HASIL DAN PEMBAHASAN
|
|
- Siska Wibowo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi data yang dilakukan adalah mencari statistika deskriptif serta analisis grafik. Statistika deskriptif dari setiap peubah dapat dilihat pada Tabel 2, sedangkan grafiknya dapat dilihat pada Lampiran 1. Tabel 2 Statistika deskriptif unsur-unsur cuaca Kelemb. Temp. Tekanan Kec. Angin Peubah CH (mm) Udara (%) Udara ( 0 C) Udara (mb) (knot) Rataan 330, , , ,0063 4,4664 Max 682, , , ,4000 6,8500 Min 25, , , ,4530 3,1000 Std. Deviasi 151,7072 3,9499 0,3869 3,4094 0,7593 Data yang digunakan untuk setiap peubah merupakan data bulanan selama 8 tahun (periode Januari 2001 Desember 2008), sehingga jumlah pengamatan untuk setiap peubah adalah 96 pengamatan. Berdasarkan Tabel 2 dan Lampiran 1(a), untuk peubah curah hujan memiliki rataan 330,8639 mm dengan standar deviasi 151,7072 mm. Standar deviasi untuk peubah curah hujan cenderung besar, hal ini disebabkan tingkat curah hujan bulanan selama 8 tahun terakhir untuk daerah Darmaga cenderung bervariasi dengan curah hujan terkecil 25,3000 mm dan curah hujan terbesar 682,0000 mm. Berdasar Lampiran 1(a), curah hujan di Darmaga selama tahun tidak terdapat kecenderungan naik atau turun dari waktu ke waktu. Curah hujan bulanan memiliki fluktuasi yang tinggi, tetapi tidak periodik. Data curah hujan yang tidak periodik ini menandakan bahwa data curah hujan bukan merupakan data musiman. Hal ini sesuai dengan hasil penelitian yang dilakukan oleh bidang penelitian dan pengembangan (litbang) BMKG Bogor tahun 2011 yang menyatakan bahwa Darmaga merupakan daerah yang termasuk dalam daerah non
2 19 ZOM (zona musim), yaitu daerah dengan waktu musim hujan dan musim kemaraunya tidak tentu. Peubah kelembaban udara memiliki rataan 83,8856 % dengan kelembaban terendah 71,5250 % dan kelembaban tertinggi 89,9018 %. Data kelembaban udara memiliki standar deviasi yang tidak terlalu besar yaitu 3,9499 %. Hal tersebut dapat dilihat dari grafik pada Lampiran 1(b), data bulanan kelembaban udara tidak menunjukkan variasi yang besar. Data kelembaban udara sepanjang tahun cenderung berada di sekitar rataannya, tidak terdapat kecenderungan naik atau turun. Peubah temperatur udara memiliki rataan 25, C dengan temperatur udara terendah 24, C dan tertinggi 26, C. Tabel 2 dan Lampiran 1(c) menunjukkan bahwa peubah temperatur udara memiliki variasi yang kecil yaitu 0, C. Hal tersebut menunjukkan bahwa selama tahun temperatur udara di Darmaga tidak terdapat kecenderungan untuk naik terus atau turun dari waktu ke waktu. Temperatur udara berkisar pada nilai rataannya. Peubah tekanan udara selama 8 tahun ( ) memiliki rataan sebesar 990,0063 mb dengan nilai terendah 959,4530 mb dan tertinggi 994,4000 mb. Standar deviasi tekanan udara sebesar 3,4094 mb. Nilai standar deviasi yang cukup besar ini kemungkinan disebabkan karena terdapat satu pengamatan yang jauh dari rataan, yaitu data tekanan udara pada bulan mei tahun 2003 yaitu sebesar 959,45 mb. Data tekanan udara pada Lampiran 1(d) menunjukkan bahwa data bergerak di sekitar nilai rataannya, tidak terdapat kecenderungan naik atau turun dari waktu ke waktu. Peubah kecepatan angin memiliki rataan 4,4664 knot dengan kecepatan terendah 3,1000 knot dan terbesar 6,8500 knot dengan standar deviasi sebesar 0,7593 knot. Selama tahun , data kecepatan angin bergerak di sekitar nilai ratannya. Hal ini menunjukkan bahwa tidak terdapat kecenderungan naik atau turun dari waktu ke waktu (Lampiran 1(e)). Statistika deskriptif peubah arah angin terpisah dari peubah lainnya. Hal ini disebabkan peubah arah angin merupakan data sirkular (circular data), sehingga untuk menentukan statistika deskriptif dan grafiknya berbeda dari peubah dengan skala linier. Statistika deskriptif peubah arah angin disajikan pada Tabel 3.
3 20 Tabel 3 Statistika deskriptif peubah arah angin Peubah Arah Angin Rataan Arah 271,219 Rataan Panjang Vektor Resultan 0,979 Konsentrasi ( ) 24,516 Variansi Sirkular 0,021 Berdasarkan Tabel 3, diperoleh rataan peubah arah angin sebesar 271,219. Hal ini menunjukkan selama tahun arah angin cenderung berasal dari arah barat. Rataan panjang vektor resultan menunjukkan nilai sebesar 0,979. Hal ini menunjukkan data memiliki konsentrasi yang tinggi terhadap arah rata-ratanya. Nilai konsentrasi yang dihasilkan sebesar 24,516. Semakin besar nilai konsentrasi, maka data semakin konvergen ke suatu nilai tertentu (Fisher 2000). Nilai variansi sirkular sebesar 0,021 memberikan makna bahwa variansi data sirkular (arah angin) sangat kecil. Dengan kata lain, data memiliki konsentrasi tinggi terhadap arah rata-ratanya. Representasi grafis data arah angin selama 8 tahun dapat dilihat pada diagram mawar pada Lampiran 1(f). Berdasarkan Lampiran 1(f), sebesar 97,917 % arah angin selama delapan tahun terakhir berasal dari arah barat dan sisanya berasal dari arah utara. Peubah arah angin merupakan data sirkular. Oleh karena itu dalam melakukan analisis untuk peubah arah angin dipecah menjadi komponen cos arah dan sin arah. Untuk data arah angin selama delapan tahun terakhir, komponen cos arah dan sin arah berkorelasi erat (r = 1) atau dengan kata lain terjadi multikolinieritas. Sehingga dalam membuat model VAR, komponen arah angin yang digunakan dipilih salah satu. Dalam penelitian ini komponen arah angin yang digunakan adalah cos arah. Kestasioneran Data Sebelum melakukan analisis VAR, terdapat asumsi yang harus dipenuhi yaitu memeriksa kestasioneran data. Pemeriksaan kestasioneran data dilakukan dengan uji Dickey Fuller. Pemeriksaan kestasioneran data dilakukan untuk menguji apakah peubah curah hujan, kelembaban udara, temperatur udara,
4 21 tekanan udara, kecepatan angin dan cos arah angin bersifat stasioner atau tidak. Hasil uji kestasioneran data disajikan pada Tabel 4. Tabel 4 Uji Dickey Fuller untuk kestasioneran data Peubah I(0) Nilai Ket t-hit kritis Curah hujan -7,1366-2,8922 Stasioner Kelembaban udara -6,6639-2,8922 Stasioner Temperatur udara -7,2726-2,8922 Stasioner Tekanan udara -8,8243-2,8922 Stasioner Kec.angin -6,0026-2,8922 Stasioner Cos arah -9,8533-2,8922 Stasioner Berdasarkan Tabel 4, semua peubah sudah stasioner pada level dengan taraf nyata α = 0,05 sehingga tidak perlu dilakukan differencing. Model yang digunakan adalah model VAR standar. Penentuan Ordo VAR Penentuan ordo atau panjang lag model VAR dilakukan dengan mengkaji nilai AIC (Akaike Information Criteria). Hasil perhitungan nilai AIC disajikan pada Tabel 5. Tabel 5 Hasil perhitungan AIC untuk pemilihan ordo VAR Lag (p) AIC 0 24, ,739* 2 23, , , ,747 *Mengindikasikan ordo atau lag yang dpilih berdasarkan kriteria AIC
5 22 Berdasarkan Tabel 5, pada saat p = 1 diperoleh nilai AIC terkecil sehingga ordo model VAR adalah ordo 1 atau dituliskan VAR(1). Model VAR(1) dapat dituliskan sebagai berikut : dengan : vektor berukuran 6x1 yang berisi 6 peubah yang masuk dalam model VAR pada bulan t vektor berukuran 6x1 yang berisi 6 peubah yang masuk dalam model VAR pada bulan t-1 vektor intersep berukuran 6x1 matriks koefisien berukuran 6x6 vektor sisaan berukuran 6x1 pada bulan t Pendugaan Model VAR Ordo 1 Pendugaan model VAR dilakukan dengan metode kuadrat terkecil. Model VAR yang digunakan dalam penelitian ini adalah VAR ordo 1. Hasil dugaan parameter model VAR ordo 1 dapat dilihat pada Lampiran 2. Berdasarkan Lampiran 2, model VAR yang dihasilkan adalah sebagai berikut : CH t = , ,102 CH t-1 + 6,909 Kelemb t ,873 Temp t-1 + 4,549 Teka t ,342 Kecep t-1 * 126,053 Cos t-1 Kelemb t = -33, ,0044 CH t-1 + 0,3986 Kelemb t-1 * + 2,1783 Temp t-1 * + 0,0178 Teka t-1 + 1,9860 Kecep t-1 * 1,2979 Cos t-1 Temp t = 4, ,0006 CH t-1-0,0289 Kelemb t-1 * + 0,2899 Temp t-1 * + 0,0166 Teka t-1-0,0369 Kecep t-1 0,1123 Cos t-1 Teka t = 993, ,0035 CH t-1-0,2318 Kelemb t-1-1,8935 Temp t-1 * + 0,0645 Teka t-1-0,0090 Kecep t-1 + 2,3124 Cos t-1 Kecep t = -14,9262-0,0000 CH t-1 + 0,0399 Kelemb t-1 0,2248 Temp t-1 + 0,0207 Teka t-1 + 0,3006 Kecep t-1 * 0,6199 Cos t-1
6 23 Cos t = 25,2587-0,0000 CH t-1 + 0,0026 Kelemb t-1 + 0,0444 Temp t-1-0,0268 Teka t-1 * - 0,0209 Kecep t-1 + 0,0052 Cos t-1 * Mengindikasikan peubah yang berpengaruh signifikan pada α = 0,05 Berdasarkan model VAR untuk curah hujan di atas dan pada Lampiran 2, diperoleh bahwa peubah yang mempunyai pengaruh signifikan terhadap curah hujan pada bulan t adalah peubah kecepatan angin pada bulan t-1. Hal ini dapat dilihat dari nilai t hitung sebesar 2,5471 yang lebih besar dari nilai t tabel pada α = 5% sebesar 1,96. Peubah curah hujan pada bulan t-1, kelembaban udara pada bulan t-1, temperatur udara pada bulan t-1, tekanan udara pada bulan t-1 dan cos arah pada bulan t-1 tidak memberikan pengaruh yang signifikan terhadap curah hujan pada bulan t. Peubah kelembaban udara pada bulan t dipengaruhi oleh kelembaban udara pada bulan t-1, temperatur udara pada bulan t-1 dan kecepatan angin pada bulan t-1. Untuk peubah temperatur udara pada bulan t dipengaruhi oleh peubah kelembaban udara pada bulan t-1 dan temperatur udara pada bulan t-1. Peubah tekanan udara pada bulan t dipengaruhi oleh temperatur udara pada bulan t-1. Peubah kecepatan angin pada bulan t dipengaruhi oleh kecepatan angin pada bulan t-1. Peubah cos arah angin dipengaruhi oleh tekanan udara pada bulan t-1. Tjasjono (1992) mengatakan bahwa curah hujan dipandang sebagai salah satu variabel peramalan cuaca dan iklim yang sangat penting. Hal ini dikarenakan curah hujan mempengaruhi aktivitas kehidupan manusia di berbagai sektor seperti pertanian, perhubungan, perdagangan, kesehatan, lingkungan hidup dan sebagainya serta memiliki keragaman sangat tinggi baik menurut waktu maupun tempat. Oleh karena itu, untuk selanjutnya peubah yang akan dibahas lebih mendalam adalah peubah curah hujan. Uji Kelayakan Model VAR Uji kelayakan model VAR atau diagnostik model memeriksa error dengan uji Portmanteau. Uji Portmanteau pada Lampiran 3 menunjukkan bahwa sampai lag ke 10 tidak ada komponen autokorelasi yang signifikan pada α = 5%. Asumsi kebebasan sisaan sudah terpenuhi, sehingga model tersebut layak.
7 24 Fungsi Respon Impuls Fungsi respon impuls (Impuls Response Function, IRF) meginformasikan pengaruh shock suatu peubah terhadap peramalan peubah itu sendiri dan peubah lain (Enders 1995). Hasil IRF dari setiap peubah disajikan pada Lampiran 4. Hasil pada Lampiran 4(a) menunjukkan bagaimana keenam peubah dalam sistem VAR merespon ketika terjadi shock 1 standar deviasi pada curah hujan. Shock sebesar 1 standar deviasi pada curah hujan pada bulan t mengakibatkan standar deviasi error sebesar 139,7456 satuan terhadap peramalan curah hujan satu bulan ke depan, tetapi tidak memberikan pengaruh terhadap standar deviasi error unsur cuaca yang lain pada peramalan satu bulan ke depan (standar deviasi error peubah lain sebesar nol). Untuk peramalan dua bulan ke depan, standar deviasi error curah hujan menjadi 27,6671 di atas rata-ratanya. Sedangkan pengaruhnya terhadap peubah lain adalah memberikan kenaikan standar deviasi error peubah kelembaban udara sebesar 13,5705 di atas rataratanya, kenaikan standar deviasi error peubah temperatur sebesar 17,7461 di atas rata-ratanya, kenaikan standar deviasi error peubah tekanan udara sebesar 12,426 di atas rata-ratanya, kenaikan standar deviasi error peubah kecepatan angin sebesar 36,2526 di atas rata-ratanya dan penurunan standar deviasi error peubah arah angin sebesar 13,5931 di bawah rata-ratanya. Secara umum shock pada curah hujan terhadap semua peubah memberikan pengaruh yang cukup besar sampai bulan keenam. Setelah periode tersebut pengaruh shock curah hujan terhadap peubah lainnya cenderung konstan dan konvergen menuju nol setelah periode enam bulan. Dekomposisi Ragam Dekomposisi ragam (Variance Decomposition, VD) menginformasikan proporsi keragaman error peramalan suatu peubah yang dijelaskan oleh error masing-masing peubah dan error peubah lain (Enders 1995). Dekomposisi ragam peubah curah hujan menunjukkan bahwa untuk peramalan 1 bulan ke depan, keragaman error curah hujan sepenuhnya (100%) dijelaskan oleh shock curah hujan itu sendiri. Seiring bertambahnya waktu, kelima peubah yang lain mulai memberikan kontribusi meskipun kecil.
8 25 Untuk jangka menengah (6 bulan ke depan), keragaman error curah hujan selain dijelaskan oleh shock curah hujan itu sendiri (83,7412%) juga dijelaskan oleh shock dari kelima peubah lainnya (kelembaban udara 1,4768%, temperatur udara 1,3988%, tekanan udara 3,6479%, kecepatan angin 8,8235% dan cos arah angin 0,9117%). Berdasarkan hasil dekomposisi ragam, secara umum dapat dikatakan bahwa kontribusi peubah lain terhadap keragaman error peramalan curah hujan relatif konstan dan kecil, kecuali peubah kecepatan angin. Peubah kecepatan angin memberikan peranan yang cukup besar dan konstan terhadap keragaman error peramalan curah hujan. Hal ini sesuai dengan model VAR untuk curah hujan yang menyatakan bahwa hanya peubah kecepatan angin bulan t-1 yang berpengaruh signifikan terhadap curah hujan pada bulan t. Peubah yang memiliki peranan paling besar terhadap keragaman error curah hujan adalah peubah curah hujan itu sendiri. Validasi Model VAR Peramalan (forecast) bukan merupakan satu-satunya tujuan akhir dalam suatu model time series, akan tetapi banyak pendapat menyatakan bahwa peramalan merupakan bagian yang tidak bisa dipisahkan dari banyak model time series. Untuk menentukan ketepatan peramalan model VAR digunakan nilai mean absolute percentage error (MAPE) dari model untuk peubah curah hujan. Model VAR yang diperoleh dari pembahasan sebelumnya adalah model VAR ordo 1 VAR(1), sehingga curah hujan pada bulan t hanya dipengaruhi oleh unsur cuaca pada buln t-1 (satu bulan sebelumnya). Oleh karena itu, model hanya akan memberikan peramalan dengan tingkat ketepatan yang cukup baik jika model digunakan untuk meramal maksimum tiga bulan ke depan. Jika model digunakan untuk peramalan jangka panjang, maka error (selisih antara data aktual dan hasil peramalan) yang diperoleh cukup besar. Hal ini sesuai dengan yang dilakukan oleh BMKG. Selama ini BMKG menggunakan model peramalan curah hujan ARIMA untuk tiga periode peramalan ke depan. Sehingga harus dilakukan up date model per tiga periode (bulan).
9 26 Untuk peramalan curah hujan menggunakan model VAR(1) dibuat empat model dan masing-masing model digunakan untuk melakukan peramlaan tiga bulan berikutnya. Tingkat ketepatan peamalan ditentukan dengan nilai Mean Absolute Percentage Error (MAPE). Berikut adalah model yang digunakan : - Model 1 Model 1 yaitu model dengan menggunakan data curah hujan bulan Januari 2001 Desember Model ini akan digunakan untuk melakukan peramalan tiga bulan berikutnya (Januari 2009 Maret 2009). - Model 2 Model 2 yaitu up date model pertama dengan menggunakan data curah hujan bulan Januari 2001 Maret Model ini akan digunakan untuk melakukan peramalan tiga bulan berikutnya (April 2009 Juni 2009). - Model 3 Model 3 yaitu up date model kedua dengan menggunakan data curah hujan bulan Januari 2001 Juni Model ini akan digunakan untuk melakukan peramalan tiga bulan berikutnya (Juli 2009 September 2009). - Model 4 Model 4 yaitu up date model ketiga dengan menggunakan data curah hujan bulan Januari 2001 September Model ini akan digunakan untuk melakukan peramalan tiga bulan berikutnya (Oktober 2009 Desember 2009). Hasil pendugaan model 2, 3 dan 4 disajikan pada Lampiran 7. Hasil pendugaan model 2, 3 dan 4 digunakan untuk melakukan peramalan per tiga bulan berikutnya. Hasil peramalan beserta nilai MAPE dari setiap model disajikan pada Lampiran 8, sedangkan penyajian grafik dapat dilihat pada Gambar 3. Gambar 3 menunjukkan grafik curah hujan aktul dan hasil peramalan dengan menggunakan keempat model. Gambar 3(a) menunjukkan data aktual dan hasil peramalan model 1, Gambar 3(b) menunjukkan data aktual dan hasil peramalan model 2, Gambar 3(c) menunjukkan data aktual dan hasil peramalan model 3, Gambar 3(d) menunjukkan data aktual dan hasil peramalan model 4.
10 27 Curah hujan (mm) Jan 09 Feb 09 Mar 09 CH Aktual CH Ramalan VAR Curah hujan (mm) April 09 Mei 09 Juni 09 CH Aktul CH Ramalan VAR (a) Model 1 (b) Model 2 Curah hujan (mm) Juli 09 Agust 09 Sept 09 CH Aktul CH Ramalan VAR Curah hujan (mm) Okt 09 Nop 09 Des 09 CH Aktul CH Ramalan VAR (c) Model 3 (d) Model 4 Gambar 3 Data aktual dan peramalan VAR peubah curah hujan Periode Januari Desember 2009 Nilai MAPE dari setiap model disajikan pada Tabel 6 berikut : Tabel 6 Nilai MAPE untuk setiap model Model MAPE 1 34, , , ,894 Rata-rata 49,600 Tabel 6 menunjukkan nilai MAPE untuk masing-masing model dan nilai ratannya. Nilai MAPE model 1, 2 dan 4 relatif kecil, sedangkan model 3
11 28 menghasilkan MAPE yang cukup tinggi. Hal ini dikarenakan data hasil peramalan selalu jauh di atas nilai aktualnya. Dapat dikatakan bahwa periode bulan Juli September 2009 termasuk kondisi ekstrim karena curah hujan periode tersebut berada jauh di bawah rata-rata curah hujan bulanan. Sehingga secara rata-rata model memiliki tingkat ketepatan baik pada kondisi normal, tetapi kurang tepat untuk kondisi ekstrim. Nilai rataan MAPE dari keempat model diperoleh sebesar 49,600. Nilai MAPE yang diperoleh dipengaruhi oleh beberapa hal diantaranya data curah hujan yang digunakan untuk pemodelan memiliki fluktuasi yang tinggi, dari pemodelan diperoleh hanya peubah kecepatan angin yang berpengaruh signifikan terhadap curah hujan dan stasiun penelitian termasuk wilayah non zona musim (non ZOM). Nilai MAPE yang diperoleh belum memiliki tingkat ketepatan yang tinggi. Hal ini sesuai dengan Boer (2003) yang menyatakan bahwa curah hujan merupakan unsur cuaca dan iklim yang paling penting di Indonesia karena keragamannya sangat tinggi baik menurut waktu maupun tempat. Namun demikian, curah hujan ini merupakan unsur cuaca yang paling sulit diprediksi dan sampai saat ini masih merupakan tantangan yang besar bagi para peneliti meteorologi. Dari sejumlah model yang digunakan di dunia pada saat ini, belum satupun yang dapat memberi prediksi curah hujan yang cukup baik. Model yang digunakan untuk melakukan peramalan periode berikutnya adalah model 4, karena dengan menggunakan model 4, nilai MAPE yang diperoleh cukup baik. Model 4 untuk VAR(1) adalah : CH t = -7332, ,107 CH t-1 + 8,837 Kelemb t ,509 Temp t-1 + 4,962 Teka t ,985 Kecep t-1 * 127,448 Cos t-1 * Mengindikasikan peubah yang berpengaruh signifikan pada α = 0,05
TINJAUAN PUSTAKA. Hujan dan Curah Hujan
4 TINJAUAN PUSTAKA Hujan dan Curah Hujan Hujan adalah jatuhnya hydrometeor yang berupa partikel-partikel air dengan diameter 0.5 mm atau lebih. Hujan juga dapat didefinisikan dengan uap yang mengkondensasi
Lebih terperinciANALISIS VECTOR AUTOREGRESSIVE (VAR) UNTUK PEMODELAN CURAH HUJAN (Studi Kasus : Data Curah Hujan di Darmaga, Bogor Tahun ) TITA ROSITA
ANALISIS VECTOR AUTOREGRESSIVE (VAR) UNTUK PEMODELAN CURAH HUJAN (Studi Kasus : Data Curah Hujan di Darmaga, Bogor Tahun 2001-2009) TITA ROSITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2011 Kupersembahkan
Lebih terperinciHASIL DAN PEMBAHASAN. Analisis data dilakukan dengan menggunakan Software Eviews Versi 4.1 dan Microsoft Office Excel Gambar 2 Plot IHSG.
kointegrasi lebih besar dari nol maka model yang digunakan adalah VECM (Enders, 1995). 4. Analisis model VAR, VARD atau VECM. 5. Interpretasi terhadap model. 6. Uji kelayakan model. 7. Pengkajian fungsi
Lebih terperincidari tahun pada stasiun pengamat yang berada di daerah Darmaga, Bogor.
Jika plot peluang dan plot kuantil-kuantil membentuk garis lurus atau linier maka dapat disimpulkan bahwa model telah memenuhi asumsi (Mallor et al. 2009). Tingkat Pengembalian Dalam praktik, besaran atau
Lebih terperinciHASIL DAN PEMBAHASAN Eksplorasi Data Suhu Udara Rata-rata
suhu 18 20 22 24 26 28 30 32 ragam, maka dilakukan transformasi Box-Cox. d. Mengidentifikasi model. Dalam tahap ini akan didapat model-model sementara, dengan melihat plot ACF dan PACF. e. Pendugaan parameter
Lebih terperinciIII METODE PENELITIAN
18 III METODE PENELITIAN 3.1. Kerangka Pemikiran Mengetahui kointegrasi pada setiap produk adalah salah satu permasalahan yang perlu dikaji dan diteliti oleh perusahaan. Dengan melihat kointegrasi produk,
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perusahaan merupakan suatu badan hukum yang memiliki suatu tujuan yang ingin dicapai salah satunya yaitu mendapatkan keuntungan. Untuk mencapai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 1.1. Lokasi dan Waktu Penelitian Penelitian dilaksanakan pada bulan Februari hingga April 2011. Penelitian dilakukan dengan mengunjungi PT. Kharisma Pemasaran Bersama Nusantara (PT.
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilaksanakan pada bulan Januari hingga Maret 2012. Penelitian dilakukan di Asosiasi Kakao Indonesia (Askindo). Penentuan tempat dilakukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciPENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU TUGAS AKHIR
PENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika Oleh:
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinci4 MODEL VECTOR AUTOREGRESSIVE EXOGENOUS (VARX)
4 MODEL VECTOR AUTOREGRESSIVE EXOGENOUS (VARX) Pendahuluan Beberapa penelitian curah hujan dengan satu lokasi curah hujan (tunggal) dengan model ARIMA telah dilakukan, di antaranya oleh Mauluddiyanto (2008)
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciHASIL DAN ANALISIS DATA. Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut.
BAB 5 HASIL DAN ANALISIS DATA 5.1 Penyajian Data Penelitian Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut. Data berikut merupakan data aktual untuk diramalkan penjualannya
Lebih terperinciFORECASTING 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 terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
Lebih terperinciMETODE PENELITIAN Kerangka Pemikiran
20 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran dalam penelitian dapat dijadikan landasan dalam setiap tahap penelitian. Salah satu tujuan dari penelitian ini adalah mengetahui metode
Lebih terperinciANALISIS VAR (VECTOR AUTOREGRESSIVE) UNTUK MEKANISME PEMODELAN PRODUKSI, KONSUMSI, EKSPOR, IMPOR, DAN HARGA MINYAK BUMI AGUS WAHYULI
ANALISIS VAR (VECTOR AUTOREGRESSIVE) UNTUK MEKANISME PEMODELAN PRODUKSI, KONSUMSI, EKSPOR, IMPOR, DAN HARGA MINYAK BUMI AGUS WAHYULI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB III METODE PENELITIAN
45 BAB III METODE PENELITIAN 3.1. Kerangka Pemikiran Untuk menggambarkan bagaimana pengaruh capital gain IHSG dengan pergerakan yield obligasi pemerintah dan pengaruh tingkat suku bunga terhadap IHSG dan
Lebih terperinciBAB III METODE PENELITIAN
A. Objek Penelitian BAB III METODE PENELITIAN Obyek/Subyek yang diamati dalam penelitian ini adalah Pembiayaan Modal Kerja UMKM dengan variabel independen DPK, NPF, Margin, dan Inflasi sebagai variabel
Lebih terperinciMODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA. Salatiga, Jawa Tengah, Indonesia
MODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA Adi Nugroho 1, Bistok Hasiholan Simanjuntak 2 1 Staf pengajar di Fakultas Teknologi Informasi
Lebih terperinciBAB 3 METODOLOGI. 3.1 Metodologi Penelitian Pengumpulan Bahan Penelitian. Dalam penelitian ini bahan atau materi dikumpulkan melalui :
BAB 3 METODOLOGI 3.1 Metodologi Penelitian 3.1.1 Pengumpulan Bahan Penelitian Dalam penelitian ini bahan atau materi dikumpulkan melalui : 1) Data primer, yaitu memperoleh sumber data penelitian langsung
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan
Lebih terperinciBAB II LANDASAN TEORITIS
BAB I PENDAHULUAN Pengaruh pemanasan global yang sering didengungkan tidak dapat dihindari dari wilayah Kalimantan Selatan khususnya daerah Banjarbaru. Sebagai stasiun klimatologi maka kegiatan observasi
Lebih terperinci3. METODE PENELITIAN 3.1. Kerangka Pemikiran
3. METODE PENELITIAN 3.1. Kerangka Pemikiran Pengembangan bahan bakar alternatif untuk menjawab isu berkurangnya bahan bakar fosil akan meningkatkan permintaan terhadap bahan bakar alternatif, dimana salah
Lebih terperinciBAB III METODE PENELITIAN
49 BAB III METODE PENELITIAN A. Variabel Penelitian dan Definisi Operasional 1. Variabel Penelitian Variabel-variabel dalam penelitian ini menggunakan variabel dependen dan independen. Variabel dependen
Lebih terperinciHASIL DAN PEMBAHASAN. Pengujian kestasioneran data diperlukan pada tahap awal data time series
IV. HASIL DAN PEMBAHASAN 4.1. Pengujian Pra Estimasi 4.1.1. Kestasioneran Data Pengujian kestasioneran data diperlukan pada tahap awal data time series untuk melihat ada tidaknya unit root yang terkandung
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciIV. HASIL DAN PEMBAHASAN
9 menguji kelayakan model sehingga model sementara tersebut cukup memadai. Salah satu caranya adalah dengan menganalisis galat (residual). Galat merupakan selisih antara data observasi dengan data hasil
Lebih terperinciBAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :
BAB SIMULASI PERHITUNGAN HARGA BARANG Bab Simulasi Perhitungan Harga barang berisikan :.. Simulasi peramalan nilai Indeks Harga Konsumen (IHK) melalui metode ARIMA.. Prediksi nilai inflasi tahun 0.3. Prediksi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Pendekatan Penelitian Pendekatan penelitian ini menggunakan pendekatan kuantitatif yaitu pendekatan dengan cara mengukur variabel yang di lingkari oleh teori atau satu
Lebih terperinciBAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah
BAB IV PEMBAHASAN 4.1 Deskripsi Data Gambar 4.1 memperlihatkan bahwa data berfluktuasi dari waktu ke waktu. Hal ini mengindikasikan bahwa data tidak stasioner baik dalam rata-rata maupun variansi. Gambar
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciSKRIPSI. Disusun oleh: Firda Megawati
PERAMALAN TINGGI GELOMBANG BERDASARKAN KECEPATAN ANGIN DI PERAIRAN PESISIR SEMARANG MENGGUNAKAN MODEL FUNGSI TRANSFER (Studi Kasus Bulan Januari 2014 sampai dengan Desember 2014) SKRIPSI Disusun oleh:
Lebih terperinciBAB V HASIL DAN PEMBAHASAN. Untuk memenuhi salah satu asumsi dalam uji data time series dan uji
BAB V HASIL DAN PEMBAHASAN 5.1 Uji Stasioneritas Untuk memenuhi salah satu asumsi dalam uji data time series dan uji VECM, maka perlu terlebih dahulu dilakukan uji stasioneritas. Uji stationaritas yang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Objek Penelitian. Dalam penelitian ini penulis memilih impor beras sebagai objek melakukan riset di Indonesia pada tahun 1985-2015. Data bersumber dari Badan Pusat Statistika
Lebih terperinciIII. METODOLOGI PENELITIAN. Data-data tersebut berupa data bulanan dalam rentang waktu (time series) Januari
40 III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Berdsarkan kajian beberapa literatur penelitian ini akan menggunakan data sekunder. Data-data tersebut berupa data bulanan dalam rentang waktu (time
Lebih terperinciPEMBAHASAN ... (3) RMSE =
7 kemampuan untuk mengikuti variasi hujan permukaan. Keterandalan model dapat dilihat dari beberapa parameter, antara lain : Koefisien korelasi Korelasi dinyatakan dengan suatu koefisien yang menunjukkan
Lebih terperinciANALISIS HUBUNGAN DINAMIS SUKU BUNGA SBI, IHSG, DAN SUKU BUNGA INTERNASIONAL DENGAN MODEL VECTOR AUTOREGRESSIVE KARINA DIANINGSARI
ANALISIS HUBUNGAN DINAMIS SUKU BUNGA SBI, IHSG, DAN SUKU BUNGA INTERNASIONAL DENGAN MODEL VECTOR AUTOREGRESSIVE KARINA DIANINGSARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciMETODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN
METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat
Lebih terperinciPENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.
PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
16 5.1 Hasil 5.1.1 Pola curah hujan di Riau BAB V HASIL DAN PEMBAHASAN Data curah hujan bulanan dari tahun 2000 sampai dengan 2009 menunjukkan bahwa curah hujan di Riau menunjukkan pola yang sama dengan
Lebih terperinciMETODE PENELITIAN. terdiri dari data pinjaman luar negeri, pengeluaran pemerintah, penerimaan pajak,
III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data terdiri dari data pinjaman luar negeri, pengeluaran pemerintah, penerimaan pajak,
Lebih terperinciANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG
ANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG Fachrul Ulum Febriansyah dan Abadyo Universitas Negeri Malang E-mail: fachrul.febrian@gmail.com
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN Bab ini akan membahas tentang pintu air Manggarai secara singkat, hasil analisa data, dan pembahasan hasil penelitian. 4.1 Pintu air Manggarai Secara operasional pintu air Manggarai
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan untuk penelitian ini adalah pengeluaran riil pemerintah (G t ), PBD riil (Y t ), konsumsi (CC t ), investasi (I t ), Indeks Harga Konsumen
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciSTUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN ANALISIS VAR
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 16 Mei 2009 STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan adalah data sekunder berupa time series
30 III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan adalah data sekunder berupa time series bulanan periode Mei 2006 sampai dengan Desember 2010. Sumber data di dapat dari Statistik
Lebih terperinciBAB III METODE PENELITIAN. 3.1 Unit Analisis dan Ruang Lingkup Penelitian. yang berupa data deret waktu harga saham, yaitu data harian harga saham
32 BAB III METODE PENELITIAN 3.1 Unit Analisis dan Ruang Lingkup Penelitian 3.1.1. Objek Penelitian Objek sampel data dalam penelitian ini menggunakan data sekunder yang berupa data deret waktu harga saham,
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.. Parameter Curah Hujan model REMO Data curah hujan dalam keluaran model REMO terdiri dari 2 jenis, yaitu curah hujan stratiform dengan kode C42 dan curah hujan konvektif dengan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. maka di kembangkan kerangka pemikiran penelitian sebagai berikut: ketinggian
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran dan Hipotesis 3.1.1 Kerangka Pemikiran Berdasarkan kerangka teori yang telah dijelaskan pada gambaran umum objek, maka di kembangkan kerangka pemikiran
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciIII. MATEMATIKA DAN STATISTIKA APLIKASI (S.1) EFEK PERUBAHAN POLA CUACA PADA DEBIT AIR MASUK DI WADUK SAGULING
III. MATEMATIKA DAN STATISTIKA APLIKASI (S.1) EFEK PERUBAHAN POLA CUACA PADA DEBIT AIR MASUK DI WADUK SAGULING Yurian Yudanto (yurian.yudanto@yahoo.com) Jurusan Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas FMIPA
Lebih terperinciAPLIKASI CHANGE POINT ANALYSIS (CPA) PADA DATA CURAH HUJAN HARIAN MARCO BONA TUA
APLIKASI CHANGE POINT ANALYSIS (CPA) PADA DATA CURAH HUJAN HARIAN MARCO BONA TUA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciPERAMALAN CURAH HUJAN KOTA PONTIANAK DENGAN DEKOMPOSISI SENSUS II
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 05, No. 02(2016), hal 227 234. PERAMALAN CURAH HUJAN KOTA PONTIANAK DENGAN DEKOMPOSISI SENSUS II Eka Rahmilia, Helmi INTISARI Metode Dekomposisi
Lebih terperinciPERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciAnalisis 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 terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perusahaan memiliki tujuan yang pada dasarnya mendapatkan keuntungan demi kelancaran usahanya dan mampu bersaing dalam lingkungan bisnis secara
Lebih terperinciPemodelan Fungsi Transfer Multi Input
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 8 Pemodelan Fungsi Transfer Multi Input M. Fathurahman *) Program Studi Statistika, FMIPA Universitas Mulawarman Jl. Barong Tongkok no.5 Kampus Unmul Gn.
Lebih terperinciUANG BEREDARR DAN TINGKAT INFLASI FEB RINA HANDAYANI
FUNGSI TRANSFER HUBUNGAN PERUBAHAN JUMLAH UANG BEREDARR DAN TINGKAT INFLASI FEB RINA HANDAYANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKAA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010 RINGKASAN
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Obyek Penelitian Obyek penelitian adalah sesuatu yang menjadi perhatian dalam suatu penelitian, objek penelitian ini menjadi sasaran dalam penelitian untuk mendapatkan
Lebih terperinci5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS
5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS Pendahuluan Pada model VARX hubungan peubah penjelas dengan peubah respon bersifat parametrik. Stone (1985) mengemukakan pemodelan yang bersifat fleksibel
Lebih terperinciMETODE 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 terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Obyek dan Subyek Penelitian 1. Obyek Penelitian Obyek penelitian ini adalah pertumbuhan indeks pembangungan manusia Indonesia dan metode penelitiannya adalah analisis kuantitatif
Lebih terperinciV. HASIL DAN PEMBAHASAN. time series. Data time series umumnya tidak stasioner karena mengandung unit
48 V. HASIL DAN PEMBAHASAN 5.1 Uji Kestasioneritasan Data Uji stasioneritas data dilakukan pada setiap variabel yang digunakan pada model. Langkah ini digunakan untuk menghindari masalah regresi lancung
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciBAB III METODE PENELITIAN. dikumpulkan dari berbagai sumber yaitu Badan Pusat Statistik (BPS), Food and
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang dikumpulkan dari berbagai sumber yaitu Badan Pusat Statistik (BPS), Food and
Lebih terperinciPEMBOBOTAN SUB DIMENSION INDICATOR INDEX UNTUK PENGGABUNGAN CURAH HUJAN (Studi Kasus : 15 Stasiun Penakar Curah Hujan di Kabupaten Indramayu)
Xplore, 2013, Vol. 1(1):e3(1-7) c 2013 Departemen Statistika FMIPA IPB PEMBOBOTAN SUB DIMENSION INDICATOR INDEX UNTUK PENGGABUNGAN CURAH HUJAN (Studi Kasus : 15 Stasiun Penakar Curah Hujan di Kabupaten
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciBAB III HASIL ANALISIS
51 BAB III HASIL ANALISIS 3.1 Pengumpulan Data Pada tahap ini, penulis secara langsung mengambil data dari PT. Coca-Cola Bottling Indonesia Medan pada periode Januari 00 sampai dengan Desember 006. Disamping
Lebih terperinciEVALUASI MUSIM HUJAN 2007/2008 DAN PRAKIRAAN MUSIM KEMARAU 2008 PROVINSI BANTEN DAN DKI JAKARTA
BADAN METEOROLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG-TANGERANG Jln. Raya Kodam Bintaro No. 82 Jakarta Selatan ( 12070 ) Telp: (021) 7353018 / Fax: 7355262, Tromol Pos. 7019 / Jks KL, E-mail
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciKEPALA STASIUN KLIMATOLOGI
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan September 2013 serta Prakiraan Hujan Bulan November, Desember 2013 dan Januari 2014 disusun berdasarkan hasil pengamatan data hujan dari 60 stasiun
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit
BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga
Lebih terperinciHASIL DAN PEMBAHASAN. mengalami fluktuasi antar waktu. Data tersebut mengindikasikan adanya
47 IV. HASIL DAN PEMBAHASAN 4.1 Volatilitas Harga Minyak 4.1.1 Deskripsi Data Plot data harga minyak pada bulan Januari 2000 hingga bulan Desember 2011 dapat dilihat pada Gambar 4.1. Hal ini menunjukan
Lebih terperinciPEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN DI KOTA SEMARANG
PEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN DI KOTA SEMARANG 1 Andayani Nurfaizah, 2 Rochdi Wasono, 3 Siti Hajar Rahmawati 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciSKRIPSI. Oleh: RENGGANIS PURWAKINANTI
APLIKASI METODE MOMEN MOMEN PROBABILITAS TERBOBOTI UNTUK ESTIMASI PARAMETER DISTRIBUSI PARETO TERAMPAT PADA DATA CURAH HUJAN (Studi Kasus Data Curah Hujan Kota Semarang Tahun 2004-2013) SKRIPSI Oleh: RENGGANIS
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Vanissa Hapsari,2013
BAB I PENDAHULUAN 1.1. Latar Belakang Tingkat pencemaran udara di beberapa kota besar cenderung meningkat dari tahun ke tahun. Hal ini disebabkan oleh beberapa faktor diantaranya jumlah transportasi terus
Lebih terperinciBAB III METODE PENELITIAN. kegunaan tertentu. Cara ilmiah berarti kegiatan penelitian itu didasarkan pada
BAB III METODE PENELITIAN Menurut Sugiyono (2013), Metode penelitian pada dasarnya merupakan cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan tertentu. Berdasarkan hal tersebut terdapat empat
Lebih terperinciMETODE PENELITIAN. waktu (time series) dari tahun 1986 sampai Data tersebut diperoleh dari
40 III. METODE PENELITIAN 3.1. Jenis Dan Sumber Data Jenis data yang akan digunakan dalam penelitian ini adalah data sekunder yang relevan dengan penelitian. Semua data yang digunakan merupakan data deret
Lebih terperinciVI. KESIMPULAN DAN SARAN
VI. KESIMPULAN DAN SARAN 6.1. Kesimpulan Dalam penelitian ini telah dilakukan suatu rangkaian penelitian yang mencakup analisis pewilayahan hujan, penyusunan model prediksi curah hujan, serta pemanfaatan
Lebih terperinciKATA PENGANTAR. Kami ucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu penerbitan publikasi prakiraan musim hujan ini.
KATA PENGANTAR Penyajian Prakiraan Musim Hujan 2016/2017 di Provinsi Sumatera Selatan ditujukan untuk memberi informasi kepada masyarakat, disamping publikasi buletin agrometeorologi, analisis dan prakiraan
Lebih terperinciPERAMALAN 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 terperinciBAB III METODE PENELITIN. yaitu ilmu yang valid, ilmu yang dibangun dari empiris, teramati terukur,
BAB III METODE PENELITIN A. Jenis dan Pendektan Penelitian 1. Jenis Penelitian Penelitian ini merupakan penelitian kuantitatif. Penelitian kuantitatif adalah suatu penelitian yang didasari oleh falsafah
Lebih terperinciPREDIKSI 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 terperinciIV. HASIL DAN PEMBAHASAN
56 IV. HASIL DAN PEMBAHASAN Metode analisis yang digunakan oleh penulis dalam penelitian ini adalah metode Vector Auto Regression (VAR) dan dilanjutkan dengan metode Vector Error Correction Model (VECM).
Lebih terperinciBulan Basah (BB) : Bulan dengan curah hujan lebih dari 100 mm (jumlah curah hujan bulanan melebihi angka evaporasi).
1. Klasifikasi Iklim MOHR (1933) Klasifikasi iklim di Indonesia yang didasrakan curah hujan agaknya di ajukan oleh Mohr pada tahun 1933. Klasifikasi iklim ini didasarkan oleh jumlah Bulan Kering (BK) dan
Lebih terperinciPENERAPAN 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 terperinciTabel 1 Sudut terjadinya jarak terdekat dan terjauh pada berbagai kombinasi pemilihan arah acuan 0 o dan arah rotasi HASIL DAN PEMBAHASAN
sudut pada langkah sehingga diperoleh (α i, x i ).. Mentransformasi x i ke jarak sebenarnya melalui informasi jarak pada peta.. Melakukan analisis korelasi linier sirkular antara x dan α untuk masingmasing
Lebih terperinci