agenda Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
|
|
- Leony Tedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 seminar ugas akhir Renny Elfira Wulansari 0000 pembimbing Dr. Suharono, S.Si, M.Sc Gedung H Lanai Saisika FMIPA-ITS Surabaya, Juli 04
2 agenda Pendahuluan Tinjauan Pusaka Meodologi Peneliian Analisis dan Pembahasan Kesimpulan dan Saran
3 pendahuluan
4 laarbelakang ujuan unggal mencapai dan menjaga kesabilan nilai rupiah Peramalan neflow uang karal Memanau neflow uang karal ARIMA (Dengan Efek Variasi Kalender) pendahuluan
5 laarbelakang peramalan belum baik Eksrapolasi Daa ARIMA Belum menggambarkan pola musiman daa Adanya hari raya idul firi yang nilai neflow uang karalnya cenderung sanga besar, dengan kondisi erjadinya yang iap ahun bergesar maju hari. ARIMA (Dengan Efek Variasi Kalender) pendahuluan
6 laarbelakang Oher Research Suharono e al (00) meramalkan hasil penjualan salah sau perusahaan reail per bulan khususnya pada bulan dimana erdapa hari raya idul firi membandingkan hasil peramalan anara meode ARIMA dengan ren sokasik, ARIMA dengan ren deerminisik, dekomposisi, ARIMA musiman (SARIMA), dan Arificial Neural Nework (ANN) pendahuluan
7 laarbelakang Oher Research Moshiri dan Cameron (000) perbandingan proyeksi inflasi anara model ekonomerika sederhana yaiu ARIMA, Vecor Auoregressive (VAR) model, dan Bayesian Vecor Auoregression model dengan ANN hasil proyeksi ANN lebih baik dibandingkan proyeksi menggunakan model ekonomerika sederhana Model Arificial Neural Nework (ANN) merupakan salah sau eknik peramalan baru dalam bidang ekonomi dan keuangan. Kelebihan dari model ini adalah model ini bebas dari asumsi linierias yang harus digunakan dalam meode ekonomerika radisional seperi ARIMA pendahuluan
8 rumusanmasalah Bagaimana karakerisik dari daa neflow uang karal Bank Indonesia? Bagaimana model ARIMA yang sesuai unuk memprediksi neflow uang karal Bank Indonesia? Bagaimana model Radial Basis Funcion Nework yang sesuai unuk memprediksi neflow uang karal Bank Indonesia? Bagaimana perbandingan hasil prediksi neflow uang karal Bank Indonesia dengan menggunakan model ARIMA dan model Radial Basis Funcion Nework? pendahuluan
9 injauan pusaka
10 uang Pembayaran unai selain menggunakan uang karal juga dapa dengan menggunakan cek. Dalam melakukan pembayaran dengan cek seseorang harus memiliki simpanan dalam benuk rekening giro di suau bank umum. Uang yang berada dalam rekening giro bank umum ini disebuuang giral Uang karal adalah uang keras dan uang logam rupiah yang dikeluarkan dan diedarkan oleh Bank Indonesia
11 uang M M0 Uang Kuasi M Uang Giral Uang Karal di Masyaraka Giro Masyaraka Uang Karal di BI Giro Bank Umum SBI
12 uang Selisih anara ouflow dan inflow disebu neflow ouflow > inflow maka selisihnya disebu ne ouflow ouflow < inflow maka selisihnya disebu ne inflow ouflow Neflow inflow
13 fungsiransfer Fungsi ransfer merupakan meode peramalan nilai dere waku yang didasarkan nilai-nilai masa lalu dere iu sendiri sera pada sau aau lebih dere waku lain yang berhubungan dengan dere waku ersebu (dere inpu ). = v B + η dimana v B = ω s(b)b b δ r (B) dan η = θ(b) φ(b) α dengan, : dere oupu yang sasioner : dere inpu yang sasioner η : dere noise ω s B = ω 0 ω B ω B ω S B S δ r B = δ B δ B δ r B r
14 ARIMA(Calendarvariaioneffec) rend dummy efek variasi kalender dummy seasonal (bulan) Model ARIMA adalah model ARIMA dengan ambahan variabel. Terdapa beberapa jenis ambahan variabel, misalnya variabel-variabel dummy unuk efek variasi kalender dan ren deerminisik. Model ARIMA dengan ren deerminisik adalah sebagai beriku. = l + β V, + β V, + + β k V k, +m S, + m S, + + m k S k, + θ q(b) φ p (B) α Residual yg di modelkan ARIMA (Suharono e al, 00)
15 pemilihanmodelerbaik Mean Absolue Percenage Error (MAPE) merupakan salah sau krieria yang dapa digunakan dalam pemilihan model (Wei, 006). Perhiungan nilai MAPE adalah sebagai beriku: MAPE = n n = : nilai sesungguhnya : nilai peramalan
16 RadialBasisFuncionNework(RBFN) Komponen RBFN sama dengan ANN lainnya, yaiu memiliki neuron, fungsi akivasi, dan bobo (weigh). Pemodelan RBFN diliha pada benuk jaringan yang erdiri dari jumlah neuron pada inpu layer, jumlah neuron pada hidden layer, julah oupu pada oupu layer, sera fungsi akivasi. Pada iap node di hidden layer RBFN menggunakan Radial Basic Funcion (RBF) yang dilambangkan dengan φ(r). Fungsi akivasi ini merupakan fungsi akivasi nonlinier. Fungsi akivasi yang biasa digunakan dalam RBFN adalah fungsi Gaussian. = F x = m w i φ( x c i ) i=0 i : 0,, m y x : oupu RBFN w i c i : bobo (weigh) : cener. : Euclidean Norm
17 RadialBasisFuncionNework(RBFN) Gambar. Conoh arsiekur model RBFN (Swammy, 006)
18 meodologi peneliian
19 sumberdaa Neflow uang karal dan Kurs didapa dari Bank Indonesia daa sekunder Indeks Harga Konsumen dari Badan Pusa Saisik Indonesia Daa bulanan dengan periode bulan Januari 004 hingga Desember 0 meodologipeneliian
20 variabelpeneliian Neflow Uang Karal -> Variabel Respon Indeks Harga Konsumen -> Variabel Predikor ( ) Nilai ukar rupiah per sauan dollar AS (rupiah) -> Variabel Predikor ( ) meodologipeneliian
21 langkahanalisis Menganalisa karakerisik dari daa neflow uang karal Pemodelan ARIMA (Akan dibenuk model ARIMA) Pemodelan RBFN (Radial Basis Neural Nework) Membandingkan hasil proyeksi anara model ARIMA dan RBFN berdasarkan nilai RMSE hasil proyeksi Menarik kesimpulan meodologipeneliian
22 analisis & pembahasan
23 karakerisikneflowuangkaral saisikadeskripifneflowuangkaral Tahun Minimum Maksimum Raa-Raa Deviasi Sandar Toal analisisdanpembahasan
24 karakerisikneflowuangkaral 7000 M ke- M ke-4 M ke- M ke- M ke-4 M ke- M ke-4 M ke- M ke- Ke: - hari raya hari raya () M ke & hari raya () M ke & 4 + hari raya Neflow Uang Karal (Milyar Rupiah) Monh Year Jan 00 Jan 006 Jan 007 Jan 008 Jan 009 Jan 00 Jan 0 Jan 0 Jan 0
25 karakerisikneflowuangkaral hasilanalisa Bulan Januari merupakan bulan yang umumnya mengalami neflow yang rendah dibanding bulan nefloweringgidanerendah lain. Tahun Neflow Terendah Neflow Teringgi Terjadinya Hari Raya Bulan Desember merupakan bulan yang umumnya mengalami neflow yang 00 Januari, Nopember Okober, Desember Minggu Ke- Nopember inggi dibanding bulan lain. 006 Januari, Nopember Okober, Desember Minggu Ke-4 Okober 007 Januari, Nopember Sepember, Desember Minggu Ke- Okober Keika Idul Firi jauh pada minggu ke- aau minggu ke-, neflow erendah -> bulan erjadinya Idul Firi neflow eringgi -> sau bulan sebelum erjadinya Idul Firi 008 Januari, Okober Sepember, Desember Minggu Ke- Okober 009 Januari, Okober Sepember, Desember Minggu Ke-4 Sepember 00 Januari, Sepember Agusus, Desember Minggu Ke- Sepember Keika Idul Firi jauh pada minggu ke- aau minggu ke-4, neflow erendah -> sau bulan seelah erjadinya Idul Firi neflow eringgi -> bulan erjadinya Idul Firi 0 Januari, Sepember Agusus, Desember Minggu Ke-4 Agusus 0 Januari, Sepember Agusus, Desember Minggu Ke- Agusus 0 Januari, Agusus Juli, Desember Minggu Ke- Agusus
26 karakerisikneflowuangkaral boxcoxplo Sasioner dlm varian ACFdanPACF Lower CL Upper CL Lambda (using 9.0% confidence) Esimae 0.96 Lower CL 0.0 Upper CL.4 Rounded Value.00 Auocorrelaion Parial Auocorrelaion SDev Lag ADFes 0 Lag Lambda 4 Limi Sasioner dlm Mean DF=,99 dengan p-value=0,0
27 peramalanarima (variasikalender) ujisignifikansiarimaar() seelahbackwardeliminaion Parameer Esimasi Sd. Error p-value Φ -0,46 0,00 -,49 <,000 V, -7464, ,00-7, <,000 V, ,00 49,700 9, <,000 V,- 666,400 47,00 4,60 <,000 V,- 0, ,800,40 0,089 V 4, 46,700 47,600 0,6 <,000 V 4, ,600 4,400-7,0 <,000 Parameer Esimasi Sd. Error p-value S, -080,700 9,000-8,04 <,000 S, -980,00 7,00 -,6 0,000 S 6, 989,00 87,400,8 0,000 S 9, -990,00 9,600 -,8 0,00 S 0, -7690, ,000 -,70 0,0084 S, 844, ,00 9,69 <,000,44,7 4,7 <,000
28 peramalanarima (variasikalender) ujiwhienoise, ,6V 8998,6V 989,S 666,4V 6, 844,4S,- 4, 0,6V 080,7S 990,S,, 9, 49947,V,, ( 0,46B) 7690,4S 980,S a, 46,7V 0,, 4, Sampai Lag Chi-Square Deraja Bebas (df) p-value 6 4, 0,,64 7 0,49 8 7,6 0, , 9 0,79 6 7,77 0,80 Belum Normal ujikenormalan KS=0,7 dengan p-value <0,0
29 peramalanfungsiransfer (variabelpredikorihk) ACFdanPACFseelahdifferencing SDev boxcoxploihk Lower CL 0.0 Lambda Lambda. Upper CL (using 9.0% confidence) Esimae. Lower CL 0.99 Upper CL.4 Rounded Value.00 ADFes.0 Limi DF=-,07 dengan p-value=0, Sasioner dlm varian Belum Sasioner dlm Mean Auocorrelaion Lag ujisignifikansiarima(,,) 90 Parial Auocorrelaion Parameer Esimasi Sd. Error p-value ϕ 0,988 0,09 8, <,000 θ 0,870 0,0666,08 <,000 ujiwhienoise Sampai Lag Chi-Square Deraja Bebas (df) p-value 6, 4 0, 9,99 0 0,446 8, 6 0,79 4,7 0, Lag
30 crosscorrelaionfuncion peramalanfungsiransfer (variabelpredikorihk) ujiwhienoise Sampai Lag Chi-Square Deraja Bebas (df) p-value 6 8, 6 <,000 87, <, ,98 8 <, ,7 4 <,000 ACFdanPACFresidual ujisignifikansib,r,s(,0,0) =-,8 dengan 0,0;9 =,8 Auocorrelaion Lag Parial Auocorrelaion Lag
31 peramalanfungsiransfer (variabelpredikorihk) ujiwhienoiseakhir ujisignifikansib,r,s(,0,0) dengannoisearima(,0,0)(,0,0) Parameer Esimasi Sd. Error p-value ϕ -,87 0,0978 -,46 <,000 ϕ -0, ,7-7,4 <,000 ujikenormalan KS=0, dengan p-value <0,0 Belum Normal ϕ -0,4696 0,0969-4,4 <,000 ϕ 0,7790 0,084 9,0 <,000 ω 0-4,9 44,090 -,8 0,044, ,6V 080,7S,, 980,S 49947,V,, 989,S 6, 666,4V 990,S 9,,- 0,6V 7690,4S 0,, 844,4S 46,7V, 4, 8998,6V ( 0,46B) a 4,
32 SDev Lambda (using 9.0% confidence) Esimae -.00 Lower CL * Upper CL * Rounded Value -.00 boxcoxplokurs Sasioner dlm varian peramalanfungsiransfer (variabelpredikorkurs) ACFdanPACFseelahdifferencing Auocorrelaion Lag ujisignifikansiarima(0,,[]) 90 Parial Auocorrelaion Parameer Esimasi Sd. Error 0,0;9 p-value Lag Lambda ADFes DF=-,9 dengan p-value=0,96 Belum Sasioner dlm Mean θ -0,87 0, ,60,77 <,000 ujiwhienoise Sampai Lag Chi-Square Deraja Bebas (df) χ 0,0;df p-value 6,87 9,49 0,677 0,0 8, 0, ,8 7 6,0 0, ,8,9 0,68
33 peramalanfungsiransfer (variabelpredikorkurs) crosscorrelaionfuncion Tidak ada b,r,s yang signifikan
34 peramalanfungsiransfermuli-inpu (variabelpredikorihkdankurs) parameer yang signifikan hanya variabel IHK, ujisignifikansiihkdankurs Model dengan predikor IHK: ARIMA(,,) dengan b,r,s (,,) Model dengan predikor kurs: ARIMA(0,,[]) Variabel Parameer Esimasi Sd.Error 0,0;94 p-value IHK ω 0-66,9 746, -,9,78 0,089 Kurs ω 0,96 9,887,8,78 0,48 variabel kurs parameernya idak signifikan Maka variabel kurs ini harus dihilangkan dalam model. Keika variabel kurs dihilangkan dari dalam model oomais model yang erbenuk akan sama dengan model pada sub bab sebelumnya yaiu model fungsi ransfer univaria anara neflow uang karal dan IHK
35 Parameer Esimasi ujisignifikansiarimagab denganihkb,r,s(,[,],0) derenoisearima(,0,0) Sd. Error T peramalanarimagabungan (variasikalenderdanihk) p- value Φ -0,64 0,0-6,66 <,000 ω 0-494,70 7,9 -,09 0,040 ω -64,90 9,0 -,6 0,0 ω 86,0 9,0, 0,077 V, -764,60 478,0-7,9 <,000 V,- 4799, ,40 0,0 <,000 V,- 007,90 49,70, <,000 V,- 849,80 60,0,0 0,00 V 4, 4,00 84,70 0,99 <,000 V 4,+ -88,0 77,0-7,6 <,000 Parameer Esimasi Liha CCF Dengan sysem rial error Cari b,r,s yang signifikan Sd. Error p- value S, -4967,80 64,0-9,4 <,000 S, -040,0 7,0-4,4 <,000 S 6, 67,60 4,80,68 0,009 S 9, -998,60 7,00 -,60 0,0006 S 0, -909,0 6,40 -, 0,0008 S,,60 668,60 9,8 <,000 ujiwhienoise Sampai Lag Chi- Deraja Bebas (df) p- value Square 6,0 0,688 6,0 0,89 8 6,9 7 0, ,70 0,89 ujikenormalan KS=0,04 dengan p-value 0,07 Belum Normal
36 peramalanarimagabungan (variasikalenderdanihk) ujisignifikansiarimagab denganoulier Parameer Esimasi Sd. Error p- value S, -07,0 87,0-0,7 <,000 S, -08,40 0,0 -,9 <,000 S 6, 669,0 886,00,8 0,00 S 9, -7,00 7,40 -,04 0,00 S 0, -87,40 8,70 -,60 0,0006 S, 76,40 9,00 0, <,000 ώ A,T =79 8, ,80,77 0,000 ώ A,T = -709,70 80,0 -,94 0,0044 ώ A,T =96 0,0 6,00,67 0,0094 ώ A,T =8-847,90 770,90 -,0 0,00 Parameer Esimasi Sd. Error p- value Φ -0,70 0,09-7,79 <,000 ω 0-4,40 78,90 -, 0,04 ω -464,40 748, -,9 0,006 ω 097,0 8,8,4 0,00 V, -7464,40 8,0-9,7 <,000 V,- 47,00 87,60,8 <,000 V,- 4,0 4,60 6, <,000 V,- 0664,0 44,40 4,67 <,000 V 4, 476,40 89,80, <,000 V 4,+ -0,80 64,0 -,8 <,000
37 peramalanarimagabungan (variasikalenderdanihk) Sampai Lag Chi- Square ujiwhienoise Deraja Bebas (df) χ 0,0;df p-value 6,9,07 0,69,6 9,68 0,400 8,9 7 7,9 0, ,86,7 0,7 7464,4V 0664,V 07,S 87,4S 709,7I 4,4,,, 0, (), 47V 476,4V 08,4S 76,4S 0,I,, 464,4 4,, (96) 4,V 0,8V 669,S, 8I 6, (79) 847,9I 097,,- 4, 7S (8), 9, a ( 0,7B) ujikenormalan KS=0,08 dengan p-value 0,44 Normal
38 peramalanrbfn hasillearningrbfn RBFN ARIMA Meode MAPE 7-0-0, , , , ,6 Meode MAPE RBFN Fs. Transfer (variabel predikor IHK) , , , , ,0 RBFN ARIMA Gabungan Meode MAPE --,469 --, ,88-4-,8 --,96
39 peramalanrbfn conohperhiungan peramalanrbfn Misal RBFN inpu Fs. Transfer (9--) ) ( ) ( 46,4-779, - ) ( ) ( ) ( 0 x F Dengan, 6 6,,,, (6.7) 879,98 4 (6.7) 6, 8,... (6.7) 99,06 4,76 (6.7) 99,66,49 exp(... exp( ) ( 6 6,,,, (4,98) 46, 4 (4,98) 046,74 8,... (4,98),9 4,76 (4,98),09,49 exp(... exp( ) (
40 perbandinganarimadenganrbfn hasilforecasing Model Bulan Ramalan Bulan Ramalan Meode RMSE MAPE ARIMA (Variasi Kalender) 0,84 Fs. Transfer (IHK),88 ARIMA Gabungan Dengan Oulier 0,777 RBFN ARIMA (7--),004 RBFN Fs. Transfer (9--) 0,878 RBFN ARIMA Gabungan (--),94 ARIMA Gabungan Dengan Oulier BerdasarkanmodelARIMAGabungan, dengan harirayaidulfiri jauhpadaminggu ke-bulan Agususdiahun 0didapa: Neflowyangurundrasisdarisaubulansebelumerjadinyaidulfiri kebulanerjadinyaidulfiriyaiuagusus(bulan 8) Neflow yangerusmenurundarisaubulansebelumidulfiri,ke bulanidulfiri, kemudian saubulan seelah idulfiri. NeflowyanginggipadasaubulansebelumerjadinyaidulfiriyaiuJuli(bulan7) BulanJanuari0 mengalamineinflowyangsangainggi neouflowyanginggiselainpadabulanjuliadalahpadabulandesember
41 pemecahanmodelarimagabungan pemecahan berdasarkan bulan yang akan diramalkan nilai neflow nya sedang unuk Mare, April, Mei, juli, Agusus, dan November (8) (96) () (79) (8) (96) () (79) 6, 4,,,- 0,- 9,- 6,-,-,- 4, 4,-,,-,,-,,,, 0, 9, 6,,, 4, 4,,,-,, 0,7 9 I 0,8 I 94,8 I 69, I 847,9 I 0, I 709,7 I 8 I 768, 7, 99 66,8 S 766, S 00, S 448,4 S 84,9 S 64 S 484 V 06, V 446, V 480,8 V 06,4 V 6, V 097, 464,4 4,4 76,4 S 87,4 S 7S 669,S 08,4 S 07,S 0,8 V 476,4 V 0664, V 4, V 47 V 7464,4 V ˆ 6, 4,,,,, 0,7 768, 7, , 464,4 4,4 ˆ 6, 4,,,,, 6, 4,,,,, 6, 4,,,,, 6, 4,,,,, 6, 4,,,,, 6, 4,,,,, 0,7 768, 7, , 464,4 4,4 76,4 ˆ (Des) 0,7 768, 7, , 464,4 4,4 87,9 ˆ (Ok) 0,7 768, 7, , 464,4 4,4 7 ˆ (Sep) 0,7 768, 7, , 464,4 4,4 669, ˆ (Jun) 0,7 768, 7, , 464,4 4,4 847,4 ˆ (Feb) 0,7 768, 7, , 464,4 4,4 687, ˆ (Jan)
42 Ẑ pemecahanmodelarimagabungan Penambahan/pengurangan nilai neflow akiba pengaruh idul firi Unuk bulan yang merupakan sau bulan sebelum idul firi persamaan dalam bulan ersebu, Mengalami penambahan neflow sebesar 9.6 milyar rupiah jika idul firi erjadi pada minggu ke-. Mengalami penambahan nilai neflow sebesar.4, milyar rupiah jika idul firi erjadi pada minggu ke-. Mengalami penambahan nilai neflow sebesar 0.664, milyar rupiah jika idul firi erjadi pada minggu ke-. Tidak mengalami penambahan maupun pengurangan nilai neflow jika idul firi erjadi pada minggu ke- 4. Unuk bulan dimana erjadi idul firi persamaan dalam bulan ersebu, Mengalami penurunan neflow sebesar 7.464,4 milyar rupiah jika idul firi erjadi pada minggu ke-. Tidak mengalami penambahan maupun pengurangan nilai neflow jika idul firi erjadi pada minggu ke- aau minggu ke-. Mengalami penambahan nilai neflow sebesar 8.894,4 milyar rupiah jika idul firi erjadi pada minggu ke-4. Dan unuk bulan yang merupakan sau bulan seelah idul firi persamaan dalam bulan ersebu mengalami pengurangan sebesar.0,8 milyar rupiah jika jika idul firi pada ahun ersebu erjadi pada minggu ke-4. Sedangkan jika erjadi pada minggu ke-, ke-, dan ke-, persamaan unuk sau bulan seelah idul firi ersebu idak mengalami penambahan maupun pengurangan neflow. Jika akan meramalkan bulan yang merupakan dua bulan sebelum idul firi (-) maka persamaan, Mengalami penambahan neflow sebesar.06,4 milyar rupiah jika idul firi erjadi pada minggu ke-. Mengalami penambahan nilai neflow sebesar 4.80,8 milyar rupiah jika idul firi erjadi pada minggu ke-. Mengalami penambahan nilai neflow sebesar 4.46, milyar rupiah jika idul firi erjadi pada minggu ke-. Tidak mengalami penambahan maupun pengurangan nilai neflow jika idul firi erjadi pada minggu ke-4.
43 Acual VSforecasing Acual vs ARIMA (Variasi Kalender) vs RBFN ARIMA (7--) Acual vs ARIMA Gabungan dengan Oulier vs RBFN ARIMA Gabungan (--) Variable Acual ARIMA RBFN ARIMA Daa Variable Acual ARIMA Gab RBFN ARIMA Gab Acual vs Fs. Transfer (IHK) vs RBFN Fs. Transfer (9--) Variable Acual Fs. Transfer RBFN Fs.Transfer Index
44 kesimpulan & saran
45 kesimpulandansaran kesimpulan Model ARIMA (ARIMA dengan ambahan efek variasi kalender) yang sesuai unuk meramalkan neflow uang karal adalah ARIMA (,0,0) dengan variabel signifikan V,, V,-, V,-, V,-, V 4,,V 4,+ unuk variabel dummy efek variasi kalendernya dan S,, S,, S 6,, S 9,, S 0,, S, unuk dummy bulan-nya. Variabel yang menangkap ren kenaikan daa juga signifikan. Model fungsi ransfer yang sesuai unuk meramalkan neflow uang karal dengan variabel predikor IHK adalah prewhiening menggunakan ARIMA(,,) dengan b, r, s (,0,0) dan model dere noise ARIMA(,0,0)(,0,0) Variabel kurs idak memiliki pengaruh yang signifikan pada neflow uang karal secara univaria. Seelah dilakukan fungsi ransfer muli-inpu anara neflow uang karal dengan IHK dan kurs didapakan hasil yang sama bahwa hanya variabel IHK yang berpengaruh signifikan erhadap neflow uang karal sedangkan variabel kurs idak Karena efek variasi kalender dan variabel predikor IHK berpengaruh pada neflow uang karal maka dibenuk model ARIMA gabungan unuk meramalkan neflow uang karal. Model ARIMA gabungan yang sesuai unuk meramalkan neflow uang karal adalah model dengan variabel signifikan V,, V,-, V,-, V,-, V 4,, V 4,+ unuk variabel dummy efek variasi kalendernya dan S,, S,, S 6,, S 9,, S 0,, S, unuk dummy bulan-nya. Variabel predikor IHK juga signifikan dengan b, r, s (,[,],0) dan model dere noise ARIMA (,0,0). Model erbaik yang didapa dalam learning RBFN dengan inpu ARIMA (akiba efek variasi kalender) adalah model dengan uni neuron dalam hidden layer (dengan kisaran jumlah neuron pada hidden layer anara hingga ).
46 kesimpulandansaran kesimpulan Model erbaik yang didapa dalam learning RBFN dengan inpu fungsi ransfer (variabel IHK) adalah model dengan uni neuron dalam hidden layer (dengan kisaran jumlah neuron pada hidden layer anara hingga ). Model erbaik yang didapa dalam learning RBFN dengan inpu ARIMA gabungan adalah model dengan uni neuron dalam hidden layer (dengan kisaran jumlah neuron pada hidden layer anara hingga ). Berdasarkan hasil peramalan didapakan hasil model ARIMA gabungan anara efek variasi kalender dengan variabel predikor IHK sebagai model erbaik dibanding model lain dalam peneliian ini. saran Unuk peneliian selanjunya jumlah neuron dalam hidden layer yang dicoba pada learning RBFN dapa diperbanyak karena mungkin saja bisa didapakan hasil peramalan yang lebih baik lagi
47 dafarpusaka () Aswi & Sukarna. (006). Analisis Dere Waku: Teory dan Aplikasi. Makassar: Andira Publisher. Badan Pusa Saisik. (04). Meodologi Inflasi. Rerieved from Bank Indonesia. (04). Fungsi Bank Indonesia. Rerieved from hp:// Bank Indonesia. (04). Fungsi Bank Indonesia. Rerieved from hp:// Cryer, J. &. (008). Time Series Analysis wih Applicaion in R (nd ediion). New York: Springer Science+Business Media, LLC. Daniel, W.W. (986). Saisika Nonparamerik Terapan. Jakara: PT Gramedia Pusaka Uama. Fause, L. (994). Fundamenal of Neural Nework: Archiecures, Algorihm, and Applicaions. New Jersey: Prenice Hall Inc. Kusumadewi, S. (004). Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB dan Excel Link). Yogyakara: Graha Ilmu.
48 dafarpusaka () Moshiri, S & Cameron, N. (000). Journal of Forecasing. Neural Nework Versus Economeric Models in Forecasing Inflaion, 0-7. Sadono & Sukirno. (998). Penganar Teori Makroekonomi. Jakara: PT Raja Grafindo Persada. Solikin & Suseno. (00). Uang: Pengerian, Pencipaan, dan Peranannya dalam Perekonomian. Jakara: Bank Indonesia. Suharono, Lee, M. H, Hamzah, N.A. (00). Proceedings of he Regional Conference on Saisical Sciences. Calendar Variaion Model Based on Time Series Regression for Sales Forecas: The Ramadhan Effecs, 0-4. Swammy, M.N.S. (006). Neural Neworks in a Sofcompuing Framework. Germany: Springer Science and Business Media. Walpole, R.E. (99). Penganar Saisika. Jakara: PT. Gramedia Pusaka Uama. Wei, W.W.S. (006). Time Series Analysis, Univariae, and Mulivariae Mehods. Canada: Addison Wesley Publishing Company.
49 seminar ugas akhir Renny Elfira Wulansari 0000 pembimbing Dr. Suharono, S.Si, M.Sc Gedung H Lanai Saisika FMIPA-ITS Surabaya, Juli 04
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciPeramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS
JURNAL SAINS DAN SENI IS Vol. 4, No., () 2337-3 (2-928X Prin) D-67 Peramalan Inflasi Nasional Berdasarkan Fakor Ekonomi Makro Menggunakan Pendekaan ime Series Klasik dan ANFIS Clara Agusin Sephani, Agus
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperincimetodologi penelitian
pendahuluan injauan pusaka meodologi peneliian hasil dan pembahasan kesimpulan Pusaka Meodologi Peningkaan Energi lisrik Kebuuhan energi lisrik Pengembangan sisem energi lisrik Peramalan beban lisrik Slide
Lebih terperinciANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS:
ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: UDD PMI KOTA SURABAYA) Oleh: Winda Eka Febriana (0500) Pembimbing: Ir. Dwiamono Agus W., MIKom . LATAR BELAKANG DARAH
Lebih 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 terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciAnalisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender
Analisis Peramalan Jumlah Perminaan Kerudung di Indusri Kecil Kerudung Arin di Surabaya dengan Meode Variasi Kalender Disusun oleh : Sely Enggar Rusiano 307 030 030 Dosen Pembimbing : Dr. Irhamah, M.Si
Lebih terperinciAnalisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang
Analisis Peramalan Jumlah Penumpang Kerea Api Penaaran Tujuan Surabaya-Malang Oleh. Andria Prima Diago 08.00.0 Dosen Pembimbing. r. Dwiamono Agus, M.komp Andria Prima Diago 08.00.0 nsiu Teknologi Sepuluh
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciPeramalan Kebutuhan Premium dengan Metode ARIMAX untuk Optimasi Persediaan di Wilayah TBBM Madiun
Peramalan Kebuuhan Premium dengan Meode ARIMAX unuk Opimasi Persediaan di Wilayah TBBM Madiun Oleh: Nindia Sekar Dini 1308100088 Pembimbing: Drs. Haryono, MSIE Dr. Suharono 1 Ouline Pendahuluan Tinjauan
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciPEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 9 PEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL Y.P.Y. Asmara,
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinciPeramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciPeramalan Netflow Uang Kartal dengan Metode ARIMAX dan Radial Basis Function Network (Studi Kasus Di Bank Indonesia)
JURNAL SAINS DAN SENI POMITS Vol., No., () - (-X Prin) D- Peramalan Neflow Uang Karal dengan Meode ARIMAX dan Radial Basis Funcion Nework (Sudi Kasus Di Bank Indonesia) Renny Elfira Wulansari dan Suharono
Lebih terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
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 terperinciPROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, November PROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER Suharono dan
Lebih terperinciPENGEMBANGAN MODEL REGRESI DERET WAKTU UNTUK DATA YANG MENGANDUNG VARIASI KALENDER
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, November PENGEMBANGAN MODEL REGRESI DERET WAKTU UNTUK DATA YANG MENGANDUNG VARIASI KALENDER Alfonsus. J. Endhara dan Suharono Mahasiswa S Jurusan
Lebih terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciPeramalan Total Market Sepeda Motor Dan Total Penjualan Motor X Di Propinsi Jawa Timur Dengan Pendekatan ARIMA Box-Jenkins Dan ARIMAX
Peramalan Toal Marke epeda Moor Dan Toal Penjualan Moor X Di Propinsi Jawa Timur Dengan Pendekaan ARIMA Box-Jenkins Dan ARIMAX Oleh: Novia Dwi R. (300027) Dosen Pembimbing: Dr. eiawan, M.i 2 AGENDA PENDAHULUAN
Lebih terperinciPeramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model
Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih terperinciPrediksi Penjualan Sepeda Motor Honda di Kabupaten dan Kotamadya Malang dengan Metode Peramalan Hierarki. Oleh : Rika Susanti
Prediksi Penjualan Sepeda Moor Honda di Kabupaen dan Koamadya Malang dengan Meode Peramalan Hierarki Oleh : Rika Susani 1310100066 Dosen Pembimbing Co. Pembimbing : Dra. Desri Susilaningrum, M.Si. : Dr.
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Metode ARIMA, FFNN, dan Hybrid ARIMA-FFNN
D-444 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) 27-520 (20-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Meode ARMA, FFNN, dan Hybrid ARMA-FFNN Daniar Kusumaning Ayu, Desri Susilaningrum
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama: Zahroh Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika
Lebih terperinciMODEL HIBRIDA EXPONENTIAL SMOOTHING PENDEKATAN STATE SPACE DENGAN METODE VARIASI KALENDER UNTUK PERAMALAN INFLOW DAN OUTFLOW UANG KARTAL DI JAWA TIMUR
TUGAS AKHIR SS 450 MODEL HIBRIDA EXPONENTIAL SMOOTHING PENDEKATAN STATE SPACE DENGAN METODE VARIASI KALENDER UNTUK PERAMALAN INFLOW DAN OUTFLOW UANG KARTAL DI JAWA TIMUR ANA SUSANTI NRP 32 00 033 Dosen
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 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 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 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 terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
Lebih terperinciBAB 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 terperinciTUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor
TUGAS AKHIR Pendekaan Meode ARIMA Box Jenkins unuk Analisis Peramalan Daa Ekspor Non Migas Indonesia Di Sekor Peranian, Sekor Perindusrian dan Sekor Nurul Laifa Perambangan 307 030 70 Dosen pembimbing
Lebih 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 terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciFORECASTING & ARIMA. Dwi Martani. 1/26/2010 Statistik untuk Bisnis 9 1
FORECASTING & ARIMA Dwi Marani /26/200 Saisik unuk Bisnis 9 DERET BERKALA (TIME SERIES) Suau dere berkala merupakan suau himpunan observasi dimana variabel yang digunakan diukur dalam uruan periode waku,
Lebih terperinciPeramalan Curah Hujan di Wilayah Surabaya Timur dengan Vector Autoregressive Neural Network
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prin) D-175 Peramalan Curah Hujan di Wilayah Surabaya Timur dengan Vecor Auoregressive Neural Nework Febrian Krisianda dan Karika Fihriasari
Lebih terperinciPERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR
TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN
Lebih terperinciPERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN Yuli Wahyuningsih (), Brodjol Suijo S. U (), Suharono () Mahasiswa Jurusan Saisika, FMIPA, Insiu Teknologi
Lebih 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 terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinci2 efek dari pengaruh kejadian luar (exernal even) pada daa ime series (Wei, 2006). Bila y adalah daa ime series yang mengandung variasi kalender, maka
. PERAMALAN VOLUME KENDARAAN MASUK DI TOL DUPAK-WARU MENGGUNAKAN MODEL VARIASI KALENDER Yosua D. Charismawan (1304 100 024) Pembimbing : Ir. Dwiamono Agus W.,M.Ikom ABSTRAK Tol Surabaya-Gempol merupakan
Lebih 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 terperinciPrediksi Permintaan BBM di PT. Pertamina Region V dengan Metode Peramalan Data Time Series Hirarki
Prediksi Perminaan BBM di PT. Peramina Region V dengan Meode Peramalan Daa Time Series Hirarki Prania Dian Uari dan 2 Suharono Mahasiswa Jurusan Saisika FMIPA-ITS (38 57) 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciS 9 Peramalan Volume Penjualan Calana Panjang di Boyolali dengan Menggunakan Model Variasi Kalender
9 Peramalan Volume Penjualan Calana Panjang di Boyolali dengan Menggunakan Model Variasi Kalender Wahyuni uryaningyas Dosen FKIP Universias Muhammadiyah urabaya e-mail: ma_ums @yahoo.com ABTRAK Bisnis
Lebih terperinciPEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL LIFE ASSURANCE
90 Djojonegoro: PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih 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 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 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 terperinciKata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.
METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE
Lebih 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 terperinciPERAMALAN CURAH HUJAN DENGAN WAVELET
PERAMALAN CURAH HUJAN DENGAN WAVELET Garini Widosari 1 T-7 1 Polieknik Negeri Samarinda 1 garini_72@yahoo.com Absrak Peramalan adalah salah sau unsur yang sanga pening dalam pengambilan kepuusan. Peranan
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih 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 5 HASIL DAN PEMBAHASAN. Disini tujuan akhir yang ingin dicapai penulis adalah pembuatan suatu aplikasi
BAB 5 HASIL DAN PEMBAHASAN Disini ujuan akhir yang ingin dicapai penulis adalah pembuaan suau aplikasi program yang digunakan unuk membanu perusahaan dalam menenukan jumlah produksi demand. Disini ada
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciBAB 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 terperinciPeramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima- Neural Network untuk Optimasi Persediaan
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-94 Peramalan Kebuuhan Bahan Bakar Premium di Depo Ampenan dengan Meode Hibrida Arima- Neural Nework unuk Opimasi Persediaan Okivianis Kusumaningrum,
Lebih terperinciExponential smoothing
Exponenial smoohing This is a widely used forecasing echnique in reailing, even hough i has no proven o be especially accurae, www,cl,asae,edu/crbrown/smoohing07,pp 1 Exponenial Smoohing n Period Moving
Lebih terperinciANALISIS DATA INFLASI INDONESIA MENGGUNAKAN MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DENGAN PENAMBAHAN OUTLIER.
Analisis Daa (Supari) ANALISIS DAA INFLASI INDONESIA MENGGUNAKAN MODEL AUOREGRESSIVE INEGRAED MOVING AVERAGE (ARIMA) DENGAN PENAMBAHAN OULIER Supari 1 dan Alfi Faridaus Sa adah 2 1 Saf Pengajar Jurusan
Lebih terperinciMinggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING. Peramalan Data Time Series
Minggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING Bab ini memperkenalkan model berlaku unuk daa ime series dengan musiman, ren, aau keduana komponen musiman dan ren dan daa sasioner. Meode peramalan
Lebih 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 terperinciGenteng. = 0,435 Barisan dari [Exp(-7, ,121*X3] Binomial Thinning Operator. Jika Yt-1sukses maka peluang kejadian = 0,435
. Pemodelan Regresi INAR dengan Variabel Predikor Signifikan Geneng = 0,435 Y 0,435oY 1 Z Barisan dari [Exp(-7,988 + 0,1*X3] Binomial Thinning Operaor 35 30 Variable Y_2 PFIT2 25 Jika Y-1sukses maka peluang
Lebih terperinciAPLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA
APLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA 1 Arani Indraseianigsih, 2 Ika Damayani 1,2 Program Sudi Saisika, Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciPendekatan Fungsi Transfer Sebagai Input Adaptive Neuro-Fuzzy Inference System (ANFIS) dalam Peramalan Kecepatan Angin Rata-Rata Harian di Sumenep
JURNL SINS DN SENI ITS Vol., No., (Sep. 0 ISSN: 0-9 D- Pendekaan Fungsi Transer Sebagai Inpu dapive Neuro-Fuzzy Inerence Sysem (NFIS dalam Peramalan Kecepaan ngin Raa-Raa Harian di Sumenep Yulia Nurviasari
Lebih terperinciPemodelan VAR-NN dan GSTAR-NN untuk Peramalan Curah Hujan di Kabupaten Malang
JURNAL SAINS DAN SENI POMITS Vol., No., () - (-X Prin) D- Pemodelan VAR-NN dan GSTAR-NN unuk Peramalan Curah Hujan di Kabupaen Malang Kadek Ardya Novi Diani dan Seiawan dan Suharono Saisika, Fakulas Maemaika
Lebih terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinciBAB 2 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 terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinciPeramalan 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 terperinciSISTEM PREDIKSI PENJUALAN GAMIS TOKO QITAZ MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING. Oleh: Salman Alfarisi
S. Alfarisi / Journal of Applied Business and Economics Vol. 4 No. 1 (Sep 2017) 80-95 SISTEM PREDIKSI PENJUALAN GAMIS TOKO QITAZ MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING Oleh: Salman Alfarisi Program
Lebih 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 terperinciKata Kunci - GSTAR, Inflasi, Invers Jarak, Korelasi Silang, Seragam. I. PENDAHULUAN II. TINJAUAN PUSTAKA
Pemodelan Inflasi di Koa Semarang, Yogyakara, dan Surakara dengan pendekaan GSTAR Laily Awliaul Faizah, Seiawan Jurusan Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciUJI MULTIKOLINEARITAS DAN PERBAIKAN MULTIKOLINEARITAS
BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIYAH YOGYAKARTA UJI MULTIKOLINEARITAS DAN PERBAIKAN MULTIKOLINEARITAS 6.1. Uji Mulikolinearias Sebagaimana dikemukakan di aas, bahwa salah sau
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 terperinciANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Studi kasus pada CV Cita Nasional.
JURNAL ILMIAH RANGGAGADING Volume 7 No. 1, April 7 : 3-9 ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Sudi kasus pada CV Cia Nasional. Oleh Emmy Supariyani* dan M. Adi Nugroho *Dosen
Lebih terperinciAPLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Lebih terperinciPERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS Puri Handayani NRP 1314 030 112 Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si. Deparemen
Lebih terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
Lebih terperinciPeramalan Pengguna Kapal Ferry Ujung-Kamal dengan Metode Intervensi
D-480 JURNAL SAINS DAN SENI IS Vol. No. 2 (6) 2337-3 (2-928X Prin) Peramalan Pengguna Kapal Ferry Ujung-Kamal dengan Meode Inervensi Eka Apriliani, dan Irhamah Jurusan Saisika, Fakulas MIPA, Insiu eknologi
Lebih 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 MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO
PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO SKRIPSI Disusun Oleh : SITI LIS INA ATUL HIDAYAH 24010211120006 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPengaruh variabel makroekonomi..., 24 Serbio Harerio, Universitas FE UI, 2009Indonesia
BAB 3 DATA DAN METODOLOGI 3.1 Variabel-Variabel Peneliian 3.1.1 Variabel dependen Variabel dependen yang digunakan adalah reurn Indeks Harga Saham Gabungan yang dihiung dari perubahan logarima naural IHSG
Lebih terperinci