PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
|
|
- Yulia Wibowo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi ( ) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si
2 Laar Belakang 2
3 Laar Belakang Keberangkaan JKT/SOEKARNO-HATTA BALIKPAPAN UJUNG PANDANG BANJARMASIN DENPASAR MATARAM/SELAPARANG BATAM KUPANG/ELTARI JOGYAKARTA BANDUNG 0 Monh Year Jan 2006 Jul Jan 2007 Jul Jan 2008 Jul Jan 2009 Jul Jan 200 3
4 Laar Belakang Meode ARIMA Regresi Time Series 4
5 Permasalahan Bagaimana permodelan ingka penumpang ransporasi udara dengan ujuan keberangkaan Surabaya Balikpapan dengan meode ARIMA dan regresi? Bagaimana prediksi jumlah penumpang ransporasi udara dengan ujuan keberangkaan Surabaya Balikpapan dalam beberapa periode ke depan dengan meode ARIMA dan regresi? 5
6 Tujuan Mengeahui model erbaik yang dihasilkan dari ingka penumpang ransporasi udara dengan ujuan keberangkaan Surabaya Balikpapan dengan meode ARIMA dan regresi. Mengeahui prediksi jumlah penumpang ransporasi udara dengan ujuan keberangkaan Surabaya Balikpapan dalam beberapa periode ke depan dengan meode ARIMA dan regresi. 6
7 Baasan Masalah Baasan masalah yang dalam peneliian ini adalah hanya erbaas pada penumpang pesawa erbang dengan asal Surabaya ujuan Balikpapan. Meode yang digunakan dalam peneliian ini adalah meode ARIMA yang dilengkapi dengan persamaan regresi ime series erbaik. 7
8 Konsep Dasar Time Series Timeseries (dere waku) adalah suau pengamaan yang ersusun secara beruruan menuru waku. Meskipun uruan biasanya berdasarkan waku, khususnya dalam hal beberapa inerval ruang waku, uruan mungkin juga dapa diambil melalui dimensi lain seperi ruang. (Wei, 2006:). Konsep dasar yang diperlukan dalam memahami model imeseries adalah proses auokorelasi dan auokorelasi parsial. 8
9 Konsep Dasar Time Series Time Series Auokorelasi Auokorelasi Parsial 9
10 Auokorelasi (ACF) Koefisien Auokorelasi (Auocorrelaion Funcion aau ACF) digunakan unuk mengukur keeraan hubungan anara observasi ke- dengan periode ke-+k. ρ k = nk ( Z )( ) Z Z + k Z = n ( Z ) Z = 2 0
11 Auokorelasi Parsial (PACF) Koefisien Auokorelasi Parsial (Parial Auocorrelaion Funcion aau PACF) digunakan unuk mengukur keeraan hubungan anara observasi ke- dengan observasi ke-+k dimana pengaruh dari observasi-observasi sebelumnya sudah dihilangkan. ˆ ϕ k +, k + ρ k + j= = k k j= ˆ ϕ ˆ ϕ kj kj ˆ ρ ˆ ρ k + j j
12 Model Time Series Time Series Sasioner Sasioner AR MA ARMA 2
13 Auoregressive (AR) Model auoregressive menggambarkan hubungan observasi sekarang dari imeseries erganung pada observasi sebelumnya diambah error. Z + = φz + + φ pz p a 3
14 Moving Average (MA) Model Moving Average berguna dalam menjelaskan fenomena di mana perisiwa menghasilkan efek langsung yang hanya berlangsung selama jangka waku yang singka. Z = a a θ a θ q q 4
15 ARMA Model ARMA merupakan proses kombinasi anara AR dan MA φ ( B ) Z = θ ( B) a p q dengan φ p ( B) = ( φb... φ B p p ) dan θ q ( B) = ( θb... θ B q q ) 5
16 Kesasioneran Model Time Series Daa Sasioner Mean Varians Differencing Transformasi Variabel 6
17 Transformasi Variabel Meode yang dapa digunakan unuk ransformasi daa yang idak sasioner dalam varians adalah ransformasi power T ( Z ) = Z λ λ Lambda Transformasi -,0 /Z -0,5 0,0 0,5 Z Z Z Z,0 (Tidak ada ransformasi) / ln
18 Differencing Meode unuk mensasionerkan raa-raa yang idak sasioner adalah dengan differencing. Differencing Perama Z' = Z Z aau Z' = Z BZ = ( B)Z Differencing Kedua Z'' = = = Z' (Z Z = ( Z' Z 2Z B) = ( 2B + 2 Z ) (Z B + 2 Z )Z - 2 Z' 2 )
19 Model Time Series Non Sasioner Model imeseries unuk yang dapa menangkap keberadaan nonsasionerias daa adalah model ARIMA. φ (B)( + p d B) Z = θ0 θ q (B)e 9
20 Model ARIMA Musiman Model ARIMA dengan fakor musiman pada menjelaskan pengulangan sifa-sifa AR, MA, ARMA maupun ARIMA pada sau periode yang eap. Φ P Θ Q ( B Φ ( B S ) S P ) ( Θ S S D S B )( B ) b = Q ( B ) = ( Θ = ( Φ dimana B B S S Θ dan 2 Φ B 2 2S B 2S... Θ a Q B... Φ Sehingga model gabungan ARIMA dan ARIMA musiman menjadi : S Φ ( B ) a S d S D P ( B ) φ p(b)( B) ( B ) Z = θq(b) ΘQ QS P B ) PS ) 20
21 Idenifikasi Model ARIMA Proses ACF PACF AR (p) MA(q) ARMA(p,q) Turun Secara Eksponensial Terpoong Seelah Lag q Turun Seelah Lag (q-p) Terpoong Seelah Lag p Turun Secara Eksponensial Turun Seelah Lag (p-q) 2
22 Esimasi Parameer Model ARIMA Condiional Maximum Likelihood Condiional Leas Square Maximum Likelihood Karena fungsi Log-Likelihood diperoleh dengan meminimalkan jumlah kuadra S, maka : Uncondiional Maximum Likelihood Uncondiional Leas Square 22
23 Esimasi Parameer Model ARIMA ),, ( ln 2 2 ),,, ( ln a a a S n L σ θ µ φ πσ σ θ µ φ = ),,,, ( ),, ( 2 Z a Z a S n = = θ µ φ θ µ φ dimana S * (ϕ,μ,θ,σ 2 a) diperoleh dari fungsi ),, ( ln 2 2 ),,, ( ln a a a S n L σ θ µ φ πσ σ θ µ φ = 2 [ ] 2 ),,, ( ),, ( Z a E a S n θ µ φ θ µ φ = = dimana S(ϕ,μ,θ,σ 2 a) diperoleh dari fungsi Condiional Maximum Likelihood Uncondiional Maximum Likelihood
24 Pengecekan Diagnosa Whie Noise Q = K n( + 2) ( n k) ρ k = 2 ˆ k Residual Normal D = Sup Fn ( x) F0 ( x) 24
25 Deeksi Oulier Timeseries Oulier merupakan pengamaan yang dapa mempengaruhi daa lain menjadi bias dan idak konsisen. Oulier Addiive Oulier Level Shif Oulier 25
26 Deeksi Oulier Timeseries 26 ) ( ) ( ) ( ) (,, T T I a B B I X T X T X Z ω φ θ ω ω + = + = = + = = = T T I T 0 ) ( dimana Addiive oulier berpengaruh hanya pada saa ke-t ) ( ) ( T L I B X Z ω + = < = T T I T 0 ) ( dimana Innovaional oulier berpengaruh pada semua pengamaan seelah T (Z, Z +,...) melampau waku ke T.
27 Sumber Daa Jumlah penumpang ransporasi udara ujuan Surabaya Balikpapan. Bulanan Harian In-sample (Jan 2000 Des 2009) Ou-sample (Jan 200 Des 200) In-sample ( Jan Des 200) Ou-sample ( Jan 20 3 Jan 20) 27
28 Langkah Analisis Tahap idenifikasi model ARIMA Tahap idenifikasi model regresi ime series Tahap pemilihan model yang lebih baik anara model ARIMA dengan model regresi. 28
29 Saisik Deskripsi Daa Bulanan Bulan Mean Sandar Deviasi Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober Nopember Desember
30 Saisik Deskripsi Daa Bulanan Bulan
31 Saisik Deskripsi Daa Bulanan Tahun Mean Sandar Deviasi
32 Saisik Deskripsi Daa Bulanan Tahun
33 Saisik Deskripsi Daa Harian Hari Mean Sandar Deviasi Senin 834,8 37,2 Selasa 797,8 308, Rabu 86,0 246,9 Kamis 789,8 30,6 Juma 70, 329,2 Sabu 76,9 333,4 Minggu 804,8 34, 33
34 Saisik Deskripsi Daa Harian Keberangkaan Senin Selasa Rabu Kamis Hari Juma Sabu Minggu 34
35 Saisik Deskripsi Daa Harian Bulan Mean Sandar Deviasi Januari 853,5 47,0 Februari 725,0 4,9 Mare 706, 03,4 April 699,3 92,8 Mei 768,5 27,2 Juni 75,4 79,6 Juli 80,9 97,2 Agusus 267,2 358,4 Sepember 89,0 666,0 Okober 2083,3 87,8 Nopember 2037,2 50, Desember 94, 37,9 35
36 Saisik Deskripsi Daa Harian Keberangkaan Bulan
37 Plo Time Series Daa Bulanan Monh Jan Year 2000 Jan 200 Jan 2002 Jan 2003 Jan 2004 Jan 2005 Jan 2006 Jan 2007 Jan 2008 Jan
38 Plo Box-Cox Daa Bulanan Lower CL Upper CL Lambda 45 Lower CL Upper CL Lambda (using 95,0% confidence) Esimae 0,26 40 (using 95,0% confidence) Esimae 0, Lower CL -0,00 Upper CL 0,55 35 Lower CL -0,0 Upper CL,2 SDev 5000 Rounded Value 0,50 SDev Rounded Value 0, Lambda Limi 5 0-5,0-2,5 0,0 Lambda 2,5 5,0 Limi 38
39 Plo Time Series Daa Bulanan Monh Year Jan 2000 Jan 200 Jan 2002 Jan 2003 Jan 2004 Jan 2005 Jan 2006 Jan 2007 Jan 2008 Jan
40 Plo ACF Daa Bulanan,0 0,8 0,6 0,4 Auokorelasi 0,2 0,0-0,2-0,4-0,6-0,8 -, Lag
41 Plo Time Series Daa Bulanan Diff(Z*) Monh Year Jan 2000 Jan 200 Jan 2002 Jan 2003 Jan 2004 Jan 2005 Jan 2006 Jan 2007 Jan 2008 Jan
42 Plo ACF dan PACF Daa Bulanan ,0,0 0,8 0,8 0,6 0,6 Auokorelasi 0,4 0,2 0,0-0,2-0,4 Auokorelasi Parsial 0,4 0,2 0,0-0,2-0,4-0,6-0,6-0,8-0,8 -,0 -, Lag Lag
43 Model ARIMA Dugaan Model Parameer Esimasi P value ϕ -0,4984 0,0000 ϕ Model I 2-0,0789 0,3434* ϕ ([,2,5,,2],,0) 5-0, ,3939* ϕ 0, ,2756* ϕ 2 0, ,0000 Model II (0,,[,6,2,3]) Model III ([,2,5,,2],,[,6,2,3]) θ 0,4924 0,0000 θ 6-0, ,00 θ 2-0,4709 0,0000 θ 3 0, ,0000 ϕ -0,7292 0,224* ϕ 2 0,066 0,574* ϕ 5 0,0946 0,8066* ϕ 0, ,4846* ϕ 2 0, ,0000 θ 0, ,030 θ 6-0,4392 0,265* θ 2 0, ,7053* θ 3 0, ,8405* 43
44 Model ARIMA Dugaan Model Parameer Esimasi P value ϕ Model IV -0, ,0000 ([,2],,0)(,0,0) 2 ϕ 2-0,9225 0,0397 Φ 0,7604 0,0000 Model V (0,,[,6,3])(0,0,) 2 Model VI ([,2],,) Model VII (,,)(,0,0) 2 θ 0, ,0000 θ 6-0,687 0,0366 θ 3 0,7938 0,0347 Θ -0, ,0000 ϕ -0, ,0007 ϕ 2 0,6960 0,0095 θ 0,3849 0,0000 ϕ -0, ,0565* Φ 0,78 0,0442 θ 0, ,
45 Uji Whie Noise Model Model II (0,,[,6,2,3]) Model IV ([,2],,0)(,0,0) 2 Model V (0,,[,6,3])(0,0,) 2 Model VI ([,2],,) Hingga Deraja Lag Bebas χ 2 hiung P value 6 2 2,53 0, ,50 0,0357* ,84 0,0362* ,37 0,082* 6 3 2,6 0, ,3 0, ,84 0, ,4 0, ,2 0, ,0 0, ,26 0, ,26 0, ,54 0, ,95 0, ,86 0, ,47 0,495 45
46 Uji Disribusi Normal Model D P value Keerangan IV 0,090 0,087 Tidak Normal V 0,090 0,072 Tidak Normal VI 0,074 0,0976 Normal* 46
47 Persamaan Model ARIMA 47 a B θ B)Z ( B B ) ( ) ( 2 2 = φ φ a B θ Z B B B B B ) ( ) ( = + + φ φ φ φ = + + a θ a Z Z Z Z Z Z φ φ φ φ = a θ a Z Z Z Z Z Z φ φ φ φ ) ( = a θ a Z Z Z Z Z φ φ φ φ , 0,70 0,70 0,23, = a a Z Z Z Z Z ARIMA ([,2],,)
48 Model Regresi Bulan D D 2 D 3 D 4 D 5 D 6 D 7 D 8 D 9 D 0 D Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober Nopember Desember
49 Uji Signifikansi Serenak Sumber DB SS MS F P Regresi ,92 0,000 Residual Toal
50 Uji Signifikansi Parsial Paramee Koefisie T P Keerangan r n Konsan ,60 0,000 Signifikan 69,46 2,5 0,034 Signifikan D ,89 0,000 Signifikan D ,94 0,000 Signifikan D ,20 0,000 Signifikan D ,65 0,009 Signifikan D ,64 0,00 Signifikan D ,39 0,00 Signifikan D ,05 0,000 Signifikan D ,54 0,00 Signifikan Y -2 0,3790 4,69 0,000 Signifikan Y -3 0,4467 5,06 0,000 Signifikan 50
51 Uji Asumsi Residual,0 0,8 0,6 0,4 Auokorelasi 0,2 0,0-0,2-0,4-0,6-0,8 -, Lag Uji Kolmogorov-Smirnov D hiung P value Keerangan >0.50 Normal 5
52 Perbandingan Model Daa In-sample Ou-sample *Nilai Terkecil Model ARIMA Regresi MAPE 0,3073* 0,8582 MAD 2659,3* 2759,35 RMSE 3737,0* 3783,8 MAPE 4,304 8,47729* MAD 7304,98 475,78* RMSE 8274, ,23* 52
53 Perbandingan Model AKTUAL ARIMA REGRESI Daa Monh Year Jan 20 Feb Mar Apr Mei Jun Jul Agus Sep Ok Nop Des 53
54 Plo Time Series Daa Harian Day Monh 0 Jan 0 Feb 0 Mar 0 Apr 0 Mei 0 Jun 0 Jul 0 Agus 0 Sep 0 Ok 0 Nop 0 Des 54
55 Plo Box-Cox Daa Harian 400 Lower CL Upper CL Lambda 350 (using 95,0% confidence) Esimae, Lower CL, Upper CL,93 SDev Rounded Value, Limi -5,0-2,5 0,0 Lambda 2,5 5,0 55
56 Plo ACF Daa Harian,0 0,8 0,6 0,4 Auokorelasi 0,2 0,0-0,2-0,4-0,6-0,8 -, Lag
57 Plo Time Series Daa Harian Day Monh 0 Jan 0 Feb 0 Mar 0 Apr 0 Mei 0 Jun 0 Jul 0 Agus 0 Sep 0 Ok 0 Nop 0 Des 57
58 Plo ACF dan PACF Daa Harian Auokorelasi,0 0,8 0,6 0,4 0,2 0,0-0,2-0, Auokorelasi Parsial,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0, ,6-0,8-0,8 -,0 -, Lag Lag
59 Model ARIMA Dugaan Model Model I ([,2,7,2,48,55],,0) Model II ([,2,7,2,55],,0) Paramee r Esimasi P value ϕ <.000 ϕ ϕ ϕ ϕ * ϕ * ϕ <.000 ϕ ϕ ϕ ϕ
60 Model ARIMA Dugaan Model Parameer Esimasi P value ϕ <.000 ϕ Model III ϕ ([,2,7,2,48,55],,0) ϕ ϕ * ϕ * Model IV ([,2,7,2,55],,0) Model V (0,,[,2,7,2,23,28,56]) ϕ <.000 ϕ ϕ ϕ ϕ θ <.000 θ θ θ * θ θ θ
61 Model ARIMA Dugaan Model Parameer Esimasi P value θ <.000 Model VI θ (0,,[,2,7,23]) θ θ Model VII ([,2,7,2,48,55],, [,2,7,2,23,28,56]) ϕ * ϕ * ϕ <.000 ϕ ϕ * ϕ * θ θ * θ <.000 θ * θ θ * θ * 6
62 Model ARIMA Dugaan Model Parameer Esimasi P value ϕ <.000 θ <.000 Model VIII θ ([7],,[,2,7,23,56]) θ <.000 θ θ
63 Pemilihan Model ARIMA Model AIC ([,2,7,2,55],,0) 4604,2 (0,,[,2,7,23]) 462,539 ([7],,[,2,7,23,56]) 4587,985* 63
64 Pengujian Asumsi Residual Uji Ljung-Box Hingga Lag χ 2 hiung Deraja bebas P value Keerangan 6 * 0 * Whienoise Uji Kolmogorov Smirnov D hiung P value Keerangan Tidak Normal 64
65 Oulier Residual Daa Jenis Esimasi P value 26 Shif < Addiive < Shif < Shif < Shif < Addiive < Addiive < Addiive < Addiive Addiive Addiive Addiive Addiive Shif
66 Esimasi Parameer Parameer Esimasi P value ϕ <0.000 θ <0.000 θ θ <.000 θ θ * ω S <.000 ω A <.000 ω S <.000 ω S <.000 ω A <.000 ω A <.000 ω A ω A ω A ω A ω A ω A ω A ω S * Tidak Signifikan 66
67 Esimasi Parameer Parameer Esimasi P value ϕ <0.000 θ <0.000 θ θ θ ω S <0.000 ω A <0.000 ω S <0.000 ω S <0.000 ω A <0.000 ω A <0.000 ω A ω A ω A ω A ω A ω A ω A ω S
68 Pengecekan Diagnosa Uji Ljung-Box Hingga Lag χ 2 hiung Deraja bebas P value Keerangan Whie-noise Uji Kolmogorov Smirnov D hiung P value Keerangan Normal 68
69 Persamaan Model ARIMA ,24 234,2 236,6 305,06 265,38 273,04 280,44 29,8 360,22 405,88 692,44 682,6 457,3 706,85 0, 0,28 0,2 0,38 0,43 0,43 S A A A A A A A A S s s A s I I I I I I I I I I I I I I a a a a a Z Z Z Z = ω
70 Model Regresi Hari D D 2 D 3 D 4 D 5 D 6 D R Minggu Senin Selasa Rabu Kamis Juma Sabu Ramadhan
71 Uji Signifikansi Parameer Sumber DB SS MS F P Regresi ,34 0,000 Residual Toal Parameer Koefisien T P Keerangan Konsan 45,33 7,0 0,000 Signifikan 0, ,7 0,002 Signifikan D 28,40,08 0,279 Tidak Signifikan D 2-36,28 -,39 0,66 Tidak Signifikan D 3-4,70-0,57 0,572 Tidak Signifikan D 4-33,69 -,30 0,96 Tidak Signifikan D 5-06,27-4, 0,000 Signifikan D 6-5,46-0,2 0,835 Tidak Signifikan D R -266,93-6,39 0,000 Signifikan Y - 0, ,9 0,000 Signifikan Y -3 0,2392 3,0 0,003 Signifikan 7
72 Uji Signifikansi Parameer Sumber DB SS MS F P Regresi ,35 0,000 Residual Toal Parameer Koefisien T P Keerangan Konsan 459,48 7,36 0,000 Signifikan 0, ,29 0,00 Signifikan D 5-96,00-4,86 0,000 Signifikan D R -265,38-6,86 0,000 Signifikan Y - 0, ,72 0,000 Signifikan Y -3 0,402 2,88 0,004 Signifikan 72
73 Uji Asumsi Residual,0 0,8 0,6 0,4 Auokorelasi 0,2 0,0-0,2-0,4-0,6-0,8 -, Lag Uji Kolmogorov Smirnov D hiung P value Keerangan <0.00 Tidak Normal 73
74 Oulier Residual Sep Sep 08-Sep -Sep Residual Agus 05-Sep 7-Sep 23-Sep Agus 9-Agus 2-Sep Apr Uji Kolmogorov Smirnov D hiung P value Keerangan >0.50 Normal 74
75 Perbandingan Model In-sample Ou-sample Daa Model ARIMA Regresi MAPE 4,42598* 5,3076 MAD 73,6786* 89,4399 RMSE 94,4956* 25,38 MAPE 3,4999 3,73604* MAD 28,43 76,755* RMSE 295,55 92,2859* 75
76 Perbandingan Model AKTUAL ARIMA REGRESI 2000 Daa Day Monh Year 0 Jan
77 Kesimpulan Unuk daa bulanan, model ARIMA yang didapakan adalah model ARIMA ([,2],,), sedangkan model regresi ime series yang diperoleh adalah = ,46 + 0,38Y ,44Y D 765D D D D D D D 9. Unuk daa harian, model ARIMA yang dihasilkan adalah model ARIMA ([7],,[,2,7,23]), adapun model regresi ime series yang didapakan adalah = 459,48 + 0,24 + 0,62Y - + 0,Y -3 96D 5 265,38D R. Perbadingan model daa bulanan maupun harian dengan MAPE, MAD, dan RMSE menunjukkan bahwa model ARIMA yang dihasilkan sanga baik unuk memodelkan daa in-sample. Namun model regresi ime series lebih baik dalam peramalan daa ou-sample. 77
78 Dafar Pusaka Ahadiani, S.D, 200. Model Fungsi Transfer Jumlah Penumpang Pesawa Rue Surabaya- Balikpapan. Surabaya : Jurusan Maemaika ITS. Ariyadi, J., Susano, S Laporan Kerja Prakek di PT. (Persero) Angkasa Pura I Bandar Udara Juanda Surabaya. Surabaya : Jurusan Saisika ITS. Anonim, 20. Bonang. hp://id.wikipedia.org/wiki/bonang (diakses Mare 20) Anonim, 20. Samarinda. hp://id.wikipedia.org/wiki/samarinda. (diakses Mare 20) Anonim, 20. Tenggarong. hp://id.wikipedia.org/wiki/tenggarong (diakses Mare 20) BPS Kalimanan Timur. 20. Press Release BPS Provinsi Kalimanaan Timur hp://kalim.bps.go.id/web/brs/20-/pdrb%20t4%20200.pdf (diakses anggal 4 Mare 20) Daniel, Wayne. W., 989, Saisika Nonparamerik Terapan, Jakara : PT. Gramedia Pusaka Uama. Draper, N., Smih, H. (992). Analisis Regresi Terapan Edisi Kedua. Jakara: Gramedia Makridakis, S., Wheelwrigh, S.C., McGee V.E Meode Dan Aplikasi Peramalan. Jakara : Erlangga. Wei, William WS Time Series Analysis Univariae and Mulivariae Mehods. Unied Saes of America : Addison-Wesley. 78
79 Terima Kasih 79
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciAnalisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang
Analisis Peramalan Jumlah Penumpang Kerea Api Penaaran Tujuan Surabaya-Malang Oleh. Andria Prima Diago 08.00.0 Dosen Pembimbing. r. Dwiamono Agus, M.komp Andria Prima Diago 08.00.0 nsiu Teknologi Sepuluh
Lebih terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih 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 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 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 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 terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama: Zahroh Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika
Lebih terperincimetodologi penelitian
pendahuluan injauan pusaka meodologi peneliian hasil dan pembahasan kesimpulan Pusaka Meodologi Peningkaan Energi lisrik Kebuuhan energi lisrik Pengembangan sisem energi lisrik Peramalan beban lisrik Slide
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 PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS:
ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: UDD PMI KOTA SURABAYA) Oleh: Winda Eka Febriana (0500) Pembimbing: Ir. Dwiamono Agus W., MIKom . LATAR BELAKANG DARAH
Lebih terperinciTUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor
TUGAS AKHIR Pendekaan Meode ARIMA Box Jenkins unuk Analisis Peramalan Daa Ekspor Non Migas Indonesia Di Sekor Peranian, Sekor Perindusrian dan Sekor Nurul Laifa Perambangan 307 030 70 Dosen pembimbing
Lebih terperinciAnalisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender
Analisis Peramalan Jumlah Perminaan Kerudung di Indusri Kecil Kerudung Arin di Surabaya dengan Meode Variasi Kalender Disusun oleh : Sely Enggar Rusiano 307 030 030 Dosen Pembimbing : Dr. Irhamah, M.Si
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 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 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 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 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 terperinciPeramalan Kebutuhan Premium dengan Metode ARIMAX untuk Optimasi Persediaan di Wilayah TBBM Madiun
Peramalan Kebuuhan Premium dengan Meode ARIMAX unuk Opimasi Persediaan di Wilayah TBBM Madiun Oleh: Nindia Sekar Dini 1308100088 Pembimbing: Drs. Haryono, MSIE Dr. Suharono 1 Ouline Pendahuluan Tinjauan
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 terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciPERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR
TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN
Lebih 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 terperinciPERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS Affanda Abdul Hakim Aminullah NRP 1314 030 048 Dosen Pembimbing : Dr. Brodjol Suijo S.U., M.Si Deparemen
Lebih terperinciPenentuan Pelebaran Window Time Optimal Pada Data Deret Waktu
1 Penenuan Pelebaran Window Time Opimal Pada Daa Dere Waku (1) Nursya`bani Hendro Prabowo dan (2) Raden Mohamad Aok Deparemen Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Insiu Teknologi Sepuluh
Lebih terperinciPERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS Puri Handayani NRP 1314 030 112 Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si. Deparemen
Lebih terperinciPeramalan Pengguna Kapal Ferry Ujung-Kamal dengan Metode Intervensi
D-480 JURNAL SAINS DAN SENI IS Vol. No. 2 (6) 2337-3 (2-928X Prin) Peramalan Pengguna Kapal Ferry Ujung-Kamal dengan Meode Inervensi Eka Apriliani, dan Irhamah Jurusan Saisika, Fakulas MIPA, Insiu eknologi
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 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 terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperinciARIMA (Autoregressive Integrated Moving Average)
ARIMA (Auoregressive Inegraed Moving Average) I. Prinsip Dasar dan Tujuan Analisis. Prinsip Dasar ARIMA sering juga disebu meode runun waku Box-Jenkins. ARIMA sanga baik keepaannya unuk peramalan jangka
Lebih terperinciPEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA
PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA Fadil Rahman Hakim, Dr. Ir. Achmad Mauludiyano, MT. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri
Lebih terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciPERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP 1314 030 070 Dosen Pembimbing Dr. Brodjol Suijo
Lebih terperinciPERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Mohammad Fariq NRP 1314 030 015 Dosen Pembimbing Dra. Sri Mumpuni Renaningsih,
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciDosen Pembimbing Dr. Brodjol Sutijo Suprih Ulama, M.Si.
TUGAS AKHIR SS 145561 PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS BOBBY AKBAR NRP 1314 030 002 Dosen Pembimbing Dr Brodjol Suijo Suprih Ulama, MSi DEPARTEMEN
Lebih terperinciPERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA
TUGAS AKHIR SS 145561 PERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA RIZKI FEBRIASTO NRP 1314 030 102 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi
Lebih terperinciPeramalan Total Market Sepeda Motor Dan Total Penjualan Motor X Di Propinsi Jawa Timur Dengan Pendekatan ARIMA Box-Jenkins Dan ARIMAX
Peramalan Toal Marke epeda Moor Dan Toal Penjualan Moor X Di Propinsi Jawa Timur Dengan Pendekaan ARIMA Box-Jenkins Dan ARIMAX Oleh: Novia Dwi R. (300027) Dosen Pembimbing: Dr. eiawan, M.i 2 AGENDA PENDAHULUAN
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciANALISIS DATA INFLASI INDONESIA MENGGUNAKAN MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DENGAN PENAMBAHAN OUTLIER.
Analisis Daa (Supari) ANALISIS DAA INFLASI INDONESIA MENGGUNAKAN MODEL AUOREGRESSIVE INEGRAED MOVING AVERAGE (ARIMA) DENGAN PENAMBAHAN OULIER Supari 1 dan Alfi Faridaus Sa adah 2 1 Saf Pengajar Jurusan
Lebih 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(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinciagenda Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
seminar ugas akhir Renny Elfira Wulansari 0000 pembimbing Dr. Suharono, S.Si, M.Sc Gedung H Lanai Saisika FMIPA-ITS Surabaya, Juli 04 agenda Pendahuluan Tinjauan Pusaka Meodologi Peneliian Analisis dan
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciPERAMALAN JUMLAH KEBERANGKATAN PENUMPANG PELAYARAN DALAM NEGERI DARI PELABUHAN TANJUNG PERAK MENGGUNAKAN ARIMA-BOX JENKINS
TUGAS AKHIR SS 4556 PERAMALAN JUMLAH KEBERANGKATAN PENUMPANG PELAYARAN DALAM NEGERI DARI PELABUHAN TANJUNG PERAK MENGGUNAKAN ARIMA-BOX JENKINS Nina Fannani NRP 34 030 02 Dosen Pembimbing Dr. Wahyu Wibowo,
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih 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 terperinciPROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA
PROSES AUOREGRESSIVE CONDIIONAL HEEROSCEDASICIY DENGAN DUGAAN VARIANSI INFLASI INDONESIA Rianiai Monica, Suyono, dan Vera Maya Sani Jurusan Maemaika FMIPA UNJ Absrak Model-model runun waku konvensional,
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciPENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA
PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA Leopoldus Ricky Sasongko, Lydia Ninuk Rahayu, dan Alberh Roy Koa 3,,3 Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
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 terperinciPERAMALAN JUMLAH PENUMPANG PADA PT
PERAMALAN JUMLAH PENUMPANG PADA PT. ANGKASA PURA I (PERSERO) KANTOR CABANG BANDAR UDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA DENGAN METODE WINTER S EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA SKRIPSI Diajukan
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 terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciPrediksi Penjualan Sepeda Motor Honda di Kabupaten dan Kotamadya Malang dengan Metode Peramalan Hierarki. Oleh : Rika Susanti
Prediksi Penjualan Sepeda Moor Honda di Kabupaen dan Koamadya Malang dengan Meode Peramalan Hierarki Oleh : Rika Susani 1310100066 Dosen Pembimbing Co. Pembimbing : Dra. Desri Susilaningrum, M.Si. : Dr.
Lebih terperinci2 efek dari pengaruh kejadian luar (exernal even) pada daa ime series (Wei, 2006). Bila y adalah daa ime series yang mengandung variasi kalender, maka
. PERAMALAN VOLUME KENDARAAN MASUK DI TOL DUPAK-WARU MENGGUNAKAN MODEL VARIASI KALENDER Yosua D. Charismawan (1304 100 024) Pembimbing : Ir. Dwiamono Agus W.,M.Ikom ABSTRAK Tol Surabaya-Gempol merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Definisi Peramalan Peramalan adalah suau kegiaan dalam memperkirakan aau kegiaan ang melipui pembuaan perencanaan di masa ang akan daang dengan menggunakan daa masa lalu dan daa masa
Lebih terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih 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 terperinciPEMODELAN ARIMA UNTUK KANAL HF LINK MALANG - SURABAYA
PEMODELAN ARIMA UNTUK KANAL HF LINK MALANG - SURABAYA Lissa Rosdiana Noer, Achmad Mauludiyano. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri Insiu Teknologi Sepuluh
Lebih 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 terperinciPERAMALAN JUMLAH KEDATANGAN WISATAWAN MANCANEGARA DI INDONESIA MELALUI PINTU MASUK BANDAR UDARA NGURAH RAI BALI MENGGUNAKAN METODE ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH KEDATANGAN WISATAWAN MANCANEGARA DI INDONESIA MELALUI PINTU MASUK BANDAR UDARA NGURAH RAI BALI MENGGUNAKAN METODE ARIMA BOX-JENKINS Raih Yulika Endaryana NRP 1314
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 terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih 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 terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciPEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 9 PEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL Y.P.Y. Asmara,
Lebih terperinciPeramalan Beban Listrik di Jawa Timur Menggunakan Metode ARIMA dan Adaptive Neuro Fuzzy Inference System (ANFIS)
JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) D-9 Peramalan Beban Lisrik di Jawa Timur Menggunakan Meode ARIMA dan Adapive Neuro Fuzzy Inference Sysem () Indana La Zulfa dan Suharono Jurusan
Lebih terperinciPeramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS
JURNAL SAINS DAN SENI IS Vol. 4, No., () 2337-3 (2-928X Prin) D-67 Peramalan Inflasi Nasional Berdasarkan Fakor Ekonomi Makro Menggunakan Pendekaan ime Series Klasik dan ANFIS Clara Agusin Sephani, Agus
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
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 terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
Lebih terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 91-100 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI BREAKPOINT DAN PEMODELAN AUTOREGRESSIVE STRUCTURAL
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 terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun
Peramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun NAMA : RITA RAHMADHANI NRP : 1306 030 008 PEMBIMBING: DR. BRODJOL SUTIJO
Lebih terperinciPEMODELAN BOX-JENKINS (ARIMA) UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN
PEMODELAN BOX-JENKINS (ARIMA) UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN Vincenius Iwan Primadiya 1 dan Nur Iriawan 2 1) Program Sudi Magiser Manajemen Teknologi, Insiu Teknologi Sepuluh Nopember e-mail:
Lebih terperinciPERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH
Vol.. No., 03 PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH Ari Pani Desvina, Sari Marlinda, Jurusan Maemaika Fakulas Sains dan Teknologi
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO
PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO SKRIPSI Disusun Oleh : SITI LIS INA ATUL HIDAYAH 24010211120006 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Disini tujuan akhir yang ingin dicapai penulis adalah pembuatan suatu aplikasi
BAB 5 HASIL DAN PEMBAHASAN Disini ujuan akhir yang ingin dicapai penulis adalah pembuaan suau aplikasi program yang digunakan unuk membanu perusahaan dalam menenukan jumlah produksi demand. Disini ada
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
Lebih terperinciPERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN Yuli Wahyuningsih (), Brodjol Suijo S. U (), Suharono () Mahasiswa Jurusan Saisika, FMIPA, Insiu Teknologi
Lebih terperinciPEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION
PEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION Oleh NYOMAN PANDU WIRADARMA (1308 100 052) Dosen Pembimbing 1
Lebih terperinciBAB 3 LANDASAN TEORI. peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan teknik dan
BAB 3 LANDASAN TEORI 3. Peramalan Pada sub bab ini akan dibahas mengenai pengerian peramalan, kegunaan meode peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan eknik dan meode peramalan,
Lebih terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Metode ARIMA, FFNN, dan Hybrid ARIMA-FFNN
D-444 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) 27-520 (20-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Meode ARMA, FFNN, dan Hybrid ARMA-FFNN Daniar Kusumaning Ayu, Desri Susilaningrum
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 terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinci