrl fungsi stu peuh selnjutny kn inmkn integrl lipt stu,

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

Bab a. maka notasi determinan dari matriks A ditulis : det (A) atau. atau A.

Bab a. maka notasi determinan dari matriks A ditulis : det (A) atau. atau A. Bb DETERMINAN MATRIKS Determinn sutu mtriks dlh sutu fungsi sklr dengn domin mtriks bujur sngkr. Dengn kt lin, determinn merupkn pemetn dengn domin berup mtriks bujur sngkr, sementr kodomin berup sutu

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

4. SISTEM PERSAMAAN LINEAR

4. SISTEM PERSAMAAN LINEAR Persipn UN / Beh SKL http://vigt.worpress.om SMA Negeri Mlng Pge. SISTEM PERSAMAAN LINEAR A. Sistem Persmn Liner Du Vriel (SPLDV). Bentuk umum :. Dpt iselesikn engn metoe grfik, sustitusi, eliminsi, n

Lebih terperinci

FISIKA BESARAN VEKTOR

FISIKA BESARAN VEKTOR K-3 Kels X FISIKA BESARAN VEKTOR TUJUAN PEMBELAJARAN Setelh mempeljri mteri ini, kmu dihrpkn memiliki kemmpun berikut.. Memhmi pengertin besrn vektor.. Mengusi konsep penjumlhn vektor dengn berbgi metode.

Lebih terperinci

Aljabar Linear Elementer

Aljabar Linear Elementer ljbr Liner Elementer M SKS Silbus : Bb I Mtriks dn Opersiny Bb II Determinn Mtriks Bb III Sistem Persmn Liner Bb IV Vektor di Bidng dn di Rung Bb V Rung Vektor Bb VI Rung Hsil Kli Dlm Bb VII Trnsformsi

Lebih terperinci

PERSAMAAN LINIER. b a dimana : a, b, c, d adalah

PERSAMAAN LINIER. b a dimana : a, b, c, d adalah PERSAMAAN LINIER ). Persmn Linier Stu Vriel Bentuk umum : x, imn n konstnt Penyelesin : x Contoh : ). 5x x x 5 8 ). x 8 x x 8 ). Persmn Linier Vriel Bentuk umum : ). Persmn Linier Tig Vriel Bentuk umum

Lebih terperinci

Optimasi Training pada Jaringan Syaraf Tiruan menggunakan Algoritma Extended Kalman Filter

Optimasi Training pada Jaringan Syaraf Tiruan menggunakan Algoritma Extended Kalman Filter Optimsi rining pd Jringn Syr irun menggunn Algoritm Etended Klmn Filter Zqitud Droh qih@eepis-its.edu Abstr Proses trining pd ringn syr tirun (JS) eedorrd menggunn lgoritm onvension, seperti lgoritm bcpropgtion

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

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

ANALISIS DISPARITAS INPUT PEMBANGUNAN, 2010

ANALISIS DISPARITAS INPUT PEMBANGUNAN, 2010 BADAN PUSAT STATISTIK ANALISIS DISPARITAS INPUT PEMBANGUNAN, 2010 ABSTRAKSI Ltr belkng: 1. Pelksnn Otonomi Derh msih bnyk ditemukn permslhn kibt perbedn ltr belkng demogrfi, geogrfi, infrstruktur, ekonomi,

Lebih terperinci

PROBLEM SOLVING TERKAIT DENGAN KELAS X SEMESTER 1 PADA STANDAR KOMPETENSI (SK) 1.

PROBLEM SOLVING TERKAIT DENGAN KELAS X SEMESTER 1 PADA STANDAR KOMPETENSI (SK) 1. PROLEM SOLVING TERKIT DENGN KELS X SEMESTER PD STNDR KOMPETENSI (SK). LJR Memechkn mslh yng berkitn dengn bentuk pngkt, kr, dn logritm Oleh: Sigit Tri Guntoro. Du orng berselisih mengeni bnykny psngn bilngn

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