Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
|
|
- Siska Jayadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program Studi Statistika Universitas Padjajaran 1 Dosen Statistika Universitas Padjajaran 2,3 ajizahnur1223@gmail.com ABSTRAK Pada saat mendekati perayaan Hari Raya Idul Fitri banyaknya penumpang kereta api mengalami kenaikan. Penetapan perayaan Hari Raya Idul Fitri disesuakan dengan kelender hijriyah yaitu pada 1 syawal, hal ini menyebabkan pola musiman bergerak. Pola musiman bergerak dikarenakan, perayaan Idul Fitri mengalami pergeseran 8-12 hari setiap tahunnya. Ada beberapa metode yang dapat digunakan untuk meramalkan data yang mengandung pola musiman yaitu arima, eksponential smoothing dan dekomposisi, namun metode tersebut tidak dapat menangkap pola variasi kalender, sehingga hasil ramalannya memberikan nilai error yang besar. Dalam meramalkan data yang mengandung efek variasi kalender digunakanlah metode Variasi Kalender dengan pendekatan Regresi Time Series. Dalam model regresi tersebut variabel efek variasi kalender akan dijadikan variabel dummy. Salah satu unit kereta api yang mengalami kenaikan jumlah penumpang adalah kereta api Lodaya jurusan Bandung-Surabaya. Penelitian ini bertujuan untuk meramalkan banyaknya penumpang kereta api sehingga nantinya pihak PT. KAI dapat mempersiapkan fasilitas fasilitas untuk menghadapi adanya kenaikan banyaknya penumpang seperti penambahan gerbong kereta api. Kata kunci: Variasi Kalender, Regresi Time Series, dummy 1. PENDAHULUAN Salah satu alat transportasi darat yang menjadi alternatif pilihan masyarakat diantaranya adalah kereta api. Kelebihan kereta api dibandingkan dengan alat transportasi lainnya adalah dapat terhindar dari macet, waktu tempuh relatif lebih cepat dan nyaman, dapat mengangkut penumpang lebih banyak, serta tingkat keselamatan yang cukup tinggi namun tarifnya tetap ekonomis, Dalam realitanya, permintaan akan angkutan penumpang kereta api jauh lebih besar dibandingkan dengan kapasitas seat yang disediakan. Permasalahan tersebut sering dihadapi seluruh daerah operasi PT. Kereta Api Indonesia (Persero). Terlebih ketika arus mudik dan arus balik di hari raya Idul Fitri jumlah penumpang kereta api naik dibandingkan hari hari biasa. Oleh karena itu, peramalan kenaikan jumlah penumpang menjadi hal yang penting bagi perusahaan, dengan mengetahui prediksi kenaikan jumlah penumpang di masa yang akan datang perusahaan dapat mempersiapkan fasilitas fasilitas untuk mengantisipasi kenaikan jumlah penumpang, seperti menyiapkan keberangkatan ekstra, penambahan gerbong kereta api dan lain-lain. Penetapan perayaan hari raya Idul Fitri bergeser 8-12 hari setiap tahunnya. Menurut Liu 1 pergeseran pada kalender yang berpengaruh pada time series disebut juga efek variasi kalender. Bel dan Hillmer 2 mengungkapkan bahwa variasi kalender terbagi menjadi dua yaitu variasi perdagangan dan variasi liburan. Dalam penelitian ini terdapat variasi kalender yang disebabkan oleh variasi liburan yaitu liburan Idul Fitri. Pergeseran kalender menyebabkan adanya pergeseran waktu yang kemudian menjadi masalah pada peramalan time series musiman, karena model yang sering digunakan seperti arima musiman hanya sesuai untuk fenomena musiman dengan panjang priode yang tidak bervariasi. Metode ini tidak 141
2 dapat menangkapa adanya pergeseran priode musiman sehingga dapa memberikan hasil ramalan yang kurang tepat. Analisis deret waktu untuk data yang memiliki pola variasi kalender memerlukan penanganan khusus. Penelitian mengenai pemodelan variasi kaleder pernah dilakukan oleh Lee 3, dalam penelitiannya dilakukan perbandingan antara metode arima, dekomposisi, neural network dan dekomposisi. Hasil dalam penelitian ini memberikan informasi bahwa regresi time series dengan penambahan variabel efek variasi kalender memberikan hasil yang lebih baik dibandingkan metode lainnya. Dalam penelitian ini akan digunakan metode variasi kalender dengan pendekatan regresi time series, dengan dibentuknya model ini diharapkan dapat menangkap pola variasi kalender dan memberikan hasil ramalan yang tepat. 2. METODE PENELITIAN Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari PT. Kereta Api Indonesia. Data yang digunakan adalah data banyaknya penumpang dari Januari 2011 sampai dengan Juni Metode Penelitian Regresi pada deret waktu merupakan model yang digunakan untuk mengetahui hubungan antara variabel dependen y t untuk t =1, 2,, n dan variabel independen yang dipengaruhi oleh deret waktu Suhartono 4. Model umum bila data berpola trend adalah: y t = δ 0 + δ 1 t + e t dengan e t adalah komponen error yang harus memenuhi asumsi identik independen dan berdistribusi normal (0, σe2). Model umum bila data berpola musiman adalah: y t = β 1 S 1,t β s S s,t + e t dengan S 1,t,.., S s,t adalah variabel dummy yang mewakili pola musiman. Sebagai contoh, untuk data bulanan akan terdapat 12 variabel dummy musiman, yaitu satu dummy mewakili satu bulan.. Model regresi linier untuk data yang mengandung variasi kalender adalah: y t = α 0 + α a L a,t α p L p,t + γ p SL a,t + γ p SL p,t + e t Model variasi kalender yang diasumsikan mengandung pola trend dan musiman adalah sebagai berikut y t = δ i + ( β 1 S 1 + β 2 S β 12 S 12 ) + α p L p,t + γ p SL p,t + e t (3.1) dengan α p adalah koefisien parameter variasi kalender saat lebaran, L p,t adalah variabel dummy bulan yang terdapat hari raya Idul Fitri dengan indeks p adalah minggu ke-p terjadinya hari raya Idul Fitri, γ p adalah koefisien parameter variasi kalender pada bulan sebelum lebaran dan SL p,t adalah variabel dummy bulan sebelum hari raya Idul Fitri. Tahapan dalam pembentukan model tersebut adalah sebagai berikut : 1. Penentuan Variabel Dummy Variabel dummy yang digunakan adalah dummy sebelum lebaran (SL), pada saat lebaran (L). 2. Penentuan variabel trend dan musiman. Model untuk trend : y t = δ 0 + δ 1 t 142
3 Untuk untuk musiman : y t = β 1 S 1,t β s S s,t + e t dengan S 1,t,..,S s,t adalah variabel dummy yang mewakili bulanan 3. Melakukan estimasi model awal Melakukan estimasi model awal dengan mengikuti persamaan berikut : y t = δ i + ( β 1 S 1 + β 2 S β 12 S 12 ) + α p L p,t + γ p SL p,t + e t Jika e t belum white noise, tambahkan lag yang signifikan (orde autoregressive) sebagai variabel independen. 4. Melakukan diagnostic check Diagnostik check merupakan pemeriksaan asumsi white noise dan terpenuhinya kenormalan distribusi pada residual. Residual dikatakan white noise jika memenuhi dua sifat, yaitu identik dimana varians konstan dan independen yaitu residual tidak saling berkorelasi, dengan rata rata nol. Statistik uji yang digunakan untuk menguji white noise adalah Ljung-Box, dengan statistik uji sebagai berikut ρ k n k Q = n(n + 2) K k=1 (3.2) Statistik uji yang digunakan untuk menguji asumsi kenormalan pada residual adalah Kolmogorov smirnov, dengan statistik uji sebagai berikut : D = max S(x) - F 0 (x) (3.3) 5. Melakukan pengujian signifikansi parameter Pengujian signifikansi bertujuan untuk mengetahui apakah parameter yang dubentuk memberikan pengaruh terhadapat respon. Statistik Uji yang digunakan adalah sebagai berikut : t i = δ i SE (δ ) i (3.4) 6. Menghitung kebaikan model Menurut Makridakis 5 evaluasi peramalan bertujuan untuk melihat apakah metode yang digunakan sudah cocok dengan data ataukah tidak. Metode evaluasi peramalan yang digunakan adalah Mean Squared Error (MSE) dan Mean Absolute Persentage Error (MAPE) dan (Root Mean Square Error) RMSE. MSE dirumuskan sebagai berikut : MSE = 1 n e n t 1 i 2 (3.5) MAPE dirumuskan sebagai berikut : MAPE = 1 n n y t y t t 1 x 100% (3.6) y t 143
4 3. HASIL DAN PEMBAHASAN SEMINAR STATISTIKA FMIPA UNPAD 2017 (SNS VI) Langkah pertama yang harus dilakukan adalah pengujian stasioneritas data. Stasioneritas dalam hal ini dibagi menjadi dua hal, yaitu stasioner dalam rata rata dan stasioner dalam varians. Bila data tidak stasioner dalam rata rata dapat dilakukan differencing, dan apabila data tidak stasioner dalam varians dapat digunakan transformasi lambda. Pembentukan model regresi deret waktu diwaali dengan penentuan variabel dummy yang mewakili efek variasi kalender, didalam model ini juga diasumsikan terdapat pola trend dan musiman. No. Variabel Keterangan 1. Dummy bulan S 1,t dummy yang mewakili bulan Januari S 2,t dummy yang mewakili Februari S 3,t dummy yang mewakili Maret S 4,t dummy yang mewakili April S 5,t dummy yang mewakili Mei S 6,t dummy yang mewakili Juni S 7,t dummy yang mewakili Juli S 8,t dummy yang mewakili Agustus S 9,t dummy yang mewakili September S 10,t dummy yang mewakili Oktober S 11,t dummy yang mewakili Oktober S 12,t dummy yang mewakili Oktober 2. Dummy trend t (trend waktu) dimana t =1,2,3.., Dummy Efek Variasi Kalender sebelum terjadinya lebaran SL1 dummy sebelum terjadinya lebaran pada minggu pertama SL2 dummy sebelum terjadinya lebaran pada minggu kedua SL3 dummy sebelum terjadinya lebaran pada minggu ketiga SL4 dummy sebelum terjadinya lebaran pada minggu keempat 4. Dummy Efek Variasi Kalender saat terjadinya lebaran L1 dummy saat terjadinya lebaran pada minggu pertama L2 dummy saat terjadinya lebaran pada minggu kedua L3 dummy saat terjadinya lebaran pada minggu ketiga L4 dummy saat terjadinya lebaran pada minggu keempat Parameter model regresi linier diestimasi dengan metode Ordinary Least Square (OLS) dan model yang diperoleh dengan memasukkan variabel dummy efek variasi kalender adalah sebagai berikut : Yt = 9195,1-925,1 SL1 t ,9 SL2 t + 124,5 SL3 t + 352,9 SL4 t L1 t ,9 L2 t ,4L3 t L4 t + e t SL t adalah variabel dummy untuk dummy bulan sebelum Idul Fitri, L t dummy untuk data bulan Idul Fitri. Model pada persamaan diatas belum memnuhi residual yang white noise. Hal ini disebabkan adanya pola trend dan musiman pada data. Oleh karena itu, model diperbaharui dengan menambahkan variabel dummy yang mewakili trend dan musiman. Penambahan variabel dummy ini memberikan nmodel sebagai berikut : Yt = 27,87 t S1 t+ 6401,13 S2 t ,43 S3 t ,06 S4 t ,19 S5 t ,82 S6 t ,28 S7 t ,74 S8 t ,53 S9 t ,83 S10 t ,46 S11 t ,09 S12 t 943,3 SL1 t ,73 SL2 t SL3 t ,12 SL4 t ,37 L1 t ,39 L2 t ,34 L3 t ,28 L4 t + e t Dengan t adalah trend dan St adalah variabel yang mewakili bulanan. Residual model belum white noise, ditunjukkan dari hasil pengujian Ljung Box. Sehingga dalam hal ini akan dilakukan penambahan lag yang signifikan, lag yang signifikan dapat dilihat dari plot ACF dan PACF. 144
5 Autocorrelation Function for error (with 5% significance limits for the autocorrelations) Autocorrelation 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar 3.1 Plot ACF residual Partial Autocorrelation Function for error (with 5% significance limits for the partial autocorrelations) Partial Autocorrelation 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar 3.2 Plot PACF residual Sehingga model dengan melibatkan lag yang signifikan adalah sebagai berikut : Yt = 16 t S1 t S2 t S3 t S4 t S5 t S6 t S7 t S8 t S9 t S10 t S11 t S12 t 1160 SL1 t SL2 t SL3 t 1662 SL4 t L1 t L2 t L3 t L4 t + 0,3152 Y t-1 + e t Dari model yang sudah melibatkan lag ke-1 kedalam model, residual yang dihasilkan sudah memenuhi asumsi white noise dan normal. Sehingga langkah selanjutnya adalah uji signifikansi parameter. Yt = 16,34 t S1 t S2 t S3 t S4 t S5 t S6 t S7 t S8 t S9 t S10 t S11 t S12 t L4 t + 0,3028 Y t-1 + e t Setalah mendapatkan model yang sudah memenuhi asumsi white noise dan berdistribusi normal, maka tahap selanjutnya adalah evalusi model. Evaluasi model yang digunakan dalam penelitian ini adalah MAPE (Mean Absolute Persentage Error). Nilai MAPE yang dihasilkan dari model untuk data in-sample adalah 6%. 145
6 4. KESIMPULAN Secara umum data yang dipengaruhi oleh kalender memerlukan perlakuan khusus. Model yang dikembangkan dalam hal ini adalah model regresi deret waktu dengan variabel dummy. Model regresi ini memberikan nilai mape in-sample sebesar 6%. Dari hasil ramalan, jumlah penumpang kereta api mengalami lonjaka dari tahun tahun sebelumnya, jumlah penumpang kereta api untuk tahun 2018 adalah berada disekitar penumpang. 5. DAFTAR PUSTAKA [1] Liu, L. M Analysis of Time series with Calendar Effects. Management Science, 26(1): [2] Bell, W.R., and Hillmer, S.C Modelling Time Series with Calendar Variation. Journal of the American Statistical Association, 78. [3] Lee Calendar Variation Model Based on Time Series Regression for Sales Forecasts: The Ramadhan Effects. Procidings. Regional Conference on Statistical Sciences 2010 (RCSS 10). [4] Suhartono Calendar Variation Model Based on Time Series Regression for Sales Forecasts: The Ramadhan Effects. Procidings. Regional Conference on Statistical Sciences 2010 (RCSS 10). [5] Makridakis, dkk Metode dan Aplikasi Peramalan Alih Bahasa Ir. Hari Suminto. Jakarta: Binarupa Aksara. 146
Prosiding Seminar Nasional MIPA 2016
Peramalan Jumlah Penumpang Kereta Api Lodaya Jurusan Bandung-Solo Menggunakan Model Reg-ARIMA Dengan Variasi Kalender (Studi Kasus: PT. Kereta Api Indonesia) Dyah Puspita Sari*, Gumgum Darmawan, Soemartini
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus: KA Argo Muria)
PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus: KA Argo Muria) SKRIPSI Disusun oleh : TITIS NUR UTAMI 24010212140052 DEPARTEMEN
Lebih terperinciBAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER
21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun
Peramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun NAMA : RITA RAHMADHANI NRP : 1306 030 008 PEMBIMBING: DR. BRODJOL SUTIJO
Lebih terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar
Lebih terperinciRenny Elfira Wulansari, Epa Suryanto, Kiki Ferawati, Ilafi Andalita, Suhartono
Statistika, Vol. No., November 0 Penerapan Time Series Regression with Calendar Variation Effect pada Data Netflow Uang Kartal Bank Indonesia Sebagai Solusi Kontrol Likuiditas Perbankan di Indonesia Renny
Lebih terperinciPEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER
PEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER M. Insanil Kamil 0 0 0 m.insanil_kml@yahoo.com Dosen pembimbing:
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPERAMALAN BANYAKNYA PELANGGAN LISTRIK MENGGUNAKAN MODEL HARVEY
BIAStatistics (2016) Vol. 10, No. 1, hal. 38-51 PERAMALAN BANYAKNYA PELANGGAN LISTRIK MENGGUNAKAN MODEL HARVEY Ami Andriania 1, Gumgum Darmawan 2, Resa Septiani Pontoh 2 1 Mahasiswa Dept. Statistika, FMIPA,
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus : KA Argo Muria)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 131-140 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciPERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)
M-11 2) PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) Naili Farkhatul Jannah 1), Muhammad Bahtiar Isna Fuady 2), Sefri
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciPemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer
TUGAS AKHIR Pemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer Oleh : Fani Felani Farid (1306 100 047) Pembimbing : Drs. Kresnayana Yahya M.Sc Latar Belakang
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinci99.9. Percent maka H 0 diterima, berarti residual normal
Uji residual white noise 2 Lag Q P value 6 3.5 9.49 0.5330 2 6.6 8.3 0.803 8 9.8 26.30 0.9059 24 9.3 33.92 0.6374 K p q Uji residual berdistribusi normal Percent 99.9 99 95 90 80 70 60 50 40 30 20 0 5
Lebih terperinciCetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura
Hak cipta dilindungi Undang-Undang Cetakan I, Agustus Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura ISBN: ---- Deskripsi halaman sampul : Gambar yang ada pada cover
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciPERAMALAN JUMLAH WISATAWAN GROJOGAN SEWU MENGGUNAKAN MODEL REGRESI RUNTUN WAKTU DENGAN EFEK VARIASI KALENDER
PERAMALAN JUMLAH WISATAWAN GROJOGAN SEWU MENGGUNAKAN MODEL REGRESI RUNTUN WAKTU DENGAN EFEK VARIASI KALENDER oleh APRILLIA COSASI M0109014 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciPERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.
PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciS - 22 PERAMALAN BANYAK PENUMPANG KERETA DAERAH OPERASI VI YOGYAKARTA MENGGUNAKAN MODEL TIME SERIES DENGAN VARIASI KALENDER ISLAM REGARIMA
S - PERAMALAN BANYAK PENUMPANG KERETA DAERAH OPERASI VI YOGYAKARTA MENGGUNAKAN MODEL TIME SERIES DENGAN VARIASI KALENDER ISLAM REGARIMA Nila Widhianti 1, Dhoriva Urwatul Wutsqa 1, Program Studi Matematika
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciPEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO
PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO Skripsi Diajukan Untuk Memenuhi Sebagian Syarat Mencapai Gelar Sarjana Strata Satu (S-1) Oleh : ROSIANA NOVITA
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 Atiqoh NRP : 1205 100 021 Dosen Pembimbing : 1. Dra. Nuri Wahyuningsih, MKes 2. Drs. Sulistiyo,
Lebih terperinciEvelina Padang, Gim Tarigan, Ujian Sinulingga
Saintia Matematika Vol. 1, No. 2 (2013), pp. 161 174. PERAMALAN JUMLAH PENUMPANG KERETA API MEDAN-RANTAU PRAPAT DENGAN METODE PEMULUSAN EKSPONENSIAL HOLT-WINTERS Evelina Padang, Gim Tarigan, Ujian Sinulingga
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
Lebih terperinciPERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno
Lebih terperinciBAB I PENDAHULUAN. barang dan penumpang dari suatu tempat ke tempat lainnya. Jenis
1 BAB I PENDAHULUAN 1. Latar Belakang Transportasi merupakan kegiatan mengangkut atau membawa barang dan penumpang dari suatu tempat ke tempat lainnya. Jenis transportasi yang digunakan, yaitu transportasi
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii NASKAH SOAL TUGAS AKHIR... iv HALAMAN PERSEMBAHAN... v INTISARI... vi KATA PENGANTAR... vii UCAPAN TERIMA KASIH... viii
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciEFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN
EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN Puji Rahayu 1), Rohmah Nur Istiqomah 2), Eminugroho Ratna Sari 3) 1)2)3) Matematika
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciBAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :
BAB SIMULASI PERHITUNGAN HARGA BARANG Bab Simulasi Perhitungan Harga barang berisikan :.. Simulasi peramalan nilai Indeks Harga Konsumen (IHK) melalui metode ARIMA.. Prediksi nilai inflasi tahun 0.3. Prediksi
Lebih terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI. Oleh: IRLIZANTY YULYANTIKA RAHADI
PERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI Oleh: IRLIZANTY YULYANTIKA RAHADI 6 4 Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes Abstrak Indeks harga saham merupakan suatu indikator yang
Lebih terperinciPENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI
TUGAS AKHIR - ST 1325 PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI I G B ADI SUDIARSANA NRP 1303100058 Dosen Pembimbing Ir. Dwiatmono Agus Widodo,
Lebih terperinciPeramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS
Jurnal EKSPONENSIAL Volume 3, Nomor, Mei 2 ISSN 8-7829 Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2 Dengan Metode ARIMA BOX-JENKINS Forecasting The Number
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO PENDAHULUAN MODEL DATA DERET WAKTU BERDASARKAN PARAMETER PEMBEDA
Lebih terperinciPeramalan Volume Penjualan Sepeda Motor di Kabupaten Trenggalek dengan Menggunakan Metode ARIMAX dan ANFIS
Peramalan Volume Penjualan Sepeda Motor di Kabupaten Trenggalek dengan Menggunakan Metode ARIMAX dan ANFIS I Made Bayu Kurniawan, 2 Santi Puteri Rahayu, dan 3 Suhartono Jurusan Statistika, Fakultas MIPA,
Lebih terperinciMODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI
MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciVI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER
VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER 6.1. Analisis Pola Data Penjualan Ayam Broiler Data penjualan ayam broiler adalah data bulanan yang diperoleh dari bulan Januari 2006
Lebih terperinciBAB III METODE PENELITIAN. 3.1 Unit Analisis dan Ruang Lingkup Penelitian. yang berupa data deret waktu harga saham, yaitu data harian harga saham
32 BAB III METODE PENELITIAN 3.1 Unit Analisis dan Ruang Lingkup Penelitian 3.1.1. Objek Penelitian Objek sampel data dalam penelitian ini menggunakan data sekunder yang berupa data deret waktu harga saham,
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperinciPeramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL)
Peramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL) Ainil Karomah dan Suhartono Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciPeramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada
Estimasi Parameter Autoregressive Integrated Moving Average (ARIMA) Menggunakan Algoritma Particle Swarm Optimization (PSO) (Studi Kasus: Peramalan Curah Hujan DAS Brangkal, Mojokerto) Meytaliana Factmawati,
Lebih terperinciPERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciPeramalan Harga Beras di Perum BULOG Divre Jatim
Peramalan Harga Beras di Perum BULOG Divre Jatim Disusun oleh : Woro Morphi H (1309030010) Dosen Pembimbing : Dr. Suhartono, S.Si, M.Sc Pendahuluan Latar Belakang, Perumusan Masalah,Tujuan Penelitian,
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciPENDEKATAN MODEL EKONOMETRIKA UNTUK MEMPREDIKSI INDEKS SAHAM SYARIAH INDONESIA
PENDEKATAN MODEL EKONOMETRIKA UNTUK MEMPREDIKSI INDEKS SAHAM SYARIAH INDONESIA Nuri Wahyuningsih 1), Daryono Budi U. 2), R.A. Diva Zatadini 3) 1)2))3) Departemen Matematika FMIPA ITS Kampus ITS Keputih,
Lebih terperinciHALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...
HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA
PEMODELAN NILAI EKSPOR DI INDONESIA DENGAN PENDEKATAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH) SKRIPSI BAGUS HADI PRASTYA PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS
Lebih terperinciPeramalan Inflasi Menurut Kelompok Pengeluaran Makanan Jadi, Minuman, Rokok dan Tembakau Menggunakan Model Variasi Kalender
Peramalan Inflasi Menurut Kelompok Pengeluaran Makanan Jadi, Minuman, Rokok dan Tembakau Menggunakan Model Variasi Kalender (Studi Kasus Inflasi Kota Semarang) SKRIPSI Disusun Oleh : AMANDA LUCKY BERLIAN
Lebih terperinciPERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK
PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI Trio Yonathan Teja Kusuma 1, Sandra Praharani Nur Asmoro 2 1,2)
Lebih terperinciModel Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer
Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI Bursa saham atau Pasar
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 547-556 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian Peramalan Inflasi Menurut Kelompok Pengeluaran Makanan Jadi,
Lebih terperinciPrediksi Harga Saham dengan ARIMA
Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
Lebih terperinciBAB III METODE PENELITIAN. dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai
24 BAB III METODE PENELITIAN 1.1 Jenis dan Sumber Data Menurut Sekaran (2003), data sekunder merupakan informasi yang dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai
Lebih terperinciAnalisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung
Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,
Lebih terperinciPENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: NURKHOIRIYAH 1205100050 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. 1 Latar
Lebih terperinciANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun )
ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 2011) Amelia Crystine 1, Abdul Hoyyi 2, Diah Safitri 3 1 Mahasiswa Jurusan Statistika FSM UNDIP
Lebih terperinciPEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION
PEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION Oleh NYOMAN PANDU WIRADARMA (1308 100 052) Dosen Pembimbing 1
Lebih terperinciData Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman
Lampiran 1. Data Tingkat Hunian Hotel di Propinsi DIY Tahun 1991-2003 48 49 Lampiran 1 Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun 1991-2003, Tahun Bulan Wisman 1991 1 27,00 1991 2 30,60
Lebih terperinciMETODE PEMULUSAN EKSPONENSIAL WINTER UNTUK PERAMALAN ABSTRACT
METODE PEMULUSAN EKSPONENSIAL WINTER UNTUK PERAMALAN Arganata Manurung 1, Bustami 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
9 menguji kelayakan model sehingga model sementara tersebut cukup memadai. Salah satu caranya adalah dengan menganalisis galat (residual). Galat merupakan selisih antara data observasi dengan data hasil
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciPemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD
Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD Charisma Arianti, Arief Wibowo Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas Airlangga Surabaya Alamat Korespondensi:
Lebih terperinci