DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
|
|
- Veronika Atmadja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana Debaaraja, Dadan Kusnandar INTISARI Model space-ime adalah suau model yang menggabungkan fakor waku dan lokasi pada daa dere waku mulivaria. Diperlukan empa langkah dalam mengkaji model space-ime yaiu idenifikasi model, penenuan mariks bobo, esimasi parameer dan diagnosic checking. Peneliian ini berujuan unuk mengkaji model space-ime dan menerapkannya pada produksi kelapa sawi di PTPN XIII. Daa yang digunakan dalam peneliian ini merupakan daa sekunder yang diperoleh dari PTPN XIII berupa daa bulanan produksi kelapa sawi pada ujuh kebun dari ahun sampai dengan ahun dan daa koordina lokasi pada ujuh kebun. Hasil peneliian menunjukkan bahwa model erbaik yang dapa digunakan adalah ARIMA(,,) dan mariks bobo lokasi yang digunakan adalah disance band, sehingga model space-ime yang digunakan adalah model Space-Time Auoregressive Inegraed Moving Average dengan ordo AR(), MA() lag spasial () dan proses differencing sebanyak sau kali. Esimasi parameer model STARIMA menggunakan Meode Kuadra Terkecil (MKT). Perolehan nilai MAPE pada model STARIMA unuk masing-masing lokasi berada dibawah 2% yang menunjukkan bahwa model STARIMA baik digunakan pada daa produksi kelapa sawi di PTPN XIII. Kaa Kunci: STARIMA, ARIMA, Disance Band, MKT dan MAPE PENDAHULUAN Perkebunan kelapa sawi merupakan salah sau sekor perkebunan unggulan di Indonesia yang mengalami perkembangan yang cukup pesa. Salah sau perusahaan yang mengelola perkebunan kelapa sawi di Kalimanan adalah PTPN XIII. PTPN XIII memiliki luas areal perkebunan kelapa sawi sebesar 3.38 Ha yang erdiri dari kebun sendiri sebesar 55. Ha dan kebun plasma sebesar.8 Ha sera erbagi menjadi dua Disrik yaiu Disrik dan Disrik 2 []. Dalam usaha unuk memenuhi kebuuhan dan persediaan kelapa sawi di masa mendaang, maka perlu diadakan peneliian mengenai pemodelan produksi kelapa sawi di PTPN XIII. Salah sau ujuan pembuaan model dalam produksi kelapa sawi di PTPN XIII adalah unuk mengeahui banyaknya produksi kelapa sawi pada masa yang akan daang. Beberapa meode dere waku yang dapa digunakan unuk memodelkan banyaknya produksi kelapa sawi sehingga dapa digunakan unuk peramalan pada masa yang akan daang adalah model Auoregressive (AR), Moving Average (MA), Auoregressive Moving Average (ARMA) dan Auoregressive Inegraed Moving Average (ARIMA). Model AR adalah benuk regresi yang menghubungkan nilai pengamaan pada waku ke dengan nilai-nilai sebelumnya pada selang waku erenu. MA adalah model yang digunakan unuk memperkirakan nilai pengamaan pada waku ke dengan menggunakan residualnya. Model ARMA adalah gabungan dari model AR dan MA yang memiliki karakerisik seperi model AR dan MA. Model ARIMA adalah gabungan dari model AR dan MA yang mengalami proses differencing [2]. Adakalanya daa idak hanya mengandung keerkaian dengan kejadian pada waku-waku sebelumnya, eapi juga mempunyai keerkaian dengan lokasi aau empa yang lain yang seringkali disebu dengan daa spasial. Daa spasial adalah daa yang berorienasi geografis yang memiliki sisem koordina erenu sebagai dasarnya. Daa produksi kelapa sawi di PTPN XIII selain mengandung keerkaian pada waku sebelumnya juga mengandung keerkaian pada beberapa lokasi. Dalam peneliian ini, model space-ime dierapkan pada produksi kelapa sawi di PTPN XIII. Model space- 83
2 8 E. KURNIAWATI, N. N. DEBATARAJA, D. KUSNANDAR ime adalah suau model yang menggabungkan fakor waku dan lokasi pada daa dere waku mulivariae yang perama kali diperkenalkan oleh Pfeifer dan Deusch (8) [3]. Peneliian ini berujuan unuk mengkaji model space-ime dan menerapkan model space-ime pada daa ou-sample produksi kelapa sawi di PTPN XIII. Baasan pada peneliian adalah daa yang digunakan merupakan daa sekunder yang diperoleh dari PTPN XIII berupa produksi kelapa sawi ahun sampai dengan ahun. Selain iu mariks bobo yang digunakan adalah disance band sera parameer lag spasial yang digunakan dalam model space-ime adalah k = Langkah perama dalam peneliian ini adalah uji sasionerias daa dengan meliha grafik anara nilai observasi dan waku sera menggunakan uji Augmened Dickey-Fuller (ADF). Selanjunya jika daa elah sasioner, pada langkah kedua dilakukan proses idenifikasi model ARMA melalui ACF dan PACF. Langkah keiga adalah menenukan mariks bobo menggunakan disance band. Kemudian pada langkah keempa dilakukan esimasi parameer sera membua model space-ime. Langkah kelima adalah diagnosic checking menggunakan nilai Mean Absolue Persenage Error (MAPE) unuk meliha ukuran keepaan prediksi. Langkah erakhir adalah melakukan peramalan pada daa - ou-sample. ANALISIS DERET WAKTU Model yang sering digunakan dalam peramalan unuk daa dere waku adalah meode Box-Jenkins. Penerapan daa dere waku pada meode Box-Jenkins menggunakan daa dere waku unggal disebu univariae. Model-model yang erdapa dalam meode Box-Jenkins erdiri dari model AR dan MA. Model AR dengan ordo dinoasikan dengan AR. Model MA dengan ordo dinoasikan dengan MA. Gabungan kedua model ersebu dinoasikan dengan ARMA,, sedangkan lambang d hanya digunakan saa daa sudah melalui ahap differencing yang dinoasikan dengan ARIMA (p,d,q) [2]. Daa dere waku dikaakan sasioner jika daa ersebu berflukuasi disekiar nilai raa-raa dan variansi yang relaif konsan sepanjang periode waku. Secara umum, kesasioneran dalam suau daa dere waku melipui raa-raa dan variansi. Unuk meliha kesasioneran dalam daa dere waku dapa dilakukan dengan membua grafik anara nilai observasi dan melalui uji Augmened Dickey-Fuller (ADF). Daa dere waku yang idak sasioner pada umumnya dapa diaasi dengan proses pembedaaan (differencing). Jika z, z 2,..., z adalah suau dere waku maka backward shif operaion didefiniskan sebagai: d B () d Dimana noasi B pada Persamaan () mempunyai pengaruh menggeser daa sebanyak d periode ke belakang. Differencing unuk ordo perama dapa dinyaakan dalam persamaan sebagai beriku: ' ( B) (2) dengan ' adalah nilai variabel pada waku seelah differencing [2,]. MODEL AUTOREGRESSIVE MOVING AVERAGE (ARMA) Model Auoregressive Moving Average (ARMA) adalah gabungan dari model AR dan MA. Model Auoregressive (AR) adalah benuk regresi yang menghubungkan nilai pengamaan pada waku ke ( ) dengan nilai-nilai sebelumnya pada selang waku erenu. Secara umum model AR dapa diuliskan sebagai beriku [2]: '... e (3) 2 2 p p
3 MODEL SPACE-TIME DAN PENERAPANNYA Dengan adalah daa dere waku sasioner pada waku ; parameer model AR dengan ordo ; =,,, ; p dan e adalah nilai residual pada waku ke-. ' adalah konsana; i adalah koefisien nilai pengamaan pada p periode sebelumnya; Model Moving Average (MA) adalah model yang digunakan unuk memperkirakan nilai pengamaan pada waku ke ( ) dengan menggunakan residualnya. Secara umum model MA dapa diuliskan sebagai beriku [2]: ' e e e... e () Dengan 2 2 q q adalah daa dere waku sasioner pada waku ; ' adalah konsana; i adalah koefisien parameer model MA dengan ordo ; =,,, ; e qadalah nilai residual pada q periode yang lalu dan e adalah nilai residual pada waku ke-. Model ARMA, memiliki karakerisik seperi yang dimiliki oleh model AR dan MA dianaranya adalah dipengaruhi oleh daa dan error pada periode-periode sebelumnya. Secara umum model ARMA, dapa diuliskan [2]: '... e e e... e (5) 2 2 p p 2 2 q q Apabila daa idak sasioner maka perlu dilakukan differencing (d) sehingga menjadi model ARIMA (p,d,q). Unuk d= maka model ARIMA(,,) adalah sebagai beriku: Dimana Y adalah Y Y e (6) ; adalah konsana; adalah koefisien parameer model AR; Y adalah 2; adalah koefisien parameer model MA; dan e adalah nilai residual pada sau periode yang lalu. Berdasarkan Persamaan 6 maka persamaan model ARIMA(,,) unuk daa asli adalah sebagai beriku: ( ) e 2 ( ) e (7) 2 MODEL SPACE-TIME Model space-ime adalah suau model yang menggabungkan fakor waku dan lokasi pada daa dere waku mulivariae yang perama kali diperkenalkan oleh Pfeifer dan Deusch (8). Adapun benuk dari model space-ime dapa berupa Space-Time Auoregressive (STAR), Space-Time Moving Average (STMA), dan Space-Time Auoregressive Moving Average (STARMA). STARMA merupakan campuran dari model STAR dan STMA. Dengan demikian model STARMA dapa dirumuskan sebagai beriku [3]: dengan p k q k l l kl ( k ) kl ( k ) k l k l (8) W e W e adalah vekor acak berukuran N pada waku ke- lokasi ke N; k adalah lag spasial dari benuk auoregressive ordo ; kl adalah parameer auoregressive pada lag waku ke k dan lag spasial ke l; kl adalah parameer moving average pada lag waku ke k dan lag spasial ke l; W adalah mariks bobo berukuran N N; e adalah error pada waku ke ; dan N adalah jumlah lokasi.
4 86 E. KURNIAWATI, N. N. DEBATARAJA, D. KUSNANDAR Mariks bobo W merupakan mariks bujur sangkar yang memiliki enri-enri berupa bobo lokasi yang bersesuaian. Mariks bobo yang digunakan adalah disance band. Membangun mariks bobo yang sederhana adalah berdasarkan pengukuran jarak, keika i dan j dianggap eangga apabila j jauh dalam sebuah jarak kriis yang elah dienukan (disance band) dari i. Disance band dilambangkan dengan maka elemen-elemen dari marik dieapkan sebagai [5]: a ij = {, jika d, dimana, jika lainnya Berhubung mariks ini belum memenuhi sifa-sifa mariks bobo maka seiap elemen dibagi dengan jumlah semua elemen pada baris yang bersesuaian, dirumuskan [6]: W ij = Wij adalah bobo anara lokasi dan. a n ={a }, =,,,, n () Perhiungan mariks bobo disance band adalah dengan mencari jarak anar lokasi dengan menggunakan Jarak Euclidean dengan rumus: d( P, Q) ( x x ) ( y y ) () Persamaan digunakan unuk menghiung jarak anara dua lokasi. Seelah semua jarak perbandingan anar lokasi didapa melalui Jarak Euclidean, kemudian mencari jarak paling kecil dari perbandingan dengan lokasi-lokasi yang lainnya. Kemudian dari jarak-jarak paling kecil ersebu dipilih nilai erbesar yaiu sebagai Disance band. Esimasi parameer model space-ime dienukan dengan menggunakan Meode Kuadra Terkecil (MKT). Meode kuadra erkecil adalah meode pendugaan parameer dengan meminumkan jumlah kuadra S. Esimasi model STARMA dilakukan dengan cara mengesimasi parameer model STAR, dilanjukan dengan esimasi parameer model STMA. Model aksiran STARMA merupakan model yang dibenuk dengan parameer-parameernya merupakan hasil aksiran STAR, STMA dan mariks bobo [3]. Esimasi parameer ˆkl pada model STAR diperoleh dengan menurunkan jumlah kuadra S erhadap parameer kl, kemudian menyamakan urunannya dengan nol. Apabila diambil benuk umum dari model STAR dapa diulis sebagai beriku: p k l kl ( k ) k l W e Error model STAR adalah sebagai beriku: p k l kl ( k ) k l e W Kuadra error STAR dinyaakan dengan: p k 2 l 2 ( kl ( k )) k l S e W Kemudian dilakukan penurunan erhadap semua parameer, selanjunya dibenuk mariks dengan memilih
5 MODEL SPACE-TIME DAN PENERAPANNYA ˆ 2 p k 2 dan k X W W W Sehingga diperoleh ˆ X X ˆ X p X X X Esimasi parameer ˆkl pada model STMA diperoleh dengan menurunkan jumlah kuadra S erhadap parameer ˆkl, kemudian menyamakan urunannya dengan nol. Apabila diambil benuk umum dari model STMA dapa diulis sebagai beriku: q k l kl ( k ) k l e W e Esimasi parameer model STMA dapa dilakukan dengan cara yang sama seperi esimasi parameer model STAR dengan menggani mariks ˆ menjadi ˆ 2 k dan X menjadi eˆ e We W e W e p Selanjunya parameer model STAR, STMA dan mariks bobo digunakan unuk membenuk model STARMA. Unuk proses ini dapa dilanjukan menggunakan banuan sofware R. Esimasi parameer STARMA mengharuskan memenuhi kondisi sasioner sebagai beriku [3]: ˆ dan ˆ DIAGNOSTIC CHECKING Prediksi adalah kegiaan unuk memperkirakan apa yang akan erjadi dimasa yang akan daang. Tujuan dari prediksi ersebu adalah unuk meliha gambaran produksi kelapa sawi diwaku mendaang pada masing-masing lokasi. Jika dari grafik erliha bahwa model yang elah dienukan memiliki pola yang sama dengan daa aslinya, maka dapa dikaakan bahwa proses prediksi dengan model ersebu cukup akura digunakan. Keepaan hasil prediksi dihiung dengan Mean Absolue Persenage Error (MAPE). Mean Absolue Percenage Error (MAPE) dihiung dengan menggunakan kesalahan absolu pada iap periode dibagi dengan nilai observasi yang nyaa unuk periode iu. Kemudian, meraa-raa kesalahan persenase absolu ersebu. MAPE merupakan pengukuran kesalahan yang menghiung ukuran persenase penyimpangan anara daa akual dengan daa peramalan. Model erbaik memiliki nilai MAPE yang minimum. MAPE dihiung dengan rumus: dengan adalah daa akual; MAPE n i ˆ / n () ˆ adalah daa hasil prediksi; dan n adalah banyaknya daa. Kemampuan prediksi sanga baik jika memiliki nilai MAPE kurang dari % dan mempunyai kemampuan prediksi yang baik jika nilai MAPE kurang dari % [2,7]. IDENTIFIKASI DATA Daa yang digunakan dalam peneliian ini merupakan daa bulanan berjumlah 32 daa dari ahun sampai dengan unuk ujuh lokasi yaiu daerah Gunung Meliau, Gunung Emas, Sei Dekan,
6 88 E. KURNIAWATI, N. N. DEBATARAJA, D. KUSNANDAR Rimba Belian, Ngabang, Parindu dan Kembayan sera daa koordina lokasi unuk ujuh lokasi yang sama. Pada peneliian ini daa yang digunakan unuk model space-ime adalah daa in-sample berjumlah 2 daa dari ujuh lokasi yaiu dari bulan Januari -bulan Desember 2 dan daa ousample berjumlah 2 daa yaiu dari bulan Januari -bulan Desember yang digunakan unuk peramalan. Berdasarkan grafik pada daa in-sample erliha daa belum sasioner karena dari grafikgrafik ersebu erliha daa idak begerak disekiar nilai raa-raa dan variansi sera memiliki unsur rend. Unuk mendapakan daa yang sasioner maka perlu dilakukan pembedaan (differencing). Daa hasil pembedaan disajikan pada Gambar. Gambar Grafik Hasil Differencing Produksi Kelapa Sawi Tujuh lokasi Berdasarkan grafik yang elah disajikan pada Gambar erliha daa sudah sasioner karena dari grafik-grafik ersebu erliha daa begerak disekiar nilai raa-raa dan variansi sera idak memiliki unsur rend. Hasil analisis dari grafik, menunjukkan bahwa daa elah sasioner pada pembedaan ordo perama. Hal ini juga erliha dalam uji Augmened Dickey-Fuller (ADF) unuk meliha kesasioneran daa pada raa-raa dan variansi. Hasil pengujian dengan ADF es melalui banuan sofware Eviews disajikan pada Tabel. Tabel Augmened Dickey-Fuller (ADF) Tes No Lokasi P-Value Keerangan Gunung Meliau,3 Tolak 2 Gunung Emas, Tolak 3 Sei Dekan, Tolak Rimba Belian,27 Tolak 5 Ngabang, Tolak 6 Parindu, Tolak 7 Kembayan, Tolak Berdasarkan nilai p-value dari ujuh lokasi dari Tabel erliha bahwa nilai p-value < nilai α = % sehingga dapa disimpulkan bahwa daa produksi kelapa sawi pada ujuh lokasi elah sasioner. Berdasarkan daa yang elah sasioner, selanjunya dibenuk plo ACF dan PACF unuk seiap lokasi. Plo ACF dan PACF unuk seiap lokasi diampilkan pada Gambar 2. Gambar 2 Plo ACF dan PACF Produksi Kelapa Sawi Tujuh Lokasi
7 MODEL SPACE-TIME DAN PENERAPANNYA... Berdasarkan plo ACF dan PACF pada Gambar 2 dapa dikeahui bahwa model yang dapa digunakan adalah ARIMA. Unuk meliha model yang sesuai, maka dilakukan overfiing model ARIMA(,,), ARIMA(2,,2), ARIMA(,,2) dan ARIMA(2,,). Hasil overfiing beberapa model menunjukkan bahwa model ARIMA(,,) memiliki koefisien parameer yang signifikan sera nilai AIC erkecil sehingga model yang epa unuk digunakan dalam peneliian ini adalah Space-Time Auoregressive Inegraed Moving Average dengan ordo AR(), MA() lag spasial () dan proses differencing sebanyak sau kali (STARIMA(,, )). Mariks Bobo Mariks bobo yang digunakan dalam peneliian ini adalah disance band. Daa koordina unuk ujuh lokasi yang digunakan dalam peneliian ini disajikan dalam Tabel 2 []. Tabel 2 Koordina Lokasi Produksi Kelapa Sawi No Lokasi Koordina Lokasi Gunung Meliau," LS & 7' 3,6" BT 2 Gunung Emas," LU & ' 53,6" BT 3 Sei Dekan," LS & 22' 5," BT Rimba Belian," LS & 27',3" BT 5 Ngabang," LU & 5' 7," BT 6 Parindu," LU & 8' 6,55" BT 7 Kembayan," LU & 22',7" BT Daa koordina lokasi kemudian digunakan unuk mengukur jarak anar kebun [8]. Hasil perhiungan jarak yang diperoleh disajikan dalam Tabel 3. Tabel 3 Perhiungan Jarak Lokasi Kebuni Kelapa Sawi (km) Lokasi ,,82 2,2 6, 3,2 6, 2,,5 5,7 58,,,8 3,82,5, 7,2 3,6 62,8 2,2 5,7,, 36, 56,66 5 6, 58, 7,2,,75 53, 6 3,2, 3,6 36,,75, Seelah semua jarak perbandingan anar lokasi didapa melalui Jarak Euclidean, kemudian mencari jarak paling kecil dari perbandingan dengan lokasi-lokasi yang lainnya Kemudian dari jarak-jarak paling kecil ersebu dipilih nilai erbesar sebagai disance band dengan jarak,75 km. Sehingga diperoleh mariks bobo disance band. Berhubung mariks ini belum memenuhi sifa-sifa mariks bobo maka seiap elemen dibagi dengan jumlah semua elemen pada baris yang bersesuaian dihiung dengan rumus yang diunjukkan pada Persamaan () sehingga mariks bobo yang diperoleh sebagai beriku: W (2)
8 E. KURNIAWATI, N. N. DEBATARAJA, D. KUSNANDAR Esimasi Parameer Esimasi parameer model STARIMA(,,, ) unuk daa produksi kelapa sawi dilakukan dengan menggunakan Meode Kuadra Terkecil (MKT) dengan banuan sofware R diperoleh ˆ, 37, ˆ, 376, ˆ, 2 dan ˆ, 2. Parameer-parameer model STARIMA menunjukkan besarnya pengaruh suau lokasi erhadap lokasi-lokasi lain di sekiarnya. Model aksiran STARIMA merupakan model yang dibenuk dengan parameer-parameernya merupakan hasil aksiran STAR ( ), STMA ( ) dan mariks bobo lokasi pada Persamaan (2) yaiu: Model aksiran STARIMA unuk ujuh lokasi, dinyaakan sebagai beriku: ˆ () ( ) ( 2) ˆ 2 () 2( ) 2( 2) ( ) ( 2) ˆ 2( ) 2( 2) 3 () 3( ) 3( 2) 3( ) 3( 2) ˆ ( ),63( ),37( 2), 376 ( ) ( 2) ˆ 5() 5( ) 5( 2) 5( ) 5( 2) ˆ () 6( ) 6( 2) ( ) 6( 2) ˆ ( ) ( () 2) 7( ) 7( 2) e ( ) e ( ) e2 ( ) e2 ( ) e3 ( ) e3 ( ), 2e ( ), 2 e ( ) e5 ( ) e5 ( ) e6 ( ) e 6 6( ) e7 ( ) e7 ( ) Diagnosic Checking Berdasarkan model-model yang elah dibua, maka langkah selanjunya adalah menggunakan model ersebu pada daa produksi kelapa sawi pada daa in- sample, kemudian menghiung keepaan hasil peramalan dengan Mean Absolue Percenage Error (MAPE). Hasil perhiungan nilai MAPE unuk masing-masing lokasi disajikan dalam Tabel. Tabel Perhiungan Nilai MAPE No Lokasi MAPE Gunung Meliau,75% 2 Gunung Emas,7% 3 Sei Dekan,38% Rimba Belian 2,% 5 Ngabang 2,6% 6 Parindu 6,86% 7 Kembayan 3,7% Berdasarkan nilai MAPE yang elah diperoleh pada Tabel maka dapa disimpulkan bahwa keepaan peramalan unuk model STARIMA(,, ) unuk ujuh lokasi berada dibawah % yang menunjukkan bahwa model ersebu mempunyai kemampuan peramalan yang baik. Hal ini juga erliha dalam grafik perbandingan anara daa asli dan hasil prediksi yang menunjukkan bahwa hasil prediksi mendekai daa aslinya. Grafik perbandingan anara daa asli dan hasil prediksi disajikan dalam Gambar 3
9 MODEL SPACE-TIME DAN PENERAPANNYA Keerangan: Gambar 3 Grafik Perbandingan Daa Dengan Hasil Prediksi Hasil Peramalan Pada Daa Ou-Sample Berdasarkan hasil MAPE yang menunjukkan bahwa model STARIMA(,, ) mempunyai kemampuan peramalan yang baik, maka model STARIMA(,, ) dapa dierapkan pada daa ousample. Hasil peramalan daa ou-sample disajikan pada Tabel 5. Tabel 5 Hasil Peramalan Daa Ou-Sample No Bulan Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober November Desember
10 2 E. KURNIAWATI, N. N. DEBATARAJA, D. KUSNANDAR KESIMPULAN Dalam peneliian ini, penulis mencoba menunjukkan bagaimana proses pembenukkan model STARIMA dan penerapannya pada produksi kelapa sawi di PTPN XIII. Dari hasil pengolahan daa dapa disimpulkan bahwa: a. Dari hasil prediksi daa in-sample produksi kelapa sawi dengan model STARIMA(,, ) yang elah erbenuk erliha bahwa nilai MAPE yang diperoleh dari seiap lokasi berada dibawah %. Hal ini menunjukan bahwa model STARIMA(,, ) mempunyai kemampuan prediksi yang baik. Hal ini juga erliha dalam grafik perbandingan anara daa asli dan hasil prediksi yang menunjukkan bahwa hasil prediksi mendekai daa aslinya. b. Berdasarkan hasil MAPE yang menunjukkan bahwa model STARIMA(,, ) mempunyai kemampuan prediksi yang baik, maka model STARIMA(,, ) dapa dierapkan pada daa ousample. UCAPAN TERIMA KASIH Terima kasih kepada PT. Perkebunan Nusanara XIII yang elah memberikan daa berupa produksi bulanan kelapa sawi dari ahun sampai dengan ahun sera koordina dari ujuh lokasi perkebunan kelapa sawi. DAFTAR PUSTAKA [] PTPN 3, 22. Sejarah PT. Perkebunan Nusanara XIII. [online], [ Okober ]. [2] Mongomery, D.C.; Jennings, C.L. dan Kulahci, M., 28, Inroducion o Time Series Analysis and Forecing, John Wiley & Sons, Canada [3] Pfeifer, P.E. and Deusch, S.J., 8, A Three-Sage Ieraive Procedure For Space-Time Modeling, Technomerics, 22, [] Wei, W.W.S. 26. Time Series Analysis Univariae and Mulivariae Mehods Second Edion, Pearson Addison-Wesley, The Unied Saes of Amerika. [5] Anselin, L.; Florax, R.J.G.M. dan Rey, S.J., 2, Advances in Spaial Economerics, Springer Science+Business Media, LLC, San Francisco [6] Suryamah, E.; Ruchjana, B.N. dan Joebaedi, K., 23, Kajian Mariks Bobo Lokasi Model Space Time Auoregressive (STAR), Jurnal Maemaika Inegraif, -22. [7] Suryaningrum, K.M. dan Wijaya, S.P.,, Analisa dan Penerapan Meode Single Exponenial Smoohing Unuk Prediksi Penjualan Pada Periode Terenu, Di dalam: Prosiding SNATIF Ke -2, 8 April, Universias Maria Kudus, Jakara. [8] Agnas, 27. Menghiung Jarak di Pea Berdasarkan Garis Asronomis Linang dan Bujur. (online), (5 Januari 27). ELLA KURNIAWATI NAOMI NESSYANA DEBATARAJA DADAN KUSNANDAR : Jurusan Maemaika FMIPA Unan, Ponianak, ellakurniawai37@gmail.com : Jurusan Maemaika FMIPA Unan, Ponianak, naominessyana@mah.unan.ac.id : Jurusan Maemaika FMIPA Unan, Ponianak, dkusnand@unan.ac.id
BAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB 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 terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih 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 terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih 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 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 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
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 terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
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 NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
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 terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
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 terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
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 terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih 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 terperinciBAB 2 TINJAUAN TEORI
7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih 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 terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
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 terperinciPenerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan
Jurnal Sains Maemaika dan Saisika, Vol. 4, No., Januari 8 ISSN 46-454 prin/issn 65-8663 online Penerapan Model ARCH/GARCH unuk Peramalan Nilai Tukar Peani Ari Pani Desvina, Inggrid Ocaviani Meijer, Jurusan
Lebih terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
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 terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih 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 terperinciPerancangan Sistem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Metode Triple Exponential Smoothing
Jurnal Ilmiah Teknologi dan Informaika ASIA (JITIKA) Vol.10, No.2, Agusus 2016 ISSN: 0852-730X Perancangan Sisem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Meode Triple Exponenial Smoohing Tria
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
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 terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
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 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 terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
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 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 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 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 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 terperinciPENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC TMP C CILACAP
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC
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 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 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 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 Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinciProsiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PERAMALAN VOLUME PENGGUNAAN AIR BERSIH DENGAN METODE WINTERS EPONENTIAL SMOOTHING UNTUK MENENTUKAN VOLUME
Lebih terperinciBAB 2 LANDASAN TEORI. Pengangguran atau tuna karya merupakan istilah untuk orang yang tidak mau bekerja
BAB 2 LANDASAN TEORI 2.1 Pengerian Pengangguran Pengangguran aau una karya merupakan isilah unuk orang yang idak mau bekerja sama sekali, sedang mencari kerja, bekerja kurang dari dua hari selama seminggu,
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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengerian Supply Chain Managemen Supply chain managemen merupakan pendekaan aau meode dalam memanajemen hubungan perusahaan dengan supplier dan konsumen yang erjadi pada pengendalian
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
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 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 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 terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
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 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 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 terperinciBAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat
BAB 1 PENDAHULUAN 1.1 Laar Belakang Sumber Daya Alam (SDA) yang ersedia merupakan salah sau pelengkap ala kebuuhan manusia, misalnya anah, air, energi lisrik, energi panas. Energi Lisrik merupakan Sumber
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 terperinciSISTEM PREDIKSI PENJUALAN GAMIS TOKO QITAZ MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING. Oleh: Salman Alfarisi
S. Alfarisi / Journal of Applied Business and Economics Vol. 4 No. 1 (Sep 2017) 80-95 SISTEM PREDIKSI PENJUALAN GAMIS TOKO QITAZ MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING Oleh: Salman Alfarisi Program
Lebih terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
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 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 terperinciPengaruh variabel makroekonomi..., 24 Serbio Harerio, Universitas FE UI, 2009Indonesia
BAB 3 DATA DAN METODOLOGI 3.1 Variabel-Variabel Peneliian 3.1.1 Variabel dependen Variabel dependen yang digunakan adalah reurn Indeks Harga Saham Gabungan yang dihiung dari perubahan logarima naural IHSG
Lebih terperinciAPLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
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 terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.. Ruang Lingkup Peneliian Peneliian ini diujukan unuk menenukan meode erbaik yang dapa digunakan dalam meramalkan harga ayam pada enam koa besar di Jawa-Bali. Meode peramalan yang
Lebih terperinciBAB II TINJAUAN PUSTAKA. mempunyai efek menekan atau menghentikan suatu proses biokimia di dalam
BAB II TINJAUAN PUSTAKA 2.1 Anibioik 2.1.1 Defenisi Anibioik adalah segolongan senyawa, baik alami maupun sineik, yang mempunyai efek menekan aau menghenikan suau proses biokimia di dalam organisme, khususnya
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciMinggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING. Peramalan Data Time Series
Minggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING Bab ini memperkenalkan model berlaku unuk daa ime series dengan musiman, ren, aau keduana komponen musiman dan ren dan daa sasioner. Meode peramalan
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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Air merupakan kebuuhan pokok bagi seiap makhluk hidup di dunia ini ermasuk manusia. Air juga merupakan komponen lingkungan hidup yang pening bagi kelangsungan hidup
Lebih terperinciFORECASTING & ARIMA. Dwi Martani. 1/26/2010 Statistik untuk Bisnis 9 1
FORECASTING & ARIMA Dwi Marani /26/200 Saisik unuk Bisnis 9 DERET BERKALA (TIME SERIES) Suau dere berkala merupakan suau himpunan observasi dimana variabel yang digunakan diukur dalam uruan periode waku,
Lebih terperinci3 METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian 3.2 Pengumpulan Data 3.3 Pengolahan dan Analisis Data Analisis catch per unit effort
3 METODE PENELITIAN 3. Waku dan Tempa Peneliian Peneliian dilaksanakan selama dua bulan dari bulan Agusus sampai Sepember 2008. Tempa yang dadikan obyek peneliian adalah Pelabuhan Perikanan Nusanara (PPN)
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 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 terperinciPERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA
Gunawan: PERAMALAN NILAI NAV RMF, EQUITY, DAN FIXED FUND PT. PRUDENTIAL LIFE 9 PERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA Eric Gunawan ),
Lebih terperinciAPLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU
APLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU Dwi Susani, Susiswo Universias Negeri Malang E-mail: dwisusani39@gmail.com ABSTRAK: Peneliian ini berujuan unuk
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 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 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 terperinciPenerapan Model ARIMA Dalam Memprediksi IHSG
Penerapan Model ARIMA Dalam Memprediksi IHSG Bambang Hendrawan Polieknik Baam Parkway Sree, Baam Cenre, Baam 29461, Indonesia e-mail: benks@polibaam.ac.id Absrak: Tujuan peneliian ini adalah unuk mencari
Lebih terperinciBAB 1 PENDAHULUAN. tahun 1990-an, jumlah produksi pangan terutama beras, cenderung mengalami
11 BAB 1 PENDAHULUAN 1.1. Laar Belakang Keahanan pangan (food securiy) di negara kia ampaknya cukup rapuh. Sejak awal ahun 1990-an, jumlah produksi pangan eruama beras, cenderung mengalami penurunan sehingga
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya
5 Bab 2 Tinjauan Pusaka 2.1 Peneliian Sebelumnya Dalam skripsi peneliian yang berjudul Pemodelan dinamis pola anam berbasis meode LVQ (Learning Vecor Quanizaion) (Bursa, 2010), menghasilkan sisem informasi
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 terperinci