PENERAPAN MODEL GSTAR(1,1) UNTUK DATA CURAH HUJAN
|
|
- Sudomo Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Bulen Ilmah Mah. Sa. dan Terapannya (Bmaser) Volume 6, o. 03 (017), hal PEERAPA MODEL GSTAR(1,1) UTUK DATA CURAH HUJA Ism Adam, Dadan Kusnandar, Hendra Perdana ITISARI Model Generalzed Space Tme Auoregressve (GSTAR) merupakan model dere waku yang mempunya keerkaan anar lokas dengan parameer yang dak harus sama unuk waku dan lokas. Penelan n berujuan mendapakan model GSTAR dan mendapakan ramalan curah hujan lma lokas d Kalmanan Bara yau sasun pengamaan Supado, Sanan, Snang, Puussbau, dan Keapang. Daa yang dgunakan adalah daa curah hujan lma lokas d Kalmanan Bara dengan perode waku dar Januar 009 hngga Desember 014. Pendugaan parameer model GSTAR(1,1) dlakukan dengan menggunakan meode Ordnary Leas Square (OLS) dengan bobo nvers jarak. Hasl analss menunjukan bahwa model GSTAR(1,1) dapa dgunakan unuk meramal curah hujan dengan bak d lokas Snang eap dak cukup bak unuk lokas lannya. Kaa Kunc : GSTAR, space me, curah hujan, OLS. PEDAHULUA Ponanak merupakan bu koa propns Kalmanan Bara yang dkenal sebaga Koa Khaulswa karena dlalu gars lnang 0. Kalmanan Bara merupakan daerah yang memlk nensas curah hujan yang ngg. Sumber energ panas radas maahar yang selalu ada sepanjang ahun dambah kelembaban dalam jumlah yang cukup ngg mendorong proses pembenukan awan sera hujan menjad sanga ngg. Tdak hanya nensas hujan ngg, curah hujan d wlayah Kalmanan Bara juga memlk varas spasal dan emporal yang ngg, hal n dpengaruh oleh leak geograf, opograf, kenggan empa, dan arah angn [1]. Salah sau model yang palng serng dgunakan dalam peramalan adalah model me seres. Model me seres yau model peramalan dengan memperhakan daa-daa sebelumnya secara beruruan berdasarkan waku dengan nerval yang sama, bsa berupa haran, mngguan, bulanan, aau ahunan. Unsur keerganungan waku dan lokas yang dgabungkan pada suau me seres peubah ganda merupakan model ruang waku (space me) dan merupakan salah sau model mulvara. Model ruang waku yang serng dgunakan adalah Model Space Tme Auoregressve (STAR). Model STAR dgunakan unuk semua lokas yang bersfa homogen, dengan mengasumskan parameer auoregressve dan parameer space adalah sama unuk seap lokas []. Model STAR dperluaskan menjad Generalzed Space Tme Auoregressve (GSTAR) [3]. Model GSTAR dgunakan unuk semua lokas yang bersfa heerogen, dengan mengasumskan parameer auoregressve dan parameer space adalah dak sama unuk seap lokas. Permasalahan uama pada model GSTAR adalah pemlhan dan penenuan bobo lokas. Terdapa beberapa macam bobo lokas yang dapa dgunakan pada model pola curah hujan GSTAR salah saunya yau bobo lokas nvers jarak. Bobo lokas nvers jarak ddapa melalu normalsas nla-nla nvers dar jarak anara lokas. Oleh karena u, dalam penelan n dharapkan dapa erbenuk suau model yang menggambarkan keerkaan waku dan lokas dengan menggunakan bobo lokas nvers jarak lma lokas d Kalmanan Bara yau Supado, Sanan, Snang, Puussbau, dan Keapang dengan menggunakan model Generalzed Space Tme Auoregressve (GSTAR). Penelan n membahas model curah hujan lma lokas d Kalmanan Bara dengan menggunakan model GSTAR(1,1) dan meramalkan daa curah hujan lma lokas d Kalmanan Bara dengan bobo lokas nvers jarak. Analss Tme Seres Tme seres adalah sejumlah observas yang dlakukan selama beberapa perode dan dgunakan 159
2 160 I. ADAM, D. KUSADAR, H. PERDAA sebaga dasar dalam penyusunan suau ramalan beberapa perode d masa depan [4]. Langkah penng dalam memlh suau meode me seres yang epa adalah dengan mempermbangkan jens pola daa, sehngga meode yang palng epa dengan pola daa ersebu dapa duj. Pola daa dapa dbedakan menjad empa, yau pola rend, pola horzonal, pola musman, dan pola skls [5]. Daa me seres dkaakan sasoner jka raa-raa dan varansnya konsan, dak ada unsur rend dalam daa, dan dak ada unsur musman. Sasoneras berar bahwa dak erdapa perubahan yang drass pada daa. Daa secara kasarnya harus horzonal sepanjang sumbu perode aau waku. Dengan kaa lan, flukuas daa berada d sekar suau nla raa-raa yang konsan, dak erganung pada waku dan varans dar flukuas ersebu [5]. Uj Augmened Dckey-Fuller (ADF) Uj Sasoneras dapa ddeeks menggunakan uj Augmened Dckey-Fuller (ADF). Uj n melha apakah erdapa un roo ddalam model aau dak. Pengujan dlakukan dengan menguj hpoess H ρ = 0 dalam persamaan regres a e 1 j j j 1 Dengan, merupakan varabel pengamaan pada waku ke-; a merupakan nla konsana; δ merupakan nla parameer regres unuk rend; ρ merupakan nla parameer regres unuk lag ke-1; φ merupakan nla parameer regres unuk lag ke-j; e merupakan nla kesalahan pada waku ke- [6]. Uj ADF dlakukan dengan ahap pengujan hpoess sebaga berku: Hpoess: H : 1 (erdapa un roo aau daa dak sasoner) H : 1 (dak erdapa un roo aau daa sasoner) Sask Uj: 1 k 1 ADF hung = SE( ) n n 1 dengan SE( ) e 1, dan e 1 1 n 1 Hpoess nol dolak jka nla sask uj ADF hung kurang dar nla daerah krs. Jka hpoess nol dolak, maka daa bersfa sasoner. Sebalknya, jka hpoess nol derma, maka daa bersfa dak sasoner [7]. Model Auoregressve (AR) Auoregressve (AR) adalah suau benuk regres eap bukan yang menghubungkan varabel ak bebas, melankan menghubungkan nla-nla sebelumnya pada me lag. Jad suau model Auoregressve akan menyaakan suau ramalan sebaga fungs nla-nla sebelumnya dar dere waku erenu [5]. Model Auoregressve (AR) dengan order p dnoaskan AR(p). Benuk umum model AR(p) sebaga berku [4]: = φ + φ + φ + + φ + e (1) dmana, adalah varabel pengamaan pada waku ke-; φ adalah parameer auoregressve ke-p; dan e adalah nla kesalahan pada waku ke-. Persamaan (1) dapa duls sebaga berku: 1 φ B φ B φ B φ B = e aau φ (B) = e () Dengan, B adalah operaor shf mundur (backward shf) [4].
3 Penerapan Model GSTAR(1,1) unuk Daa Curah Hujan 161 Model Generalzed Space Tme Auoregressve (GSTAR) Model GSTAR merupakan pengembangan dar model STAR. Secara maemas, noas dar model GSTAR adalah sama dengan model STAR. Perbedaan yang mendasar anara model GSTAR dan model STAR erleak pada nla-nla parameer Φ [8]. Pada model STAR nla parameer Φ dasumskan sama unuk semua lokas, sehngga model n hanya dapa derapkan pada lokas yang bersfa seragam []. Sedangkan, model GSTAR memlk nla parameer Φ berbeda pada seap lokas, sehngga model n memlk karakersk yang bersfa heerogen [3]. Model GSTAR(p, l) dengan model auoregressve orde p dan orde spasal l = 0,1,,, λ dapa dulskan: p k k1 l0 ( l) ( ) W ( k) ( ) kl Dengan, orde k adalah waku (me); orde l adalah ruang (spasal) dmana l = 0,1,,, λ ; λ adalah spasal lag dar benuk auoregressve orde k; Φ = dag φ (),, φ () merupakan marks parameer waku; Φ = dag φ (),, φ () adalah parameer auoregressve pada lag waku k dan lag spasal l; W () memenuh syara ( l) adalah marks bobo dengan nla pembobo yang dplh agar w 0 dan w () = 1, dmana W () ddefnskan sebaga marks denas I; ε() adalah vekor error erhadap waku yang dasumskan bebas dan normal dengan raa-raa nol dan varans yang konsan. Penenuan Bobo Lokas Pada Model GSTAR Bobo yang palng umum dgunakan adalah pemboboan berdasarkan nvers dar jarak. Bobo lokas nvers jarak menggunakan jarak sebenarnya anar lokas d lapangan. Secara umum bobo lokas nvers jarak anara lokas ke- dengan lokas ke-j denukan sebaga berku: W r k 1 3 k1, k, k j j W31 W3 0 W 3 r k k1, k 0 W W W W 0 W W W 1 W W 3 0, dengan, j = 1,,, dmana, merupakan banyak lokas, dan marks nvers jarak ersebu memenuh = 1 [8]. W () Esmas Parameer Model GSTAR Unuk Lokas Ke- Esmas parameer pada model GSTAR dapa dlakukan dengan meode kuadra erkecl (Ordnary Leas Square, OLS), yau dengan memnmumkan jumlah kuadra smpangannya [3]. Msalkan model GSTAR unuk orde waku 1 dan orde spasal 1 dengan menggunakan lokas ke- yang berbeda, dapa duls sebaga berku: ( ) 10 ( 1) 11W j j ( 1) ( ), j 1,,..., (5) aau dapa duls dalam benuk mark sebaga berku: W 1 1 W 1 1 W ( ) 1 ( ) ( ) 1 W 1 W 1 W 1 ( ) ( ) W W 3 1 W ( ) ( ) ( ) W W W ( ) ( ) W W 1 W 1 W () Dengan V () = d lokas djabarkan dalam benuk mark sebaga berku:, sehngga srukur daa unuk esmas parameer model GSTAR(1,1) (3) (4)
4 16 I. ADAM, D. KUSADAR, H. PERDAA ( ) 1 ( 1) V1 ( 1) ( ) ( ) 0 ( 1) V ( 1) 0 0 ( ) 3 ( ) ( 1) V3 ( 1) ( ) 1 1 ( ) ( 1) V ( 1) 1 1 ( ) Mean Absolue Percenage Error (MAPE) Mean Absolue Percenage Error (MAPE) adalah raa-raa kesalahan mulak persenase seap perode waku [5]. MAPE drumuskan sebaga berku: M A P E n 1 F 0 % n Dengan, merupakan daa akual pada perode ke-; F merupakan nla ramalan pada perode ke- ; n merupakan banyaknya pengamaan dere waku. Suau model mempunya knerja sanga bak jka nla MAPE berada dbawah 10% dan mempunya knerja bak jka nla MAPE berada danara 10% - 0% [9]. Deskrps Daa Curah Hujan Daa yang dgunakan dalam penelan n adalah daa curah hujan d lma lokas Kabupaen/Koa selama perode ahun Pada Tabel 1 berku dsajkan sask deskrps dar daa ersebu. Tabel 1. Sask Deskrps Daa Curah Hujan d Lma Lokas Kalmanan Bara o Lokas Mean Mn Max Varans Devas Sandar 1 Supado 60 7,86 54,70 668, ,9 14,51 Sanan 60 1,46 35,10 518, ,5 16,00 3 Snang 60 59,90 6,90 541, ,79 107,71 4 Puussbau ,01 8,00 806, ,7 177,17 5 Keapang 60 6,50 3,80 764, ,95 185,66 Sumber: dolah dar BPS Provns Kalmanan Bara, Kabupaen Kubu Raya, Ponanak, Snang, Kapuas Hulu, dan Keapang dalam angka dar ahun 009 sampa 013. Plo daa curah hujan d sasun Supado, Sanan, Snang, Puussbau, dan Keapang perode Januar Desember 013 dsajkan pada Gambar 1 berku: (6) Curah Hujan Sasun Supado Curah Hujan Sasun Sanan Curah Hujan Sasun Snang Curah Hujan Sasun Puussbau Curah Hujan Sasun Keapang Gambar 1. Plo daa curah hujan belum sasoner
5 Penerapan Model GSTAR(1,1) unuk Daa Curah Hujan 163 Gambar 1 erlha bahwa daa belum sasoner pada varans, sehngga daa dlakukan proses ranformas. Daa yang sudah dlakukan proses ranformas dnoaskan sebaga Z () = ln () dan dkaakan sasoner dalam varan apabla srukur daa dar waku ke waku mempunya flukuas daa yang eap aau konsan dan dak berubah-ubah [10]. Uj Sasoneras Seelah dransformas daa ersebu kemudan duj dengan Augmened Dckey-Fuller (ADF). Hasl pengujan dsajkan dalam Tabel 3 berku: Tabel 3. Hasl Uj Sasoneras Daa Curah Hujan d Kalmanan Bara o Lokas p_value Keerangan 1 Supado 0,0430 Tolak H Sanan 0,0439 Tolak H 3 Snang 0,0305 Tolak H 4 Puussbau 0,0463 Tolak H 5 Keapang 0,005 Tolak H Kesmpulan karena nla p_value d seap lokas pada Tabel 3 lebh kecl dar α = 0,05 maka H dolak, dengan kaa lan daa curah hujan lma lokas d Kalmanan bara sudah sasoner. Penenuan Bobo Lokas Pada Model GSTAR(1,1) Hasl perhungan marks pembobo dengan bobo nvers jarak adalah sebaga berku: W j 0, , , ,195 0, 59 0, , , , , 5 8 0, 580 0, 5 6 0, , 748 0, 110 0, , , , , , , , , , Penaksran Parameer Model GSTAR(1,1) Lma Lokas Menenukan parameer model GSTAR(1,1) dengan menggunakan Persamaan (5), dmana nlanla parameer dhung menggunakan sofware R. Hasl penaksran parameer unuk daa curah hujan lma lokas sasun yang sudah dransformas dperoleh nla aksran parameer Φ = (0,6380; -0,1814; 0,4844; 0,5181; 0,0816) dan Φ = (0,3309; 1,044; 0,485; 0,593; 0,988). Model GSTAR(1,1) daa ransformas perode Januar 009 sampa Desember 013 adalah sebaga berku: Z1( ) 0, , , , , 0000 Z1( 1) Z ( ) 0, ,1814 0, , , 0000 Z ( 1) Z3( ) 0, , , , , 0000 Z 3 ( 1) Z 4 ( ) 0, , , , 518, 0000 Z4 ( 1) Z5 ( ) 0, , , , , 0816 Z5 ( 1) 0, , , , , , , 335 0, 554 0,195 0, 59 Z1( 1) 0, , 044 0, , , , 337 0, , 548 0,1957 0, 58 Z ( 1) 0, , , 485 0, , , 580 0, 56 0, , 748 0, 110 Z 3( 1) 0, , , , 593 0, , 457 0, 445 0, 949 0, , 148 Z 4 ( 1) 0, , , , , 988 0, 658 0, 646 0, 537 0, 159 0, 0000 Z5 ( 1) Z1 ( ) 0, Z1 ( 1) 0,7 1 Z ( 1) 0, Z 3 ( 1) 0, Z 4 ( 1) 0, Z 5 ( 1) Z ( ) 0, Z ( 1) 0, Z1 ( 1) 0, 6 Z 3 ( 1) 0, Z 4 ( 1) 0, Z 5 ( 1) Z 3 ( ) 0, Z 3 ( 1) 0,1 4 5 Z 1 ( 1) 0,1 3 6 Z ( 1) 0,1 3 6 Z 4 ( 1) 0, 1 8 Z 5 ( 1) Z 4 ( ) 0, Z 4 ( 1) 0, Z1 ( 1) 0, Z ( 1) 0, Z 3 ( 1) 0,1 7 4 Z 5 ( 1) Z 5 ( ) 0, Z 5 ( 1) 0, 6 6 Z1 ( 1) 0, Z ( 1) 0, Z 3 ( 1) 0, Z 4 ( 1) Dar Persamaan (7) dapa dulskan model GSTAR(1,1) unuk ramalan curah hujan sasun pengamaan Supado, Sanan, Snang, Puussbau, dan Keapang sebaga berku: 1. Supado: Z1( ) 0, 6380Z1 ( 1) 0,1071Z ( 1) 0, 0845Z3( 1) 0, 0646Z4 ( 1) 0,0747Z5 ( 1) (7)
6 164 I. ADAM, D. KUSADAR, H. PERDAA. Sanan: Z ( ) 0,1814 Z ( 1) 0,3316 Z ( 1) 0, 610Z ( 1) 0, 004Z ( 1) 0,313Z ( 1) Snang: Z ( ) 0, 4844Z ( 1) 0,145 Z ( 1) 0,136Z ( 1) 0,136Z ( 1) 0,1018Z ( 1) Puussbau: Z ( ) 0, 5181Z ( 1) 0,1458 Z ( 1) 0,1451Z ( 1) 0,1749Z ( 1) 0,174Z ( 1) Keapang: Z ( ) 0,0816Z ( 1) 0, 66 Z ( 1) 0,615Z ( 1) 0, 507Z ( 1) 0, 133Z ( 1) Dar persamaan ersebu erlha bahwa model peramalan daa curah hujan pada waku berkorelas dengan daa curah hujan pada waku sebelumnya dan dpengaruh oleh daa curah hujan pada sasun lannya. Dengan kaa lan daa curah hujan sasun pengamaan Supado, Sanan, Snang, Puussbau, dan Keapang salng mempengaruh sau sama lan. Dagnoss Model Pengecekan model yang sesua unuk model GSTAR yau dengan melha nla AIC erkecl danggap model GSTAR semenara yang sesua [11]. Tabel 4 la Akake s Informaon Creron (AIC) Model AIC GSTAR(1,1) 931,091 GSTAR(1,) 933,0434 GSTAR(1,3) 933,409 GSTAR(1,4) 935,409 GSTAR(1,5) 937,1498 Berdasarkan Tabel 4 dapa dkeahu bahwa nla AIC erkecl yau 931,091 pada spasal = 1 dan AR = 1. Sehngga model GSTAR yang dgunakan unuk daa curah hujan d sasun Supado, Sanan, Snang, Puussbau, dan Keapang adalah GSTAR(1,1). Selanjunya, yau melakukan pengujan asums resdual dengan menggunakan model AR. Tabel 5 la AIC resdual dar Model GSTAR (1,1) dengan Bobo Invers Jarak Model AIC AR(0) 11,35 AR(1) 11,80 AR() 13,63 AR(3) 15,6 AR(4) 14,98 AR(5) 15,67 Berdasarkan Tabel 5 dapa dkeahu bahwa nla AIC mnmum dar resdual model GSTAR (1,1) bobo nvers jarak erdapa pada orde AR = 0. Hal n mengndkaskan bahwa dak erdapa korelas anar masng-masng resdual, yang berar resdual model GSTAR (1,1) bersfa whe nose [11]. Peramalan Daa Curah Hujan Sasun Pengamaan Supado, Sanan, Snang, Puussbau, Dan Keapang Peramalan daa curah hujan unuk daa ou-sample Januar - Desember 014 dengan model GSTAR(1,1). Hasl peramalan, kemudan dbandngkan dengan konds daa curah hujan yang sebenarnya. Peramalan merupakan kegaan unuk memperkrakan apa yang akan erjad pada masa yang akan daang [4]. Perbandngan daa curah hujan yang sebenarnya selama perode Januar - Desember 014 dengan daa curah hujan hasl peramalan dapa dlha dalam Gambar 3:
7 Penerapan Model GSTAR(1,1) unuk Daa Curah Hujan 165 Curah Hujan Sasun Supado Curah Hujan Sasun Sanan Daa Asl Daa Asl Curah Hujan Sasun Snang Curah Hujan Sasun Puussbau Daa Asl Daa Asl Curah Hujan Sasun Keapang Daa Asl Gambar 3. Peramalan daa curah hujan d lma lokas Gambar 3 memperlhakan bahwa hasl perbandngan daa asl curah hujan d sasun Supado, Snang, dan Puussbau mendeka hasl ramalan. Sedangkan unuk daa curah hujan d sasun Sanan dan Keapang erlha bahwa daa asl dengan ramalannya berbeda jauh. Selanjunya akan dlha nla MAPE model GSTAR (1,1) pada bobo lokas nvers jarak unuk mempredks curah hujan pada ahun 014 drangkum pada Tabel 4: Tabel 6. la MAPE Model GSTAR (1,1) pada Bobo Lokas Invers Jarak o Lokas MAPE 1 Supado 5% Sanan 56% 3 Snang 18% 4 Puussbau 44% 5 Keapang 75% Tabel 6 menunjukan bahwa lokas sasun Snang dapa dramal dengan bak dengan menggunakan model GSTAR(1,1). Sedangkan hasl peramalan unuk sasun Supado, dan Puussbau dengan model GSTAR(1,1) dnla cukup dengan nla MAPE pada Tabel 6. Model GSTAR(1,1) dak dapa dgunakan unuk meramal curah hujan d sasun Sanan dan Keapang erlha nla MAPE yang sanga besar. PEUTUP Berdasarkan hasl dan pembahasan yang elah dlakukan, maka kesmpulan yang dapa dambl yau: 1. Bahwa hasl ramalan berdasarkan model GSTAR(1,1) unuk daa curah hujan lma lokas d Kalmanan Bara dengan menggunakan Ordnary Leas Square (OLS) dperoleh secara beruruuru adalah:
8 166 I. ADAM, D. KUSADAR, H. PERDAA Z 1 ( ) 0,6380 Z 1( 1) 0,1071 Z ( 1) 0,0845 Z 3( 1) 0,0646 Z 4 ( 1) 0,0 747Z 5( 1) Z( ) 0,1814 Z( 1) 0,3316 Z1( 1) 0, 610Z3 ( 1) 0, 004Z 4( 1) 0,313Z 5( 1) Z3( ) 0, 4844Z3 ( 1) 0,145 Z1( 1) 0,136Z ( 1) 0,136Z 4( 1) 0,1018Z5 ( 1) Z4( ) 0,5181Z 4( 1) 0,1458 Z1( 1) 0,1451Z ( 1) 0,1749Z3 ( 1) 0,174Z5 ( 1) Z ( ) 0,0816Z ( 1) 0, 66 Z ( 1) 0,615Z ( 1) 0, 507Z ( 1) 0, 133Z ( 1) Dar persamaan ersebu erlha bahwa model peramalan daa curah hujan pada waku berkorelas dengan daa curah hujan pada waku sebelumnya dan dpengaruh oleh daa curah hujan pada sasun lannya.. Hasl peramalan berdasarkan nla MAPE dengan model GSTAR(1,1) menunjukkan bahwa lokas sasun Snang dapa dramal dengan bak. Sedangkan hasl peramalan unuk sasun Supado, dan Puussbau dnla cukup. Pada sasun Sanan dan Keapang dak dapa dgunakan unuk meramal curah hujan. DAFTAR PUSTAKA [1]. Juaen I, ulan D, Ayahb R, oersomad, Hardjana T, urzaman. Pengelompokan Wlayah Curah Hujan Kalmanan Bara Berbass Meode Ward dan Fuzzy Cluserng. Jurnal Sans Drganara. 010; 7():8 99. []. Pfefer PE, Deusch SJ. A Three-Sage Ierave Procedure for Space Tme Modelng. Technomercs. 1980; (1):35-47 [3]. Borovkova S, Lopuhaa HP, Ruchjana B. Conssency and asympoc normaly of leas squares esmaors n generalzed STAR models. Sasca eerlandca. 008; 6(4): [4]. Assaur S. Teknk dan Meoda Peramalan Penerapannya dalam Ekonom dan Duna Usaha Eds Sau. Jakara: Fakulas Ekonom Unversas Indonesa; [5]. Makrdaks S, Wheelwrgh SC, McGee VE. Meode dan Aplkas Peramalan Jld 1 Eds Kedua. Terjemahan Unung Sus Andryano dan Abdul Bash. Jakara: Erlangga; [6]. Rosad D. Analsa Ekonomerka dan Runun Waku Terapan dengan R. ogyakara: ADI; 010. [7]. Sara I, asn H, Supar. Proyeks Daa Produk Domesk Bruo (PDB) dan Foregn Drec Invesmen (FDI) Menggunakan Vecor Auoregressve (VAR). Jurnal Gaussan, 015; 4(4): [8]. Anggraen D, Prahuama A, Andar S. Aplkas Generalzed Space Tme Auoregressve (GSTAR) Pada Pemodelan Volume Kendaraan Masuk Tol Semarang. Meda Saska. 013; 6(): [9]. Irawa L, Tarno, asn H. Peramalan Indeks Harga Konsumen 4 Koa D Jawa Tengah Menggunakan Model Generalzed Space Tme Auoregressve (GSTAR). Jurnal Gaussan. 015; 4(3): [10]. We WWS. Tme Seres Analyss Unvarae and Mulvarae Mehods Second Edon. ew ork: Pearson Educaon, Inc; 006. [11]. Gusnad R, Rahmawa R, Prahuama A. Pemodelan Generalzed Space Tme Auoregressve (GSTAR) Seasonal Pada Daa Jumlah Wsaawan Mancanegara Empa Kabupaen/Koa D Jawa Tengah. Jurnal Gaussan, 015; 4(4): ISMI ADAM DADA KUSADAR HEDRA PERDAA : FMIPA UTA, Ponanak, smadam17@gmal.com : FMIPA UTA, Ponanak, dkusnand@unan.ac.d : FMIPA UTA, Ponanak, hendra.perdana88@gmal.com
MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT
Bulen Ilmah Mah. Sa. dan Terapannya (Bmaser) Volume 07, No. (018), hal 85 9. MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT Felca Kurna Kusuma Wra Pur, Dadan
Lebih terperinciPeramalan Penjualan Sepeda Motor Tiap Jenis di Wilayah Surabaya dan Blitar dengan Model ARIMA Box-Jenkins dan Vector Autoregressive (VAR)
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (04) 337-350 (30-98X Prn) D-36 Peramalan Penjualan eda Moor Tap Jens d Wlayah Surabaya dan Blar dengan Model ARIMA Box-Jenkns dan Vecor Auoregressve (VAR) Ade
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Creaed by Smpo PDF Creaor Pro (unregsered verson) hp://www.smpopdf.com Sask Bsns : BAB 8 VIII. ANALISIS DATA DERET BERKALA (TIME SERIES) 8.1 Pendahuluan Daa Berkala (Daa Dere waku) adalah daa yang dkumpulkan
Lebih terperinciJumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun
Baasan Masalah Jumlah kasus pendera penyak Demam Berdarah Dengue (DBD d Koa Surabaya ahun - Varabel Explanaory (Varabel penjelas yang dgunakan dalam penelan adalah varabel Iklm (Curah hujan, Suhu, Kelembaban
Lebih terperinciBAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU
BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU Pada bab III, ka elah melakukan penguan erhadap meoda Runge-Kua orde 4 pada persamaan panas. Haslnya, solus analk persamaan panas
Lebih terperinciBAB 8 PERSAMAAN DIFERENSIAL BIASA
Maa kulah KOMPUTASI ELEKTRO BAB 8 PERSAMAAN DIFERENSIAL BIASA Persamaan dferensal dapa dbedakan menjad dua macam erganung pada jumlah varabel bebas. Apabla persamaan ersebu mengandung hana sau varabel
Lebih terperinciSpace-time Models. MA5282 Topik dalam Statistika II 21 April 2015 Utriweni Mukhaiyar
Space-me Models MA58 opk dalam Saska II Aprl 5 Urwen Mukhayar Analss Sask Box&Jenkns Ieraon Posulae General Class of Models ACF, PACF, dff Daa Analyss on-paramerc Analyss Sochasc Processes Mulvarae Analyss
Lebih terperinci( ) STUDI KASUS. ò (, ) ( ) ( ) Rataan posteriornya adalah = Rataan posteriornya adalah (32)
8 Raaan poserornya adalah E m x ò (, ) f ( x) m f x m f f m ddm (32) Dalam obseras basanya dgunakan banyak daa klam. Msalkan saja erdr dar grup daa klam dengan masng-masng grup ke unuk seap, 2,..., yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB 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 terperinciAnalisis Jalur / Path Analysis
Analss Jalur / Pah Analyss Analss jalur adalah salah sau benuk model SEM yang dak mengandung varable laen. Tenu saja model n lebh sederhana dbandngkan dengan model SEM lengka. Analss jalur sebenarnya meruakan
Lebih terperinciPenerapan Statistika Nonparametrik dengan Metode Brown-Mood pada Regresi Linier Berganda
Jurnal EKSPONENSIAL Volume 7, Nomor, Me 6 ISSN 85-789 Penerapan Saska Nonparamerk dengan Meode Brown-Mood pada Regres Lner Berganda Applcaon of Nonparamerc Sascs, wh Brown-Mood Mehod on Mulple Lnear Regresson
Lebih terperinciBAB I PENDAHULUAN FASILKOM-UDINUS T.SUTOJO RANGKAIAN LISTRIK HAL 1
BAB I PENDAHULUAN 1.1 Defns Rangkaan Lsrk Rangkaan Lsrk adalah sambungan dar beberapa elemen lsrk ( ressor, kapasor, ndukor, sumber arus, sumber egangan) yang membenuk mnmal sau lnasan eruup yang dapa
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Gorontalo pada tahun ajaran 2012/2013
3. Lokas dan Waku Penelan 3.. Lokas Penelan BAB III METODOLOGI PENELITIAN Penelan n dlaksanakan d SMP Neger 7 Goronalo pada ahun ajaran 0/03 3.. Waku Penelan Penelan n d laksanakan pada semeser genap ahun
Lebih terperinciBAB II TINJAUAN PUSTAKA. membahas analisis deret waktu, diagram kontrol Shewhart, Average Run Length
BAB II TINJAUAN PUSTAKA Pendahuluan Dalam enulsan maer okok dar skrs n derlukan beberaa eor-eor yang mendukung, yang menjad uraan okok ada bab n Uraan dmula dengan membahas analss dere waku, dagram konrol
Lebih terperinciBAB III THREE STAGE LEAST SQUARE. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode
BAB III THREE STAGE LEAST SQUARE Sebagamana elah dsnggung pada bab sebelumnya, salah sau meode penaksran parameer pada persamaan smulan yau meode Three Sage Leas Square (3SLS. Sebelum djelaskan lebh lanju
Lebih terperinciPERBAIKAN ASUMSI KLASIK
BAHAN AJAR EKONOMETRI AGUS TRI BASUKI UNIVERSITAS MUHAMMADIAH OGAAKARTA PERBAIKAN ASUMSI KLASIK 6.. Mulkolnearas Jka model ka mengandung mulkolneras yang serus yakn korelas yang ngg anar varabel ndependen,
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 III MINIMUM COVARIANCE DETERMINANT. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode
BAB III MINIMUM COVARIANCE DETERMINANT Sebagamana elah dsnggung pada bab sebelumnya, salah sau meode robus unuk mendeeks penclan (ouler) dalam analss komponen uama robus yau meode Mnmum Covarance Deermnan
Lebih terperinciBAB 2 RESPONS FUNGSI STEP PADA RANGKAIAN RL DAN RC. Ir. A.Rachman Hasibuan dan Naemah Mubarakah, ST
BAB ESPONS FUNGSI STEP PADA ANGKAIAN DAN C Oleh : Ir. A.achman Hasbuan dan Naemah Mubarakah, ST . Persamaan Dferensal Orde Sau Adapun benuk yang sederhana dar suau persamaan dferensal orde sau adalah:
Lebih terperinciBAB 5 ENTROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUNYI
BAB ETROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUYI Model Markov Tersembuny (Hdden Markov Model, MMT) elah banyak daplkaskan dalam berbaga bdang seper pelafalan bahasa (speeh reognon) dan klasfkas (luserng).
Lebih terperinciPENDUGAAN STATISTIK AREA KECIL DENGAN METODE EMPIRICAL CONSTRAINED BAYES 1
PENDUGAAN SAISIK AREA KECIL DENGAN MEODE EMPIRICAL CONSRAINED AYES Ksmann Jurusan Penddkan Maemaka FMIPA Unversas Neger Yogyakara Absrak Meode emprcal ayes (E merupakan meode yang lebh aplkaf pada pendugaan
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 terperinciPERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR
B-5-1 PERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR Wsnu Bud Sunaryo, Haryono ITS Surabaya ABSTRAK Dalam duna konsruks saa n pemakaan produk beon
Lebih terperinciDi bidang ekonomi tidak semua informasi dapat diukur secara kuantitatif. Peubah dummy digunakan untuk memperoleh informasi yang bersifat kualitatif
Regres Dummy D bdang ekonom dak semua nformas dapa dukur secara kuanaf Peubah dummy dgunakan unuk memperoleh nformas yang bersfa kualaf Conoh pada daa cross secon: Gender: sebaga penenu jumlah pendapaan
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 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 terperinciNILAI AKUMULASI DARI SUATU CASH FLOW DENGAN TINGKAT BUNGA BERUBAH BERDASARKAN FORMULA FISHER
ILAI AKUMULASI DARI SUATU CASH FLOW DEGA TIGKAT BUGA BERUBAH BERDASARKA FORMULA FISHER Devs Apranda, Johannes Kho, Sg Sugaro Mahasswa rogram S Maemaka Dosen Jurusan Maemaka Fakulas Maemaka dan Ilmu engeahuan
Lebih terperinciPENGEMBANGAN MODEL MATEMATIS UNTUK OPTIMASI PERENCANAAN PRODUKSI MINUMAN MARIMAS
PENGEMBANGAN MODEL MATEMATIS UNTUK OPTIMASI PERENCANAAN PRODUKSI MINUMAN MARIMAS Mra Puspasar, Snggh Sapad, Dana Puspasar Absraks PT Ulam Tba Halm merupakan salah sau ndusr mnuman serbuk d Indonesa, dmana
Lebih terperinciPENENTUAN EOQ TERHADAP PRODUK AVTUR DI LANUD HUSEIN SASTRANEGARA BANDUNG
INDEPT, Vol., No. 3, Okober 01 ISSN 087 945 PENENTUAN EOQ TERHADAP PRODUK AVTUR DI LANUD HUSEIN SASTRANEGARA BANDUNG Samsul Budaro, ST., MT Dosen Teap Teknk Indusr, Wakl Dekan III akulas Teknk, Unversas
Lebih terperinciAnalisis Penyaluran Kredit kendaraan bermotor Roda Dua Jenis Baru dan Bekas di PT X dengan Metode Vector Autoregressive
JURNAL SAINS DAN SENI POMITS Vol., No., () 7 (98X Prn) D9 Analss Penyaluran Kred kendaraan bermoor Roda Dua Jens Baru dan Bekas d PT X dengan Meode Vecor Auoregressve Ardhka Surya Pura, Adaul Mukarromah
Lebih terperinciANALISIS DATA DERET BERKALA DENGAN METODE TREND SEKULER UNTUK MENENTUKAN MODEL PERTUMBUHAN PENDUDUK MISKIN JAWA BARAT
ANALISIS DATA DERET BERKALA DENGAN METODE TREND SEKULER UNTUK MENENTUKAN MODEL PERTUMBUHAN PENDUDUK MISKIN JAWA BARAT ANALSIS OF TIME SERIES USING SECULAR TREND METHOD TO DETERMINE POPULATION GROWTH MODEL
Lebih terperinciModifikasi Penaksir Robust dalam Pelabelan Outlier Multivariat
Vol. 14, No. 1, 46-53, Jul 2017 Modfkas Penaksr Robus dalam Pelabelan Ouler Mulvara Erna Tr Herdan Absrak Ouler adalah suau observas yang polanya dak mengku mayoras daa. Ouler dalam kasus mulvara sanga
Lebih terperinciBAB III METODOLOGI PENELITIAN
45 BAB III METODOLOGI PENELITIAN 3.1 Spesfkas Model Berdasarkan ujuan penelan seper dsebukan dalam bab pendahuluan maka ada dua hal mendasar yang akan del yau pengaruh volalas nla ukar rl erhadap volalas
Lebih terperinciPemodelan Penyerapan Tenaga Kerja Sektor Industri di Indonesia Dengan Pendekatan Regresi Data Panel Dinamis
JURAL SAIS DA SEI ITS Vol. 5 o. 2 (2016) 2337-3520 (2301-928X Prn) D-217 Pemodelan Penyerapan Tenaga Kerja Sekor Indusr d Indonesa Dengan Pendekaan Regres Daa Panel Dnams Avolla Terza Damalana dan Seawan
Lebih terperinciPenerapan Metode Filter Kalman Dalam Perbaikan Hasil Prediksi Cuaca Dengan Metode ARIMA
JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (24) ISSN: 2337-3539 (23-927 Prn) A-28 Penerapan Meode Fler Kalman Dalam Perbaan Hasl Preds Cuaca Dengan Meode ARIMA Tomy Kurnawan, Luman Hanaf, dan Erna Aprlan
Lebih terperinciAnalisis Survival pada Pasien Penderita Sindrom Koroner Akut di RSUD Dr. Soetomo Surabaya Tahun 2013 Menggunakan Regresi Cox Proportional Hazard
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215) 2337-352 (231-928X Prn) D151 Analss Survval pada Pasen Pendera Sndrom Koroner Aku d RSUD Dr. Soeomo Surabaya Tahun 213 Menggunakan Regres Cox Proporonal Hazard
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
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 terperinciKONSEP DASAR. Latar belakang Metode Numerik Ilustrasi masalah numerik Angka signifikan Akurasi dan Presisi Pendekatan dan Kesalahan
KONSEP DASAR Laar belakang Meode Numerk Ilusras masalah numerk Angka sgnfkan Akuras dan Press Pendekaan dan Kesalahan Laar Belakang Meode Numerk Tdak semua permasalahan maemas dapa dselesakan dengan mudah,
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 terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Ekonomi Kertajaya Menggunakan ARIMA dan ANFIS
JURNAL SAINS DAN SENI ITS Vol. 4 No. (05) 33-350 (30-9X Prn) D-3 Peramalan Jumlah Penumpang Kerea Ap Kelas Ekonom Keraaya Menggunakan ARIMA dan ANFIS Ilaf Andala dan Irhamah Jurusan Saska Fakulas Maemaka
Lebih terperinciAPLIKASI STRUKTUR GRUP YANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI. Mujiasih a
APLIKASI STRUKTUR GRUP ANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI Mujash a a Program Sud Maemaka Jurusan Tadrs Fakulas Tarbah IAIN Walsongo Jl. Prof. Dr. Hamka Kampus II Ngalan Semarang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN TEORI. Tnjauan Pusaka.. Uj Keseragaman Daa Tujuan uama pengukuran uj keseragaman daa adalah unuk mendapakan da yang seragam. Kedak seragaman daa dapa daang anpa dsadar, maka dperlukan suau
Lebih terperinciHidden Markov Model. Oleh : Firdaniza, Nurul Gusriani dan Akmal
Hdden Markov Model Oleh : Frdanza, urul Gusran dan Akmal Dosen Jurusan Maemaka FMIPA Unversas Padjadjaran Jl. Raya Bandung Sumedang Km 2, Janangor, Jawa Bara elp. / Fax : 022 7794696 Absrak Hdden Markov
Lebih terperinciANaLISIS - TRANSIEN. A B A B A B A B V s V s V s V s. (a) (b) (c) (d) Gambar 1. Proses pemuatan kapasitor
ANaISIS - TANSIEN. Kapasor dalam angkaan D Sebuah kapasor akan ermua bla erhubung ke sumber egangan dc seper yang dperlhakan pada Gambar. Pada Gambar (a), kapasor dak bermuaan yau pla A dan pla B mempunya
Lebih terperinci( L ). Matriks varians kovarians dari
LIVIA PUSPA T 677 9.3 METODE KOMPONEN UTAMA Informas yang dbuuhkan daam eknk komponen uama suau daa ddapa dar marks varans kovarans, aau marks koreasnya. Meode komponen uama n, beruuan unuk menaksr parameer
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 terperinciKAJIAN RESPONS PEUBAH TERHADAP BERBAGAI GUNCANGAN DALAM SISTEM PEMBENTUK PDB TANAMAN BAHAN MAKANAN MELALUI MODEL VECTOR AUTOREGRESSION
, Okober 2006, p: 0-20 Vol. No. 2 ISSN : 0853-85 KAJIAN RESPONS PEUBAH TERHADAP BERBAGAI GUNCANGAN DALAM SISTEM PEMBENTUK PDB TANAMAN BAHAN MAKANAN MELALUI MODEL VECTOR AUTOREGRESSION Anna Asrd Susan Pusa
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 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI Pada bab n akan dbahas beberapa eor dasar yang kelak akan dgunakan dalam penurunan formula penenuan harga Asan Opon, bak secara analk pada Bab III maupun secara numerk pada Bab
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1 Jens dan Sumber Daa Daa ang dgunakan dalam penelan n merupakan daa sekunder ang berasal dar berbaga nsans pemernah eruama Badan Pusa Sask. Daa ang dgunakan anara lan angka kemsknan,
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinci' PERATURAN BUPATI PACITAN I NOMOR 4 TAHUN 2012 PEMBERIAN BANTUAN PERALATAN DAN/ATAU MESIN BAGI INDUSTRI KECIL DAN MENENGAH KABUPATEN PACITAN
j BUPAT PACTAN ' PERATURAN BUPAT PACTAN NOMOR 4 TAHUN 2012 TENTANG PEMBERAN BANTUAN PERALATAN DAN/ATAU MESN BAG NDUSTR KECL DAN MENENGAH KABUPATEN PACTAN DENGAN RAHMAT TUHAN YANG MAHA ESA BUPAT PACTAN
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN EORI. njauan Pusaka.. Peramalan Peramalan (forecasng) merupakan ala banu yang penng dalam perencanaan yang efekf dan efsen khususnya dalam bdang ekonom. Dalam organsas modern mengeahu keadaan
Lebih terperinciKresnanto NC. Model Sebaran Pergerakan
Kresnano C Moel Sebaran Pergerakan Kresnano C Tujuan Uama: Mengeahu pola pergerakan alam ssem ransporas serng jelaskan alam benuk arus pergerakan (kenaraan, penumpang, an barang) yang bergerak ar zona
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 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
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 terperinciPerbandingan Metoda Formulasi Intensitas Hujan untuk Kawasan Hulu Daerah Aliran Sungai
Perbandngan Meoda Formulas nensas Hujan unuk Kawasan Hulu Daerah Alran Sunga (Dmua pada Jurnal Journal Geograf GEA Vol. 5 No. Okober 5) ndramo Soekarno 1) Dede Rohma ) Absrak Kajan dlakukan unuk memperoleh
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 terperinciPERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG MASUK MELALUI PINTU KEDATANGAN BANDARA SOEKARNO HATTA DAN BANDARA JUANDA
PERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG MASUK MELALUI PINTU KEDATANGAN BANDARA SOEKARNO HATTA DAN BANDARA JUANDA Indra Rahm, Sr Png Wulandar Mahasswa Jurusan Saska Insu Teknolog Seuluh Noember Dosen
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 terperinciJurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) (2)
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Prn) D-17 Analss Kurva Survval Kaplan Meer pada Pasen HIV/AIDS dengan Anrerovral Therapy (ART) d RSUD Prof. Dr. Soekandar Kabupaen Mojokero
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 terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
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 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 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 V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciPeramalan Dengan Model SVAR Pada Data Inflasi Indonesia Dan Nilai Tukar Rupiah Terhadap Dolar Amerika Dengan Menggunakan Metode Bootstrap
Peramalan Dengan Model SVR Pada Daa Inflas Indonesa Dan Nla Tukar Ruah Terhada Dolar merka Dengan Menggunakan Meode Boosra Dav S Wardan, d Seawan 2, Dd B Nugroho 3 PS Maemaka, Fak Sans dan Maemaka, UKSW
Lebih terperinciE-book Statistika Gratis... Statistical Data Analyst. Uji Asumsi Klasik Regresi Linear
E-boo Sasa Gras... Sascal Daa Anals Uj Asums Klas Regres Lnear Pada penulsan enang Regres Lnear n, penuls aan memberan bahasan mengena Uj Asums Klas epada para pembaca unu memberan pemahaman dan solus
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
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 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 terperinciPERSAMAAN GERAK VEKTOR SATUAN. / i / = / j / = / k / = 1
PERSAMAAN GERAK Posisi iik maeri dapa dinyaakan dengan sebuah VEKTOR, baik pada suau bidang daar maupun dalam bidang ruang. Vekor yang dipergunakan unuk menenukan posisi disebu VEKTOR POSISI yang diulis
Lebih terperinciBERITA DAERAH KABUPATEN PACITAN PERATURAN BUPATI PACITAN 1 NOMOR 16 TAHUN 2010 TENTANG
BERTA DAERAH KABUPATEN PACTAN TAHUN 200 NOMOR 7 PERATURAN BUPAT PACTAN NOMOR 6 TAHUN 200 TENTANG PERUBAHAN KETGA ATAS PERATURAN BUPAT PACTAN NOMOR 28 TAUN 2009 TENTANG PENJABARAN ANGGARAN PENDAPATAN DAN
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
Lebih terperinciLine Transmisi. Oleh: Aris Heri Andriawan ( )
ANALISIS APLIKASI PENJADWALAN UNIT-UNIT PEMBANGKIT PADA SISTEM KELISTRIKAN JAWA-BALI DENGAN MENGGUNAKAN UNIT COMMITMENT, UNIT DECOMMITMENT DAN MODIFIED UNIT DECOMMITMENT Oleh: Ars Her Andrawan (07000)
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 terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinci(A.7) OPTIMISASI PORTOFOLIO BERDASARKAN MEAN-VALUE AT RISK DI BAWAH MODEL INDEKS BERGANDA DENGAN VOLATILITAS TAK KONSTAN
Prosdng Semnar Nasonal Saska Unversas Padjadjaran, 3 November 00 (A.7) OPIMISASI POROFOIO BERDASARKAN MEAN-VAUE A RISK DI BAWAH MODE INDEKS BERGANDA DENGAN VOAIIAS AK KONSAN Agus Suprana, F. Sukono, Bunga
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN 3. Meode Penelan Meode penelan yang dgunakan dalam penelan n adalah meode deskrpf anals. Wnarno Surakhmad (990:40) mengemukakan bahwa meode deskrpf mempunya cr-cr sebaga berku:.
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
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 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 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 terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinci