GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap

Transkripsi

1 GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap Berlaku mulai: Genap/2010 MATA KULIAH : TEKNIK PERAMALAN KODE MATA KULIAH/ SKS : / 3 SKS MATA KULIAH PRASYARAT : - DESKRIPSI MATA KULIAH : Dalam mata kuliah Peramalan ini, diberikan konsep dan teknik a.l. : pengertian data time series, berbagai tipe data time series, berbagai pemodelan data time series (trend, pemulusan, Aditif, Multiplikatif, ARIMA, Neural Network), teknik identifikasi model, ukuran kinerja model, peramalan, dan analisis residual model. MANFAAT MATA KULIAH : Mata kuliah ini bermanfaat bagi mahasiswa untuk mempunyai ketrampilan pemodelan data time series pada berbagai bidang aplikasi, yaitu bisnis/industri, ekonomi dan bidang teknik sebagai bagian dari sistem pendukung keputusan. TUJUAN : Mahasiswa dapat melakukan identifikasi model yang sesuai untuk berbagai tipe data time series, memodelkannya dan mengukur akurasi serta melakukan peramalan pada berbagai bidang aplikasi bisnis dan industri. KEPUSTA : Wajib: 1. Makridakis, Spyros, Steven C. Wheelwright, Rob J. Hyndman, Forecasting, Methods and Applications, Third Edition, John Wiley & Sons, Inc., Yaffee, Robert A., Monnie McGee, Introduction to Time Series Analysis and Forecasting, with Application of SAS and SPSS, Academic Press, Inc.,2000 Anjuran: 3. Hanke, John, Business Forecasting, Prentice Hall International Inc., 1995 PROSENTASE PENILAIAN : UTS = 30 %, UAS = 30 %, TUGAS = 40 % Tugas diberikan dalam bentuk studi kasus untuk dimodelkan dengan alat bantu software. Halaman 1 dari 5

2 Pert. TUJUAN INSTRUKSIONAL 1 Mahasiswa dapat mendefinisikan pengertian data time series Mahasiswa dapat mengidentifikasi berbagai tipe data time series Mahasiswa dapat membuat scatter diagram 2 Mahasiswa dapat menyebutkan perbedaan model kualitatif dan kuantitatif 3 Mahasiswa dapat memodelkan data time series dengan trend dan MA 4 Mahasiswa dapat memodelkan data time series dengan Pemulusan Eksponensial dan dapat melakukan peramalan 5 Mahasiswa dapat memodelkan data TS dengan Model Aditif dan dapat melakukan peramalan ESTIMASI KEPUSTA Konsep Dasar Pengertian data time series Ceramah Buku 1 Bab I. Peramalan Buku 2 Bab I Tipe data time series Cara identifikasi tipe data time series Scatter Diagram Tahap-tahap Peramalan Berbagai pemodelan data time series Tahap-tahap peramalan Model Kualitatif dan Kuantitatif Model-model Kuantitatif Naïve Model Trend Analysis Moving Average Weighted Moving Average Ukuran akurasi model : MSE, MAPE, MAE, MAD. Model Pemulusan Simple Exponential Smoothing Eksponensial Brown Exponential Smoothing Holt-Winter Exponential Smoothing Evaluasi Model Peramalan dari hasil model Pemulusan Eksponensial Model Aditif Model Trend dan Cycle (Y=T+C) Model Trend dan Seasonal (Y=T+S) Model Trend, Cycle dan Seasonal Tugas: Buat s/w Aditif dan Buku 1 Bab I. Buku 2 Bab I Buku 1 Bab III Buku 1 Bab IV Buku 1 Bab III Halaman 2 dari 5

3 Pert. TUJUAN INSTRUKSIONAL 6 Mahasiswa dapat memodelkan data TS dengan Model Multiplikatif dan dapat melakukan peramalan 7 Mahasiswa dapat melakukan stasionerisasi data time series dengan teknik differencing dan transformasi Box-Cox Model Multiplikatif Model ARIMA (Y=T+C+S+I) Evaluasi Model Peramalan dari hasil model Aditif Model Trend dan Cycle (Y=TC) Model Trend dan Seasonal (Y=TS) Model Trend, Cycle dan Seasonal (Y=TCSI) Peramalan dari hasil model Multiplikatif Penggunaan software Metodologi Box-Jenkins Identifikasi awal Data Stasioner dan Non Stasioner (uji stasioneritas) Teknik Differencing Transformasi Box-Cox Autocorrelation Function Partial Autocorrelation Function Correlogram Penggunaan software Multi. ESTIMASI KEPUSTA Buku 1 Bab III Buku 1 Bab VII 8 Mahasiswa dapat membuat model AR dan MA. Mahasiswa dapat membuat model ARIMA regular Model ARIMA(lanj.) Model AR(p) Model MA(q) Model ARMA(p, q) Model ARIMA (p, d, q) Tugas dengan bantuan s/w Buku 1 Bab VII Halaman 3 dari 5

4 Pert. TUJUAN INSTRUKSIONAL 9 Mahasiswa dapat membuat model ARIMA musiman 10 Mahasiswa dapat melakukan analisis white noise dari model 11 Mahasiswa dapat melakukan pemodelan JST pada data time series dengan MatLab Model ARIMA musiman Diagnostic Checking dari ARIMA Model Jaringan Syaraf Tiruan untuk Peramalan Model AR(p) AR(P) s Model ARIMA (p, d, q) (P, D, Q) s Peramalan dengan ARIMA (p, d, q) (P, D, Q) s Penggunan software Konsep White Noise ACF dan PACF dari residual Q-Q Plot dan Normal probability Plot Konsep Jaringan Syaraf Tiruan Arsitektur JST untuk Peramalan Komputasi JST untuk Peramalan ESTIMASI KEPUSTA Buku 1 Bab VII Buku 1 Bab VII 12 Mahasiswa dapat melakukan pemodelan Neuro-Fuzzy pada data time series dengan MatLab Model Jaringan Syaraf Tiruan untuk Peramalan(lanjutan) identifikasi input Neuro-Fuzzy untuk Peramalan 13 Mahasiswa dapat memodelkan data time series dengan Multiple Regresi Advanced Forecasting Model Penggunaan Regresi untuk Peramalan Multivariate Time Series Analysis 14 Review materi Review materi Review Materi, Halaman 4 dari 5

5 Disahkan Oleh: Diperiksa Oleh: Dibuat Oleh: Helmy Widyantara, S.Kom., M.Eng Tutut Wurijanto, M.Kom Dra. Sulis Janu Hartati, MT Wakil tua I Kaprodi S1 Sistem Informasi tua Tim GBPP Halaman 5 dari 5