PEMODELAN DATA DERET WAKTU DENGAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE DAN LOGISTIC SMOOTHING TRANSITION AUTOREGRESSIVE
|
|
- Erlin Johan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai PEMODELAN DATA DERET WAKTU DENGAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE DAN LOGISTIC SMOOTHING TRANSITION AUTOREGRESSIVE Gusi Ayu Made Ara Puri 1, Ni Puu Nai Hedayai, Maulida Nurhidayai 3, STMIK STIKOM Bali 1, Isiu Agama Islam Negeri Poorogo 3 1 gusiayu.ara@gmail.com, ai@siom-bali.ac.id, 3 urhidayaimaulida@gmail.com Absrac Time series aalysis is a saisical aalysis ha ca be applied o daa relaed o ime. Modelig of ime series daa is widely associaed wih he process of forecasiga cerai characerisics i he comig period. Mos iflaio daa modelig is doe usig a liear ime series models such as Auoregressive Iegraed Movig Average (ARIMA). I fac oly he ARIMA model ca be applied o models of liear ime series daa. Models of ARIMA has' bee able o give good resuls whe he daa beig aalyzed is a oliear ime series daa. The iflaio daa, daa ha has a edecy o form paers of oliear daa so he applicaio of oliear ime series models ca be doe o he iflaio daa. Logisic model Smooig Threshold Auoregressive (LSTAR) is a ime series model ca be applied o daa ha follow oliearmodel. LSTAR he developed o daa-fiacial ad ecoomic daa such as iflaio. If he iflaio daa are modelled wih expeced LSTAR approach ca ge a beer resul because already doe smoohig i i. This research aims o ow he bes model ha ca be used o perform daa modelig iflaio. The resuls showed ha he resuls of he compariso of he MSE ad he RMSE for he model of ARIMA ad LSTAR. Based o hese resuls i is ow ha he model MSE has a value ad LSTAR RMSE smaller compared o ARIMA. So he model more appropriae LSTAR is used o model he daa of iflaio Key Words: ARIMA, LSTAR, Iflaio Absra Aalisis dere wau adalah suau aalisis saisia yag dapa dierapa pada daa yag berhubuga dega wau. Pemodela dari daa dere wau ii baya diaia dega proses peramala suau araerisi ereu pada periode medaag. Pemodela daa iflasi ebayaa dilaua dega megguaa model dere wau liier seperi Auoregressive Iegraed Movig Average ( ARIMA). Pada eyaaaya model ARIMA haya dapa dierapa pada model-model daa dere wau liier. Model ARIMA belum mampu memberia hasil yag bai eia daa yag diaalisis merupaa suau daa dere wau oliier. Daa iflasi, merupaa suau daa yag memilii ecederuga membeu pola daa yag oliier sehigga peerapa model dere wau oliier dapa dilaua pada daa iflasi ersebu. Model Logisic Smooig Threshold Auoregressive (LSTAR) adalah model dere wau yag dapa dierapa pada daa yag megiui model oliier. LSTAR emudia diembaga pada daa-daa eoomi da euaga seperi iflasi. Jia daa iflasi dimodela dega pedeaa LSTAR diharapa bisa medapaa hasil yag lebih bai area sudah dilaua peghalusa didalamya. Peeliia ii berujua uu megeahui model erbai yag dapa diguaa uu melaua pemodela daa iflasi. Hasil peeliia meujua bahwa hasil perbadiga MSE da RMSE uu model ARIMA da LSTAR. Berdasara hasil ersebu dieahui bahwa model LSTAR memilii ilai MSE da RMSE yag lebih ecil dibadiga dega ARIMA. Sehigga model LSTAR lebih sesuai diguaa uu memodela daa iflasi. Kaa Kuci: ARIMA, LSTAR, Iflasi 54 VOL.1 NO.1 SEPTEMBER 17 e-issn
2 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai I. PENDAHULUAN Ruu wau ( Time Series) adalah seragaia pegamaa erhadap suau variabel yag diambil dari wau e wau da dicaa secara berurua meuru urua ejadiaya dega ierval wau yag eap [1]. Aalisis dere wau pada dasarya diguaa uu melaua aalisis daa yag memperimbaga pegaruh wau. Aalisis dere wau dapa dilaua uu membau dalam meyusu perecaaa edepa. Pemodela dari daa dere wau ii baya diaia dega proses peramala suau araerisi ereu pada periode medaag. Peramala sediri merupaa suau pedugaa aau periraa suau eadaa di masa yag aa daag berdasara eadaa masa lalu da searag yag diperlua uu meeapa apa suau perisiwa aa erjadi, sehigga idaa yag epa dapa dilaua Pada ebayaa peramala daa dere wau, meode yag palig serig diguaa adalah expoeial smoohig, Auoregressive Iegraed Movig Average ( ARIMA) aau regresi. Beberapa pedeaa ersebu baya diguaa pada daadaa dere wau yag megiui suau pola yag liier da meujua hasil yag urag memuasa eia daa yag diaalisis merupaa suau daa yag megalami gaggua oise aau daa-daa yag berfluuasi secara esrim. Adaya daa esrim pada suau daa ime series megaibaa aalisis yag dilaua serigali mejadi bias, aau ida mecermia feomea yag sebearya. Pada eyaaaya model ARIMA haya dapa dierapa pada model-model daa dere wau liier. Model ARIMA belum mampu memberia hasil yag bai eia daa yag diaalisis merupaa suau daa dere wau oliier. Daa iflasi, merupaa suau daa yag memilii ecederuga membeu pola daa yag oliier sehigga peerapa model dere wau oliier dapa dilaua pada daa iflasi ersebu. Model Logisic Smoohig Trasiio Auoregressive (LSTAR) adalah model dere wau yag dapa dierapa pada daa yag megiui model oliier. LSTAR emudia diembaga pada daa-daa eoomi da euaga seperi iflasi. Jia daa iflasi dimodela dega pedeaa LSTAR diharapa bisa medapaa hasil yag lebih bai area sudah dilaua peghalusa didalamya. Pada ahu 11 [] melaua peeliia eag SETAR uu pemodela daa dere wau yag oliier. [3] meerapa meode LSTAR uu daa-daa yag megiui daa dere wau oliier uu meeua suau esimasi yag robus. Pada ahu 11, [4] megguaa model dere wau oliier LSTAR uu memodela daa ilai uar da melaua peramala berdasara model yag diperoleh. Membadiga performa iga model (AR, ESTAR da LSTAR) uu peramala reur saham Malaysia Airlies (MA) da medapaa model LSTAR sebagai model erbai dega ilai eredah da ilai saisi LM yag lebih iggi dari edua model laiya [5]. Iflasi adalah proses meigaya hargaharga. Defiisi lai megaaa bahwa iflasi adalah erjadiya eaia iga harga osume da/aau meuruya ilai uag. Aga iflasi diperoleh dari perubaha ides harga osume (IHK). Uu meghiug IHK saa ii 774 omodias aas dasar survey biaya hidup ahu 7 yag dilaua di 66 oa. Dampa besara aga iflasi aa bergaug pada sruur osumsi da ualias barag yag diosumsi oleh suau rumah agga. Iflasi memilii dampa posiif da egaive ergaug pada besar ecilya ilai iflasi. Apabila iflasi iu riga (ecil), jusru mempuyai pegaruh yag posiif dalam ari dapa medorog pereoomia mejadi lebih bai, yaiu meigaya pedapaa asioal yag membua orag bergairah uu beerja, meabug, da megadaa ivesasi. Sebaliya, iflasi yag parah(besar) yaiu pada saa erjadi iflasi yag a eredali, eadaa eoomi mejadi acau da lesu. Iflasi saga peig uu dieahui secara lebih spesifi area aa berpegaruh erhadap pereoomia. Periraa ilai iflasi ii aa memberia gambara bagaimaa eadaa pereoomia pada masa yag aa daag sehigga pegambila ebijaa uu sabilias eoomi dapa dilaua. 55 VOL.1 NO.1 SEPTEMBER 17 e-issn
3 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai Berdasara papara diaas da peigya megeahui predisi dari iflasi, pada peeliia ii dilaua pemodela daa iflasi dega megguaa model ARIMA da LSTAR sehigga diperoleh model yag memilii error yag ecil. A. Aalisi Dere Wau Daa dere wau adalah sebuah umpula observasi erhadap ilai-ilai sebuah variabel dari beberapa periode yag reguler, seperi haria, miggua, bulaa, uarala, ahua, dll. Daa dere wau yag merupaa daa haria dapa berupa daa harga saham, da lapora cuaca. Daa miggua dapa berupa iformasi uag yag beredar. Daa uarala dapa berupa daa PDRB da daa ahua dapa berupa daa aggara pemeriah. Suau daa yag dimodela dega aalisis dere wau dapa diasumsia bahwa daa ersebu dalam eadaa sasioer. Ariya ida erjadi red dalam mea da varia. Dalam aalisis dere wau, daa diharapa megiui proses soasi yaiu suau proses yag diyaaa dalam suau variabel radom dioasia dega yag mempuyai fugsi epadaa. Ariya daa dere wau pada mempuyai ilai suau disribusi probabilias. secara aca dari B. Fugsi Auoovaria da Fugsi Auoorelasi Suau proses yag sasioer {Z } memilii mea E() Z da varia Var()() Z E Z yag masig-masig merupaa suau osaa emudia covaria Cov( Z,) Z merupaa suau fugsi dari s perbedaa wau. Covaria aara da didefiisia sebagai beriu: Cov( Z,)()() Z E Z Z (1) Korelasi aara Z da (,) Z adalah Cov Z Z () Var()() Z Var Z dega Var(Z)(Z) Var. Uu suau proses yag sasioer, fugsi auoovaria da fugsi auoorelasi memilii sifa-sifa sebagai beriu: 1. Var(); Z 1.. ; 1. da uu semua. da adalah fugsi geap yag simeris pada lag =. Berdasara sifa ersebu, fugsi auoorelasi selalu digambara pada lag yag ida egaif yag selajuya disebu sebagai correlogram [1]. C. Fugsi Auoorelasi Parsial Auoorelasi parsial diguaa uu meguur orelasi aara da seelah meghilaga aau memisaha depedesi liier pada variabel Z 1, Z,..., Z 1 erhadap Z da diyaaa sebagai: Corr(Z, Z Z, Z,..., Z) (3) 1 1 Auoorelasi parsial dapa diperoleh berdasara model regresi dega variabel depede adalah Z da variabel idepede adalah Z 1, Z... Z sehigga model yag erbeu adalah Z Z Z... Z e (4) 1 1 D. Proses Auoregressive (AR) Proses auoregressive diguaa uu meggambara suau odisi dimaa ilai searag dari suau dere wau bergaug pada ilai sebelumya diambah dega radom soc. Meuru [1] beu umum dari model auoregressive orde p adalah Z Z Z Z a (5) 1 1 p p 56 VOL.1 NO.1 SEPTEMBER 17 e-issn
4 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai aau dega B Z a (6) p p Z p B 11 B B pb Z E. Proses Auoregressive Movig Average Model ARIMA merupaa gabuga aara model Auoregressive(AR) da Movig Average (MA) sera proses differecig (orde d uu o musima, da D uu musima) erhadap daa ime series. Secara umum, model ARIMA o musima dapa diulis sebagai ARIMA (p,d,q) dega beu umum adalah sebagai beriu [1]. d 1 B B Z B a (7) p q dega (p,d,q) : orde AR(p), orde differecig (d), da orde MA (q) B : oefisie ompoe AR orde p p q a B : oefisie ompoe MA orde q : oefisie re deermiisic : ilai residual pada saa Ideifiasi model ARIMA dapa dilaua dega meiliha plo ime series, plo ACF, da PACF. Plo ACF da PACF diguaa uu meeua orde p da orde q dari model ARIMA o musima. Secara eoriis, beu-beu plo ACF da PACF dari model ARIMA diujua pada Tabel 1 beriu [1]. Tabel 1. Beu ACF da PACF eoriis ARIMA Model ACF PACF AR(p) Turu cepa secara espoesial (dies dow) Terpuus sealah lag p MA(q) ARMA(p,q) Terpuus seelah lag q Turu cepa secara espoesial Turu cepa secara espoesial (dies dow) Turu cepa secara espoesial 57 meuju ol meuju ol Meode esimasi parameer model ARIMA megguaa meode leas square esimaio. Uu model AR(1), model ii dapa diliha sebagai model regresi. Meode LS merupaa suau meode yag dilaua dega cara mecari ilai parameer yag memiimuma jumlah uadra esalaha (selisih aara ilai acual da ramala) yag diyaaa dalam persamaa beriu. VOL.1 NO.1 SEPTEMBER 17 e-issn S, a Y Y 1 (8) Berdasara prisip dari meode LS, peasira da dilaua dega memiimum S,. Hal ii dilaua dega meurua S, erhadap da emudia disamadegaa ol. Memiimum S, erhadap meghasila S, Y Y 1 1 (9) Sehigga diperoleh ilai asira parameer uu dari model AR(1) sebagai beriu Y 1 Y 11 Uu besar, dapa diulis sebagai beriu Y Y Y (1) (11) Berdasara persamaa (11) beu persamaa (1) dapa diulisa seperi persamaa (1) beriu Y 1 11 Y Y 1 Y 1 1 Y Y (1)
5 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai Dega cara yag sama, persamaa (8) diurua erhadap meghasila beu persamaa (13). S, Y Y Y 1 Y Y 1 Y (13) Sehigga diperoleh ilai asira parameer uu dari model AR(1) sebagai beriu Y Y Y 1 Y Y 1 Y (14) F. Uji Sasioerias Asumsi sasioerias daa merupaa sifa yag peig. Pada model sasioer, sifa-sifa saisic di masa yag aa daag dapa diramala berdasara daa hisoris yag elah erjadi dimasa yag lalu. Pegujia sasioerias dari suau daa ime series dapa dilaua dega beberapa cara. Aara lai [6]: 1. Pedeesia eidasasioera daa dalam mea dapa dilaua dega megguaa plo dari daa ime series, plo PACF, da plo ACF.. Pedeesia eidasasioera daa dalam varia dapa megguaa plo ACF/PACF dari residual uadraya. 3. Pedeesia eidasasioera daa dilaua dega megguaa uji aar ui. Pegujia dega megguaa aar ui dilaua uu megamai apaah daa ime series memilii ompoe re berupa radom wal dalam daa. Salah sau meode yag dapa diguaa adalah Augmeed Dicey Fuller. Pegujia dega ADF dilaua dega megguaa H : ρ= (erdapa aar ui) dega persamaa regresiya adalah Z Z Z a (15) 1 j j j1 Hipoesis ol ersebu diola jia ilai saisic uji ADF memilii ilai urag dari ilai daerah riisya. Jia hipoesis ol diola, dapa disimpula bahwa daa sasioer (ida megadug aar ui). Di dalam megapliasia uji ADF, perama-ama harus meeua bayaya lag dari ompoe deferes yag aa dimasua e dalam model. Dalam prai, biasaya dipilih yag dapa meghapus orelasi serial dari residual, yag dapa diliha dega lag yag masih sigifia dalam model regresi ADF. Selajuya perlu dispesifiasia apaah dalam model harus dimasua ompoe osaa, osaa diambah ompoe re, aau memasua eduaya. Salah sau pedeaa yag mugi dilaua adalah memasua edua ompoe osaa da re dalam model area edua eadaa lai adalah asus husus dari eadaa ii[6]. G. Proses dere Wau Noliier Meuru [1] proses dere wau dapa diulisa sebagai beriu Z a a a a a a... (16) i i i, j i j i, j, i j i i j i j Jia proses Z pada persamaa ( 16) haya erdiri dari suu perama maa proses yag erjadi adalah proses liier. Jia proses Z pada persamaa (16) erdiri dari suu perama da suu yag lai maa proses yag erjadi adalah proses oliier [1]. H. Uji Noliier Uji oliierias dilaua uu megeahui apaah suau daa megiui pola liier aau oliier. Beberapa uji oliierias yaiu uji erasvira da uji whie. Kedua uji ersebu ermasu uji oliierias yag ida mesyaraa suau model oliierias ereu. 1. Uji Terasvira Uji oliierias yag ermasu uji elompo Lagrage Muliplier yag diembaga dari model eural ewor. Prosedur uu medapaa ilai saisi uji F adalah sebagai beriu [7]: a) Meregresia Z dega 1, Z Z,..., Z 1, p da meghiug 58 VOL.1 NO.1 SEPTEMBER 17 e-issn
6 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai residual a sera meghiug jumlah uadra residual. SSR T a (8) 1 b) Meregresia a 1, Z Z,..., Z dega 1, p da m predior ambaha yag merupaa suu ubi aau uadrai yag merupaa hasil pedeaa espasi Taylor. Meghiug residual v sera meghiug jumlah uadra residual. SSR T v (9) 1 c) Meghiug ilai F F SSR SSR / m (17) SSR /( N p 1) m dega N adalah jumlah pegamaa Dibawah hipoesis liierias dalam mea, ilai F dideai dega disribusi F dega deraja bebas m da N p 1 m.. Uji Whie Uji whie adalah salah sau uji oliier yag [8]. Uji ersebu didasara pada ei pemodela eural ewor da merupaa uji dalam elompo Lagrage Muliplier(LM) dega meambaha ui ersembuyi ( hidde uis) uu jariga liier. Prosedur uu medapaa ilai saisi uji F adalah sebagai beriu a) Meregresia Z dega 1, Z Z,..., Z 1, p da meghiug residual a sera meghiug jumlah uadra residual. SSR T a (18) 1 b) Meregresia a 1, Z Z,..., Z dega 1, p da m predior ambaha yag merupaa ilai dari fugsi disribusi umulaif dari logisi w yaiu 1 ( ') w 1. Meghiug residual v sera meghiug jumlah uadra residual. ' 1 e VOL.1 NO.1 SEPTEMBER 17 e-issn T SSR v (19) 1 c) Meghiug ilai F F SSR SSR / m () SSR /( N p 1) m dega N adalah jumlah pegamaa.. Dibawah hipoesis liierias dalam mea, ilai F dideai dega disribusi F dega deraja bebas m da N p 1 m. I. Model Threshold Auoregressive (TAR) TAR adalah aleraif model uu medesripsia dere wau periodi. Model ii dimoivasi oleh beberapa araerisi oliier yag biasa diemua dalam ehidupa sehari-hari seperi adaya asimeri dalam pola uru da ai suau proses, feomea lompaa, sera freuesi eergauga ampliudo yag ida dapa diagap oleh model dere wau liier. Model ii meguaa hreshold uu meigaa pedeaa liier. Model TAR dapa diulisa sebagai beriu: p p Zd Z iz i izi I a i1 i1 (1) dega Z : daa dere wau d : parameer delay : parameer loasi (hreshold) : parameer sala I (.) : fugsi peghalus yag dapa berupa suau fugsi logisi, espoesial, maupu suau fugsi idiaor. J. Logisic Smoohig Trasiio Auoregressive (LSTAR) Smooh Trasiio Auoregressive (STAR) adalah model regime swichig mirip dega model SETAR amu memugia uu elacara 59
7 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai rasisi aara rezime. Telah dieala secara rici misalya [7]. Umumya sebuah proses STAR orde p didefiisia oleh Y X (1)() 1 G Z X G S ;, c a () Dua piliha popular uu fugsi Smooh Trasiio Auoregressive (STAR) adalah fugsi logisi da fugsi espoesial. Kedua piliha ersebu memilii beu perbedaa dalam beu fugsi rasisi peghalus yag diguaa. Fugsi Logisic Smoohig Trasiio Auoregressive dijelasa pada persamaa beriu: 1 G S;, c, (3) () Z c 1 e K. Uji Sigifiasi Parameer Model dere wau dibagu dega melaua ideifiasi da esimasi parameer dari model. Misala i adalah esimasi dari i. Uji sigifia parameer dapa dilaua dega ahapa beriu 1. Meeapa hipoesis H : i H : i,dega i 1,,...,. Saisi uji i Var i Dega deraja bebas=n-m, N adalah bayaya pegamaa da M adalah bayaya parameer dalam model. 3. Krieria peolaa H Tola H jia dega df=n-m, N, df adalah bayaya pegamaa da M adalah bayaya parameer dalam model. L. Krieria Pemiliha Model Terbai Aaie s Iformaio Crieria (AIC) adalah suau rieria pemiliha model erbai yag dipereala oleh Aaie dega memperimbaga bayaya parameer dalam model. Semai ecil ilai AIC yag diperoleh semai bai model yag diguaa. Krieria AIC dapa dirumusa sebagai beriu: AIC() M l masimum lielihood M SSE N l M N dega SSE : sum square error M : baya parameer dalam model (4) II. METODOLOGI PENELITIAN Pada peeliia ii, daa yag diguaa adalah daa seuder yag merupaa daa ime series bulaa iflasi asioal periode Jauari 1 higga Desember 16. Aalisis daa dilaua dalam ahap yaiu pemodela daa iflasi dega megguaa model liier ARIMA da model oliier LSTAR. Seelah diperoleh model dari daa ersebu selajuya dibadiga dega megguaa rieria AIC miimium uu memperoleh model yag memberia hasil memiimuma error. Aalisis dilaua dega sofware R dega Pacage sdy, series, da forecas. Lagah-lagah pemodela daa iflasi asioal dega model liier ARIMA da model oliier LSTAR dijabara sebagai beriu 1. Plo ime series.. Pegujia sasioerias daa. 3. Pemodela dega ARIMA. - Plo ACF da PACF. - Meeua orde p, d, da q. - Mecari model ARMA erbai. - Esimasi parameer model. 4. Pemodela dega LSTAR -Pegujia oliierias dega whie es. - Plo ACF da PACF. -Meeua orde LSTAR. -Meeua reag delay. -Mecari model LSTAR erbai -Esimasi parameer model. 5. Pemiliha model erbai (Perbadiga MSE aara ARIMA da LSTAR). 6. Ierpreasi model. 6 VOL.1 NO.1 SEPTEMBER 17 e-issn
8 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai III. HASIL DAN PEMBAHASAN INFLAS I Gambar 1 Iflasi Nasioal 1-16 Gambar 1 meujua perembaga iflasi asioal Idoesia dari Jauari 1 higga Desember 16. Iflasi asioal Idoesia megalami perubaha dari wau e wau. Iflasi erigi erjadi pada bula Oober 5 yaiu sebesar 8,7 da berbeda dega iflasi pada bula-bula sebelumya. Hal ii dapa beraiba daa dere wau yag erbeu merupaa daa dere wau yag ida liier (oliier). Uu membuia secara saisic dilaua pegujia oliierias dega meode Whie es da Terasvira uu meliha bagaimaa pola daa dere wau yag erbeu. yag sasioer dibuuha uu melaua aalisis da meghasila hasil yag lebih sesuai. Pegujia sasioerias dilaua dega megguaa meode ADF (Augmeed Dicey - Fuller Tes). Hasil pegujia dega ADF dapa diliha pada Tabel 3. Hasil yag diperoleh meujua bahwa iflasi asioal elah sasioer dalam mea area ilai p-val yag diperoleh urag dari,5. 1. Pemodela daa iflasi dega ARIMA Uu memodela daa dega ARIMA perlu dieua erlebih dahulu orde p,d,da q. orde ii dieua berdasara ACF da PACF. Grafi ACF da PACF diujua pada Gambar da Gambar 3. Auocorrelaio Auocorrelaio Fucio for iflasi (wih 5% sigificace limis for he auocorrelaios) Lag Gambar Plo ACF Tabel. Pegujia Noliierias Meode X p-val Whie 7,6467,185 Tes Terasvira 7,46,397 Tabel meujua hasil pegujia oliierias dari daa iflasi dega megguaa meode Whie es da Terasvira. Berdasara hasil yag diperoleh dieahui bahwa masigmasig meode memilii ilai p-val yag urag dari,5 sehigga daa iflasi asioal periode 1-16 memiili pola oliier. Tabel 3. Pegujia Sasioerias Variabel Nilai ADF p-val Iflasi -5,5995,1 pemiliha model erbai da diperoleh model erbai adalah ARIMA (,,1). Hasil esimasi Uu dapa melaua aalisis lebih laju parameer mode ARIMA (,,1) diujua pada perlu dilaua pegujia sasioerias uu Tabel 4. megeahui apaah daa sasioer. Karea daa 61 VOL.1 NO.1 SEPTEMBER 17 e-issn Parial Auocorrelaio Parial Auocorrelaio Fucio for iflasi (wih 5% sigificace limis for he parial auocorrelaios) Lag Gambar 3 Plo PACF Berdasara Gambar da Gambar 3 dapa diduga bahwa orde uu p=1, q=1, da d= area daa iflasi elah sasioer. Selajuya dilaaa
9 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai Tabel 4. Esimasi Parameer Model ARIMA Sd. Esimae Error value Pr(> z ) MA(1) Cos Berdasara Tabel 4 dieahui bahwa esimasi parameer MA (1) sebesar -,71 da osaa sebesar,587. Nilai p-value dari edua perameer ersebu berilai urag dari,5 sehigga parameer ersebu sigifia erhadap model. Sehigga model ARIMA yag erbeu adalah sebagai beriu y a, 71a 1,587 (5). Pemodela daa iflasi dega LSTAR Uu memodela daa dega LSTAR perlu dieua erlebih dahulu orde m. orde ii dieua berdasara PACF. Berdasara Gambar 3 dieahui bahwa orde m=1. Sehigga esimasi parameer model LSTAR diduga dega megguaa m=1. Hasil esimasi parameer model LSTAR diujua pada Tabel 5. Tabel 5. Esimasi Parameer Model LSTAR Sd. Esimae Error value Pr(> z ) cos.l phil cos.h phih gamma h e- 16 Hasil esimasi parameer meujua bahwa parameer delay=1 dega rasisi. Berdasara Tabel 5 dieahui bahwa parameer dari model LSTAR memilii ilai p-val urag dari,5 yag berari model sigifia eapi gamma ida sigifia. Model LSTAR dapa diujua pada persamaa beriu 1 y,68,993y ( y1,73) e 1, 346,881y 1 a 1( y 1,73) 1 e 3. Perbadiga Model ARIMA da LSTAR Uu megeahui model yag palig bai dilaua dega megguaa rieria MSE da RMSE. Hasil perbadiga model diujua pada Tabel 6 beriu. Tabel 6. Esimasi Parameer Model LSTAR Krieria Kebaia Model Model MSE RMSE ARIMA,633,796 LSTAR,68,78 Tabel 6 meujua hasil perbadiga MSE da RMSE uu model ARIMA da LSTAR. Berdasara hasil ersebu dieahui bahwa model LSTAR memilii ilai MSE da RMSE yag lebih ecil dibadiga dega ARIMA. Sehigga model LSTAR lebih sesuai diguaa uu memodela daa iflasi. IV. KESIMPULAN DAN SARAN Berdasara hasil peeliia yag elah dilaua diperoleh esimpula hasil perbadiga MSE da RMSE uu model ARIMA da LSTAR. Berdasara hasil ersebu dieahui bahwa model LSTAR memilii ilai MSE da RMSE yag lebih ecil dibadiga dega ARIMA. Sehigga model LSTAR lebih sesuai diguaa uu memodela daa iflasi. V. DAFTAR PUSTAKA [1] W. W. S. Wei, Time Series Aalysis Uivariae ad Mulivariae Mehods. New Yor: Pearso, 6. [] J. Li, Boosrap Predicio Iervals for SETAR models, I. J. Forecas., hal. 3 33, 11. [3] S. Beiros, A robus Algorihm for Parameer Esimaio i Smooh Trasiio Auoregressive Models, Eco. Le., hal , 9. [4] J. B. Li, C.. Liag, da M.. Yeh, Examiig Noliier Dyamics of Exchage raes ad Forecasig Performace based o he Exchage rae pariy of four Asia Ecoomies, Jp. World Eco., hal , 11. [5] S. Rohai, F. Yusof, da I. L. Kae, Noliear Smooh Trasiio Auooregressive (STAR)-Type Modellig ad Forecasig o 6 VOL.1 NO.1 SEPTEMBER 17 e-issn
10 Pemodela Daa Dere Wau Dega Auoregressive Iegraed Movig Average Da Logisic Smoohig Trasiio Auoregressive Gusi Ayu Made Ara Puri, Ni Puu Nai Hedayai, Maulida Nurhidayai Malaysia Airlies (MAS) Soc Reurs, J. Teol., vol. 11, hal , 15. [6] D. Rosadi, Aalisis Eoomeria da Ruu Wau Terapa dega R. Yogyaara: ANDI, 11. [7] T. Terasvira, C.. Li, da C. Grager, Power of The Neural Newor Lieariy Tes, J. Time Ser. Aal., hal. 9, [8] T. H. Lee, H. Whie, da C. Grager, Tesig for Negleced Nolieariy i Time Series Model, J. Ecoom., hal. 69 9, VOL.1 NO.1 SEPTEMBER 17 e-issn
BAB II KAJIAN PUSTAKA. dalam waktu (Hanke&Winchern, 2005: 58). Metode time series adalah metode
BAB II KAJIAN PUSTAKA A. Time Series Time series aau ruu wau adalah himpua observasi daa eruru dalam wau (Hae&Wicher, 005: 58). Meode ime series adalah meode peramala dega megguaa aalisa pola hubuga aara
Lebih terperinciPROSIDING ISSN:
PROSIDING ISSN: 5-656 OPTIMISASI BERKENDALA MENGGUNAKAN METODE GRADIEN TERPROYEKSI Nida Sri Uami Uiversias Muhammadiyah Suraara idaruwiyai@gmailcom ABSTRAK Dalam ulisa ii dibahas eag meode gradie erproyesi
Lebih terperinciPeramalan Banyaknya Obat Parasetamol Dan Amoksilin Dosis 500 mg Yang Didistribusikan Oleh Dinkes Surabaya
Peramala Bayaya Oba Paraseamol Da Amosili Dosis 00 mg Yag Didisribusia Oleh Dies Surabaya Realia Puspia, da Heri Kuswao Jurusa Saisia, Faulas Maemaia da Ilmu Pegeahua Alam, Isiu Teologi Sepuluh Nopember
Lebih terperinciBAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai
BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala (orecasig) Peramala (orecasig) adalah suau kegiaa yag memperkiraka apa yag aka erjadi pada masa medaag. Peramala pejuala adalah peramala yag megkaika berbagai
Lebih terperinciPEMODELAN MIXTURE AUTOREGRESSIVE (MAR) DENGAN PENDEKATAN ALGORITMA EM (Studi Kasus Pada Indeks Harga Saham Nikkei 225) ABSTRAK
PEMODELAN MIXURE AUOREGRESSIVE (MAR) DENGAN PENDEAAN ALGORIMA EM (Sudi asus Pada Ides Harga Saham Niei 5) Nama NRP Pembimbig Co-Pembimbig Diyah Meriaa Hisorii 36..3 Prof. Drs. H. Nur Iriawa, M.Iom., Ph.D.
Lebih terperinciPERAMALAN RUNTUN WAKTU MUSIMAN DENGAN MENGGUNAKAN METODE WAVELET. Elfa Rafulta. STKIP YDB Lubuk Alung ABSTRACT
PERAMALAN RUNTUN WAKTU MUSIMAN DENGAN MENGGUNAKAN METODE WAELET Elfa Rafula STKIP YDB Lubu Alug ABSTRACT Forecasig is oe of impora higs i maig decisio. Forecasig s par had covered o may fields, such as
Lebih terperinciBAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu
BAB 2 TINJAUAN TEORI 2.1 Pegeria Peramala Ramala pada dasarya merupaka dugaa aau perkiraa megeai erjadiya suau kejadia aau perisiwa di waku yag aka daag. Peramala merupaka sebuah ala bau yag peig dalam
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
PENDAHULUAN Laar Belaag Pasar saham meruaa salah sau ema aleraif ivesasi yag elah berembag cuu esa di Idoesia. Saham dieal memilii araerisi high ris-high reur. Ariya saham meruaa sura berharga yag memberia
Lebih terperinciJMP : Volume 1 Nomor 1, April 2009 UJI LINEARITAS BERDASARKAN ESTIMASI MEAN DAN VARIANSI BERSYARAT UNTUK PROSES RUNTUN WAKTU
JMP : Volume Nomor, April 009 UJI LINEARITAS BERDASARKAN ESTIMASI MEAN DAN VARIANSI BERSYARAT UNTUK PROSES RUNTUN WAKTU Supriyao Program Sudi Maemaia, Faulas Sais da Tei Uiversias Jederal Soedirma, Purwoero
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN EORI 2.1 Pegeria Peramala Peramala adalah kegiaa uuk memperkiraka apa yag aka erjadi di masa yag aka daag. Sedagka ramala adalah suau siuasi aau kodisi yag diperkiraka aka erjadi pada masa
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 terperinciBAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak
BB V NLIS HSIL 5.1 Ukura kurasi Hasil Peramala Uuk medapaka jeis peramala yag digika erdapa bayak parameer-parameer yag dapa diguaka. Seperi yag elah diuraika pada ladasa eori, parameer-parameer ersebu
Lebih terperinciBAB 3 PENYELESAIAN PERSAMAAN DIFFERENSIAL BIASA
BAB PENYELESAIAN PERSAMAAN DIFFERENSIAL BIASA Meode Euler Meode Euler adala Meode ampira palig sederaa uu meelesaia masala ilai awal: ( Biasaa diasumsia bawa peelesaia ( dicari pada ierval erbaas ag dieaui
Lebih terperinciEksistensi Solusi Persamaan Lyapunov pada Sistem Linear Waktu Diskrit atas Ring Komutatif
Prosidig SI MaNIs (Semiar Nasioal Iegrasi Maemaia da Nilai Islami) Vol1, No1, Juli 2017, Hal 306-311 p-issn: 2580-4596; e-issn: 2580-460X Halama 306 Esisesi Solusi Persamaa Lyapuov pada Sisem Liear Wau
Lebih terperinciBAB METODOLOGI. Bab 2 Metodologi berisikan :
BAB METODOLOGI Bab Meodologi berisika :.. Pegambila Sampel.. Peramala Nilai Iflasi melalui Ideks Harga Kosume Megguaka Meode ARIMA.3. Akumulasi Prese Value melalui Buga Sederhaa dalam Perhiuga Harga Barag
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 terperinciPrediksi Penjualan Sepeda Motor Merek X Di Kabupaten Dan Kotamadya Malang Dengan Metode Peramalan Hierarki
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (4) 337-35 (3-98X Pri) D-34 Sepeda Moor Merek X Di Kabupae Da Koamadya Malag Dega Meode Peramala Hierarki Rika Susai, Desri Susilaigrum, da Suharoo Jurusa Saisika,
Lebih terperinciBAB 2 LANDASAN TEORI. Metode peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala Meode peramala merupaka bagia dari ilmu Saisika. Salah sau meode peramala adalah dere waku. Meode ii disebu sebagai meode peramala dere waku karea memiliki kareserisik
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 II TINJAUAN PUSTAKA
ADLN - Perusaaa Uiversias Airlagga BAB II TINJAUAN PUSTAKA. Kose Daa Time Series Time Series meuru Aswi da Suara (6) meruaa seragaia daa egamaa yag erjadi berdasara ides wau secara berurua dega ierval
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3 Meode Pegumpula Daa 3 Jeis Daa Pada peeliia ii aka megguaka jeis daa yag bersifa kuaiaif Daa kuaiaif adalah daa yag berbeuk agka / omial Dalam peeliia ii aka megguaka daa pejuala
Lebih terperinciKRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB
KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB Sudi kelayaka bisis pada dasarya berujua uuk meeuka kelayaka bisis berdasarka krieria ivesasi Krieria ersebu diaaraya adalah ; 1. Nilai bersih kii (Ne
Lebih terperinciJurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN
Jural Rekursif, Vol 3 No Mare 05, ISSN 303-0755 PERBANDINGAN KEAKURATAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DAN EPONENTIAL SMOOTHING PADA PERAMALAN PENJUALAN SEMEN DI PT SINAR ABADI
Lebih terperinciUJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST
Vol. 7. No. 3, 36-44, Desember 004, ISSN : 1410-8518 UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Budi Warsio, Dwi Ispriyani Jurusan Maemaia FMIPA Universias Diponegoro Absra Tulisan ini membahas
Lebih terperinciBAB III 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 terperinciAnalisis Reliabilitas Transformator (Trafo) di PT. PLN APJ Surabaya Barat dengan Pendekatan Bayesian Mixture
JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) 2337-3520 (2301-928X Pri) D-85 Aalisis Reliabilias Trasformaor (Trafo) di PT. PLN APJ Surabaya Bara dega Pedeaa Bayesia Mixure Zaiiyah H. Paramia, Nur
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 terperinciPENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.
. Pedahulua PENGUJIAN HIPOTESIS Hipoesis Saisik : peryaaa aau dugaa megeai sau aau lebih populasi. Pegujia hipoesis berhubuga dega peerimaa aau peolaka suau hipoesis. Kebeara (bear aau salahya) suau hipoesis
Lebih terperinciGambar 3.1Single Channel Multiple Phase
BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag
Lebih terperinciMODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR
MODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR Diajuka Sebagai Salah Sau Syara Uuk Memperoleh Gelar Sarjaa Sais Pada Jurusa Maemaika Oleh :
Lebih terperinciBAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.
BAB II LANDASAN TEORI Pada bab ii aa dibahas teori teori yag meduug metode upper level set sca statistics, atara lai peubah aca, distribusi gamma, fugsi gamma, fugsi lielihood, da uji rasio lielihood.
Lebih terperinciIII. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data
III. METODE KAJIAN 1. Lokasi da Waku Lokasi kajia berempa uuk kelompok dilaksaaka di kelompok peeraka sapi di Bagka Tegah, Provisi Bagka Beliug, da Kelompok Peeraka Sapi di Cisarua, Bogor, Provisi Jawa
Lebih terperinciMODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dadan Kusnandar, Naomi Nessyana Debataraja
Bulei Ilmiah Mah. Sa. da Terapaya (Bimaser) Volume 07, No. (018), hal 77 84. MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dada Kusadar, Naomi Nessyaa
Lebih terperinciPemodelan Indeks Harga Saham Gabungan (IHSG), Kurs, dan Harga Minyak Dunia dengan Pendekatan Vector Autoregressive
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 30-98X D-87 Pemodela Ideks Harga Saham Gabuga (IHSG), Kurs, da Harga Miyak Duia dega Pedekaa Vecor Auoregressive Dimas Okky.S da Seiawa Jurusa Saisika,
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 terperinciPREDIKSI PRODUKSI JAGUNG DI JAWA TENGAH DENGAN ARIMA DAN BOOTSTRAP
Prosidig SPMIPA. pp. 57-6. 6 ISBN : 979.74.47. PREDIKSI PRODUKSI JAGUNG DI JAWA TENGAH DENGAN ARIMA DAN BOOTSTRAP Sri Rahayu, Taro Jurusa Maemaika FMIPA UNDIP Semarag Jl. Prof. Soedaro, Kampus UNDIP Tembalag,
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 terperinciUniversitas Sumatera Utara
Uiversias Sumaera Uara BAB 2 LANDASAN TEORI Ladasa eori ii merupaka hasil dari ijaua lieraur-lieraur yag ada kaiaya dega meode-meode peramala maupu dega koeks laiya dalam peulisa Tugas Akhir ii. Adapu
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala ( Forecasig ) Peramala ( forecasig ) adalah kegiaa megisemasi apa yag aka erjadi pada masa yag aka daag. Peramala diperluka karea adaya perbedaa kesejaga waku
Lebih terperinciMETODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di
8 METODE PENELITIAN Lokasi da Waku Peeliia Peeliia ii dilaksaaka selama 3 bula, erhiug sejak bula Februari sampai dega April 2008, di DAS Waeruhu, yag secara admiisraif erleak di wilayah Kecamaa Sirimau,
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 terperinciANALISIS BEDA Fx F.. S u S g u i g y i an a t n o t da d n a Ag A u g s u Su S s u wor o o
ANALII BEDA Fx. ugiyao da Agus usworo Kosep Peeliia bermaksud meguji keadaa (sesuau) yag erdapa dalam suau kelompok dega kelompok lai Meguji apakah erdapa perbedaa yg Meguji apakah erdapa perbedaa yg sigifika
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengantar metode ARIMA Box Jenkins dan analisis spektral.
BAB II TINJAUAN PUSTAKA. Pedahulua Pada Bab II aka dijelaska pegeria pegeria da eori dasar yag diguaka sebagai ladasa pembahasa pada bab selajuya. Teori yag aka dibahas pada Bab II ii secara garis besar
Lebih terperinciPeramalan Temperatur Udara di Kota Surabaya dengan Menggunakan ARIMA dan Artificial Neural Network
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-8 Peramala Temperaur Udara di Koa Surabaya dega Megguaka ARIMA da Arificial Neural Nework Ali Machmudi da Brodol S. S. Ulama Jurusa Saisika,
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 terperinciT 22 Studi dan Implementasi Hill Cipher menggunakan binomial newton berbasis komputer
T 22 Sudi da Imlemeasi Hill Ciher megguaa biomial ewo berbasis omuer Rojali Jurusa Maemaia, Shool Of Shool of Comuer Siee Bius Uiversiy, Jaara, Idoesia 48 email: rojali@bius.edu Absra Algorima Hill Ciher
Lebih terperinciBAB 3 LANDASAN TEORI. masa lampau akan berlanjut ke masa depan. Hampir seluruh peramalan didasarkan. pada asumsi bahwa masa lampau akan berulang.
BAB 3 LANDASAN TEORI 3. Peramala 3.. Defiisi Peramala Peramala adalah perkiraa probabilisik aau peggambara dari ilai aau kodisi di masa depa. Asumsi yag umum dipakai dalam peramala adalah pola masa lampau
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
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 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 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 terperinciBilangan Stirling dan Hubungannya dengan Beberapa Konsep Matematika
Vol. 10, No. 2, 102-113, Jauari 2014 Bilaga Sirlig da Hubugaya dega Beberapa Kosep Maemaia Fifi Asui 1, Loey Haryao 2 da Hasmawai Basir 3 Absra Dalam ulisa ii dibahas aalogi, euivalesi da eeraia aara bilaga-bilaga
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 terperinciPrediksi Curah Hujan Kota Samarinda pada Tahun 2014 dengan Metode Filter Kalman. Rainfall Prediction Samarinda in 2014 with Kalman Filter Method
Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN 8-789 Predisi Curah Hujan Koa Samarinda pada Tahun dengan Meode Filer Kalman Rainfall Predicion Samarinda in wih Kalman Filer Mehod Ea Syafiri Andarini, Sri
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 terperinciMahasiswa Jurusan Statistika FMIPA-ITS ( ) Abstrak
PEMODELAN DAYA LISTRIK DENGAN PENDEKATAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH). (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) Firoh Amalia, Drs. Haryono, MSIE Mahasiswa
Lebih terperinciANALISIS BEDA. Konsep. Uji t (t-test) Teknik Uji Beda. Agus Susworo Dwi Marhaendro
ANALII BEA Agus usworo wi Marhaedro Kosep Peeliia bermaksud meguji keadaa (sesuau) yag erdapa dalam suau kelompok dega kelompok lai Meguji apakah erdapa perbedaa yg sigifika di aara kelompok-kelompok Tekik
Lebih terperinciB A B III METODE PENELITIAN. Objek penelitian dalam penelitian ini adalah menganalisis perbandingan
30 B A B III METODE PENELITIAN 3. Peeapa Lokai da Waku Peeliia Objek peeliia dalam peeliia ii adalah megaalii perbadiga harga jual produk melalui pedekaa arge pricig dega co-plu pricig pada oko kue yag
Lebih terperinciBAB III METODE PENELITIAN
3. METODE PENELITIAN 3.1. Kerangka Pikir BAB III METODE PENELITIAN Peneliian ini diujukan unuk membukikan adanya hubungan dan pengaruh dari nilai ukar Rupiah erhadap Dollar Amerika Serika (exchange rae),
Lebih 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 III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi
BAB III TAKSIRA PROPORSI POPULASI JIKA TERJADI ORESPO Dalam bab ii aa dibaas peasira proporsi populasi jia terjadi orespo da dilaua allba sebaya t ali. Selai itu, juga aa dibaas peetua uura sampel yag
Lebih terperinciRepresentasi sinyal dalam impuls
Represetasi siyal dalam impuls Represetasi siyal dalam impuls adalah siyal yag diyataa sebagai fugsi dari impuls atau sebagai umpula dari impuls-impuls. Sembarag siyal disret dapat diyataa sebagai pejumlaha
Lebih terperinciSTUDI ANALISIS PERAMALAN DENGAN METODE DERET BERKALA
Widya Tekika Vol.18 No.2; Okober 2010 ISSN 1411 0660: 1-6 Absrak STUDI ANALISIS PERAMALAN DENGAN METODE DERET BERKALA Arie Resu Wardhai 1), Salvador Mauel Pereira 2) Perusahaa sepau da sadal House of Mr.
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 terperinciPREMI ASURANSI JIWA BERJANGKA NAIK DENGAN MENGGUNAKAN HUKUM DE MOIVRE
PREMI ASURANSI JIWA BERJANGKA NAIK DENGAN MENGGUNAKAN HUKUM DE MOIVRE Aoy Wijaya *, Hasriai, Musraii Mahasiswa Program S Maemaia Dose Jurusa Maemaia Faulas Maemaia da Ilmu Pegeahua Alam Uiversias Riau
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciBAB V METODE PENELITIAN
31 BAB V METODE PENELITIAN 5.1 Lokasi da Waku Peeliia Peeliia ii dilaksaaka di Kecamaa Sukaagara, Kabupae Ciajur. Pemiliha lokasi peeliia dilakuka secara segaja (purposive samplig) dega memperimbagka aspek
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciBAB 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 terperinciMASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?
Kartia Yuliati, SPd, MSi MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK Masalah Terdapat berapa caraah ita dapat memilih baju dari 0 baju yag tersedia? Cara Misala baju diberi omor dari sampai
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 terperinciBeberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) . Definisi L.2 (Kejadian lepas )
33 LAMPIRAN 34 35 Beberapa Defiisi Ruag Cooh Kejadia da Peluag Suau percobaa yag dapa diulag dalam kodisi yag sama, yag hasilya idak dapa diprediksi dega epa eapi kia bisa megeahui semua kemugkia hasil
Lebih terperinciBARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.
BARIAN DAN DERET A. Barisa Barisa adalah uruta bilaga yag memilii atura tertetu. etiap bilaga pada barisa disebut suu barisa yag dipisaha dega lambag, (oma). Betu umum barisa:,, 3, 4,, dega: = suu pertama
Lebih terperinciTUGAS AKHIR. Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika. Oleh: AFRIANTI
MODEL TIME SERIES UNTUK PERAMALAN TINGKAT PENJUALAN JENIS BAHAN BAKAR MINYAK (BBM) DI STASIUN PENGISIAN BAHAN BAKAR UNTUK UMUM (SPBU) ARIFIN ACHMAD-PEKANBARU TUGAS AKHIR Diajuka sebagai Salah Sau Syara
Lebih terperinciPENERAPAN METODE BOX-JENKINS UNTUK MERAMALKAN VOLUME LALU LINTAS
SISFO-Jual Sisem Ifomasi PENERAPAN METODE BOX-JENKINS UNTUK MERAMALKAN VOLUME LALU LINTAS Wiwi Aggaei Juusa Sisem Ifomasi Faulas Teologi Ifomasi, Isiu Teologi Sepuluh Novembe Suabaya Kampus ITS Suolilo,
Lebih terperinciV. PENGUJIAN HIPOTESIS
V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska
Lebih terperinciIII PEMBAHASAN. 2 2x. K dy dx dy dx, (3.2) h2 2 ( x) P g y dydx g y dydx
III PEMBAHASAN Pada peeliia ii aa dibaas formlasi Hamiloia bai era elomba ierfacial Pembaasa dibai dalam da ass yai ass perama dea baas aas berpa permaa raa da ass eda dea baas aas berpa permaa bebas Hamiloia
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 terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING DALAM MEMPREDIKSI JUMLAH SISWA BARU (STUDI KASUS: SMK PEMDA LUBUK PAKAM)
Jural Pelia Iformaika, Volume 16, Nomor 3, Juli 2017 IN 2301-9425 (Media Ceak) PENERAPAN METODE EXPONENTIAL MOOTHING DALAM MEMPREDIKI JUMLAH IWA BARU (TUDI KAU: MK PEMDA LUBUK PAKAM) Kuriagara Mahasiswa
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 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 terperinciMETODOLOGI. Waktu dan Tempat. Alat dan Bahan
METODOLOGI Waku da Tempa Peeliia merupaka desk sudy dega megguaka daa sekuder da pegolaha daa dilakuka di Laboraorium Klimaologi Depareme Geofisika da Meeorologi, Fakulas Maemaika da Ilmu Pegeahua Alam,
Lebih terperinciAplikasi Model ARCH-GARCH dalam Peramalan Tingkat Inflasi
JURNAL SAINS DAN SENI POMITS Vol., No. () Aliasi ARC-GARC alam Peramala Tiga Iflasi Luli Presia Wiasari, Nuri Wahyuigsih Jurusa Maemaia, Faulas MIPA, Isiu Teologi Seuluh Noember (ITS) Jl. Arief Rahma aim,
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 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 terperinciPENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY
PENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY Hermansah Program Sudi Pendidikan Maemaika, Fakulas Keguruan
Lebih terperinciANALISIS INVESTASI PENAMBANGAN PASIR DAN BATU DITINJAU DARI SEGI TEKNIS DAN BIAYA
ANALISIS INVESTASI PENAMBANGAN PASIR DAN BATU DITINJAU DARI SEGI TEKNIS DAN BIAYA Laar Belakag Masalah Semaki berambah pesaya pembagua dibidag kosruksi maka meyebabka meigka pula kebuuha aka meerial-maerial
Lebih terperinciBAB III TINJAUAN PUSTAKA
BAB III TINJAUAN PUSTAKA 3.1. Defiisi Peramala Peramala adalah proses uuk memperkiraka berapa bayak kebuuha dimasa medaag yag melipui kebuuha dalam ukura kuaias, kualias, waku da lokasi yag dibuuhka dalam
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 terperinciRumus-rumus yang Digunakan
Saisika Uipa Surabaya 4. Sampel Tuggal = Rumus-rumus yag Diguaka s..... Sampel berkorelasi D D N N N...... 3. Sampel Bebas a. Uuk varias sama... 3 aau x x s g... 4 b. Sampel Heeroge Guaka Uji Corha - Cox
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 terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
Lebih terperinciBAB 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 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 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 terperinciALGORITMA DATA MINING
ALGORITMA DATA MINING A. DECISION TREE. Kosep Decisio Tree Megubah daa mejadi poho kepuusa (decisio ree) da aura-aura kepuusa (rule). Sebagai cooh misalya igi membua aura yag dapa diguaka uuk meeuka apakah
Lebih terperinciPERAMALAN INFLASI MENGGUNAKAN PENDEKATAN GABUNGAN ANTARA FUNGSI TRANSFER DAN INTERVENSI DENGAN DETEKSI OUTLIER
Semiar Hasil Tugas Akhir PERAMALAN INFLASI MENGGUNAKAN PENDEKATAN GABUNGAN ANTARA FUNGSI TRANSFER DAN INTERVENSI DENGAN DETEKSI OUTLIER TAHIRA ETA ADISTI (1309100108) Pembimbig: Dr. SUHARTONO, S. Si, M.
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 terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinci