PREDIKSI PRODUKSI JAGUNG DI JAWA TENGAH DENGAN ARIMA DAN BOOTSTRAP
|
|
- Budi Budiono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Prosidig SPMIPA. pp ISBN : PREDIKSI PRODUKSI JAGUNG DI JAWA TENGAH DENGAN ARIMA DAN BOOTSTRAP Sri Rahayu, Taro Jurusa Maemaika FMIPA UNDIP Semarag Jl. Prof. Soedaro, Kampus UNDIP Tembalag, Semarag Absrak: Dalam ulisa ii dibahas eag peerapa meode ARIMA da Boosrap uuk prediksi produksi jagug di Jawa Tegah sampai dega ahu 9. Jagug merupaka salah sau baha paga aleraive peggai beras. Daa jumlah produksi jagug dari masa ke masa merupaka daa ruu waku sehigga uuk memprediksika jumlah produksi yag aka daag diguaka ekik-ekik aalisis ruu waku. Salah sau meode yag palig serig diguaka dalam pemodela ime series uuk peramala adalah Auoregressive Iegraed Movig Average (ARIMA) Box-Jekis. Namu serigkali daa yag diperoleh berukura relaif kecil, sehigga suli uuk mejami dipeuhiya asumsi-asumsi dalam aalisis saisik klasik. Sebagai akibaya iferesi saisik idak dapa dilakuka dega baik erhadap parameer model. Oleh sebab iu, diperluka suau pedekaa o paramerik yag bebas asumsi, salah sauya adalah meode Boosrap. Meode Boosrap merupaka meode berbasis kompuer yag bergua uuk meaksir berbagai kuaias saisik seperi mea, sadar error, da bias suau esimaor aau uuk esimasi ierval sera uuk megesimasi disribusi suau saisik. Peerapa kedua meode: ARIMA da Boosrap uuk pemodela da prediksi produksi jagug di Jawa Tegah sampai dega ahu 9 memberika hasil yag hampir sama yaiu uuk esimasi parameer model maupu sadar errorya, sehigga hasil prediksi dega kedua meode ersebu juga hampir sama. Meode boosrap mempuyai kelebiha dibadigka dega ARIMA karea disribusi parameer modelya dapa dieuka. Kaa Kuci: Prediksi, ARIMA, Boosrap PENDAHULUAN Paga merupaka kebuuha pokok yag harus selalu erpeuhi uuk mejaga kelagsuga hidup mausia. Jagug merupaka salah sau baha makaa pokok seelah beras. Jawa Tegah merupaka salah sau propisi peghasil jagug yag cukup besar di Idoesia. Beberapa ahu ke depa produksi jagug dipadag perlu uuk diprediksika agar dapa dibua suau perecaaa yag maag erkai dega keersediaa da kebuuha aka jagug sebagai baha paga aleraive peggai beras. Daa jumlah produksi jagug dari masa ke masa merupaka daa ruu waku sehigga uuk memprediksika jumlah produksi yag aka daag diguaka ekik-ekik aalisis ruu waku. Salah sau meode yag palig serig diguaka dalam pemodela ruu waku uuk peramala adalah Auoregressive Iegraed Movig Average (ARIMA) Box-Jekis. Agar model ARIMA Box-Jekis meghasilka ramala yag opimal, maka model ersebu harus memeuhi asumsi residual whie oise da berdisribusi ormal. Namu kadagkala daa yag diperoleh berukura relaif kecil, sehigga suli uuk mejami dipeuhiya asumsi-asumsi dalam aalisis saisik klasik. Sebagai akibaya iferesi saisik idak dapa dilakuka erhadap parameer model (hp://digilib.is.ac.id). Uuk megaasi masalah ersebu para saisikawa meempuh dega cara memperbesar ukura sampel. Padahal peambaha sampel ii kadag-kadag suli da bahka idak memugkika uuk dilakuka sehigga diilai kurag efisie. Oleh karea iu permasalaha yag aka diuraika disii adalah bagaimaa meeuka suau model erbaik dalam pemodela ime series dega jumlah daa yag berukura relaif kecil. Masalah iferesi saisik ii serig kali megakibaka esimasi beberapa aspek dari suau sebara peluag F didasarka pada suau sampel acak yag diarik dari Fˆ. Fugsi sebara empiris Fˆ, adalah esimasi sederhaa dari sebara F. Suau cara yag epa uuk megesimasi beberapa aspek yag diigika dari F, seperi mea, media, aau korelasi adalah dega megguaka aspek dari Fˆ. Hal iilah yag disebu prisip peggaia (plug-i). Meode boosrap adalah suau aplikasi lagsug dari prisip peggaia ersebu. Meode Boosrap merupaka suau meode pedekaa o paramerik yag bebas asumsi, berbasis kompuer da bergua uuk meaksir berbagai kuaias saisik seperi mea, sadar error, da bias suau 57
2 esimaor aau uuk membeuk ierval kofidesi sera uuk megesimasi disribusi suau saisik. Oleh karea iu, dala ulisa ii dibahas eag peerapa meode Boosrap uuk prediksi produksi jagug di Jawa Tegah selama beberapa ahu ke depa sera membadigka hasilya dega megguaka meode ARIMA Box-Jekis. METODE ARIMA BOX-JENKINS Model-model Auoregressive Iegraed Movig Average (ARIMA) elah dipelajari secara medalam oleh George Box da Gwilym Jekis (976), da ama mereka serig disioimka dega proses ARIMA yag elah dierapka uuk aalisis ime series. Meuru Box-Jekis erdapa beberapa ahapa dalam memodelka suau daa ime series yaiu : ideifikasi (ideificaio), esimasi (esimaio), verifikasi (diagosic checkig), da peramala (forecasig). Ideifikasi Model Lagkah ii berujua uuk megeahui apakah model ruu waku sasioer aau osasioer. Jika prosesya osasioer maka uuk mejadikaya sasioer harus dilakuka differesi/rasformasi baru kemudia diideifikasi. Berdasarka pegamaa erhadap grafik f.a.k da f.a.k.p yag diperoleh dari daa ruu waku maka diharapka dapa dikeali pola ruu waku yag kemudia diuagka kedalam model umum. Adapu gambara pericia secara umum model AR(p), MA(q), ARMA(p,q) disajika pada abel beriku. Tabel. Berbagai ciri beuk ACF da PACF uuk model AR, MA, ARMA Model ACF PACF AR(p) Meuru dega cepa secara Terpoog seelah lag p expoesial aau seperi gelombag sius yag melemah MA(q) Terpoog seelah lag q Meuru dega cepa secara expoesial aau seperi gelombag sius yag melemah ARMA(p,q) Meuru dega cepa seelah lag (qp) Meuru dega cepa seelah lag (p-q) Esimasi Parameer Seelah diperoleh sau aau beberapa model semeara maka lagkah selajuya adalah mecari esimasi uuk parameer-parameer dalam model iu. Hasil esimasi parameer yag diperoleh kemudia diuji uuk megeahui apakah parameer ersebu sigifika aau idak. Adapu hipoesisya yaiu : H : Parameer = H : Parameer dega saisik uji : parameer esimasi T hiug SE parameer esimasi Sedagka krieria ujiya adalah : T T, H dierima hiug, T T, H diolak hiug, Bila H dierima, berari parameerya idak sigifika, da jika H diolak, berari parameerya cukup sigifika. Verifikasi Model 58
3 Lagkah ii adalah lagkah pemeriksaa apakah model yag diesimasi cukup cocok dega daa yag ada. Tahap verifikasi didasarka pada aalisis residual ˆ. Asumsi dasar dalam model ARIMA adalah bahwa merupaka variabel radom idepede berdisribusi ormal dega mea ol da varia kosa. Sehigga dalam daa ruu waku diharapka igkah laku residual ˆ mirip dega. Uuk memeriksa apakah ˆ berdisribusi ormal dapa diguaka uji Box-Ljug. Uji ii megguaka auokorelasi sample dari residual uuk memeriksa hipoesis ull. Adapu hipoesisya adalah : H (auokorelasi residual idak sigifika) : k : k H (auokorelasi residual sigifika) dega saisik uji : K rk Q ( ), k dega: k : bayakya daa K : lag maksimum : ilai kuadra dari koefisie auokorelasi pada periode k r k Q aau value Jika (, K pq) p maka H dierima da ii berari ilai auokorelasi residual sama dega ol sehigga residual idepede. Dalam pemiliha model erbaik didasarka pula pada ilai MSE erkecil da prisip parsimoi yaiu model dega parameer sesediki mugki lebih diseagi daripada model dega parameer yag bayak. Peramala Seelah diperoleh model erbaik, selajuya model ersebu diguaka uuk meramalka keadaa pada masa yag aka daag. METODE BOOTSTRAP Teori Boosrap Meode boosrap perama kali diperkealka oleh Bradley Efro pada ahu 979. Meode Boosrap pada dasarya adalah melakuka pegambila sampel (resamplig) dega pegembalia dari sampel hasil observasi dega replikasi B kali ( B ) dega adalah ukura sampel. Meode Boosrap merupaka suau meode pedekaa oparamerik uuk meaksir berbagai kuaias saisik seperi mea, sadar error, da bias suau esimaor aau uuk membeuk ierval kofidesi dega memafaaka kecaggiha ekologi kompuer. Meode boosrap dapa juga diguaka uuk megesimasi disribusi suau saisik. Disribusi ii diperoleh dega meggaika disribusi populasi yag idak dikeahui dega diribusi empiris berdasarka daa sampel, kemudia melakuka pegambila sampel (resamplig) dega pegembalia dari disribusi empiris yag selajuya diperguaka uuk mecari peaksir boosrap. Dega meode boosrap idak perlu melakuka asumsi disribusi da asumsi-asumsi awal uuk meduga beuk disribusi da pegujia-pegujia saisikya. Masalah iferesi saisik serig kali megakibaka pegesimasia beberapa aspek dari suau sebara peluag F berdasarka pada suau sampel acak yag diarik dari F. Fugsi sebara empiris Fˆ, adalah esimasi sederhaa dari sebara F. Suau cara yag epa uuk megesimasi beberapa aspek yag diigika dari F, seperi mea, media, aau korelasi adalah dega megguaka aspek dari Fˆ. Iilah yag disebu prisip peggaia (plug-i). Meode boosrap adalah suau aplikasi lagsug dari prisip peggaia ii. Uuk mejelaska meode boosrap dapa dibayagka sebagai suau masalah real (yaa) da suau masalah buaa yag saga mirip aau bisa dikaaka ideik. Masalah buaa iilah yag disebu dega masalah boosrap. Skema beriku dapa mejelaska gambara dari meode boosrap ersebu. 59
4 DUNIA RIIL Disribusi peluag idak dikeahui Daa observasi F x x, x,, x ) ( DUNIA BOOTSTRAP Disribusi empiris Sampel boosrap x Fˆ x ( x, x,, ) θˆ s(x) Saisik yag mejadi perhaia θˆ s(x ) Replikasi boosrap Skema dari meode boosrap uuk kasus sau sampel. Dalam duia real disribusi peluag yag idak dikeahui F memberika daa x = (x, x,..., x ) melalui resamplig radom, dari x dihiug saisik yag mejadi perhaia θˆ s(x). Dalam duia boosrap, F membagkika x melalui resamplig radom, memberika θˆ s(x ) Dalam masalah real erdapa daa observasi x, x,, x sebagai sampel acak berukura dari populasi dega fugsi disribusi koiu F (x) yag idak dikeahui. Didefiisika suau parameer da diesimasi ˆ dega s( x, x,, x), jelas bahwa kuaias ii dikeahui karea daa x, x,, x elah diobservasi. Sedagka masalah boosrap meiru masalah real eapi disribusi F (x) digai dega fugsi disribusi empiris ˆ da parameerya didefiisika melalui fugsi disribusi empiris F x Fˆ ( x) {#( xi x), i } uuk x Lebih laju disimulasika dalam jumlah yag sama observasi idepede dari sebagai sampel boosrap,, x x,, x dega x i Fˆ x Sampel boosrap didefiisika sebagai sampel radom berukura yag diambil dari F x ˆ da diyaaka F x ˆ dega pegembalia. Jadi bila dipuyai sampel radom berukura aka didapa kemugkia sampel boosrap sebayak, dari iap sampel boosrap ii dapa dieuka ˆ. Seluruh kemugkia sampel ii diamaka jumlah sampel boosrap ideal. Daa ii dibagkika dari ˆ dega pegembalia, kemudia dihiug esimasi parameer ˆ F x, x, s x, x dega esimaor yag sama seperi dalam masalah real. Peekaa pada hasil pemboosrapa adalah sebara frekuesi relaif dari θˆ yag dihiug dari resampel merupaka dugaa dari sebara resamplig ˆ. Perhiuga ˆ berdasarka semua kemugkia sampel boosrap memerluka waku yag cukup lama. Sehigga uuk mecapai efisiesi dalam perhiuga diguaka meode pedekaa yaiu simulasi moecarlo, dega simulasi ersebu prosedur resamplig pada meode boosrap dapa dikuragi mejadi B, sejumlah B yag cukup besar eapi jauh lebih kecil jika dibadigka dega jumlah sampel boosrap ideal. Secara umum lagkah-lagkah dasar meode Boosrap meuru Efro yaiu:. Meeuka disribusi empiris F ˆ x bagi sampel dega peluag / uuk masig-masig x i. Meeuka sampel boosrap, x x,, x yag diambil dari x i dega pegembalia 3. Meeuka replikasi boosrap ˆ berdasarka sampel boosrap 4. Ulagi lagkah da 3 sebayak B kali, uuk B yag cukup besar 6
5 5. Berika probabilias uuk B θˆ dega meempaka peluag /B bagi masig-masig,, Disribusi ii adalah esimasi boosrap uuk disribusi samplig θˆ., B. Meode Boosrap uuk Time Series Pada meode boosrap uuk ime series diguaka dua pedekaa yaiu residual resamplig da movig blocks boosrap []. Pedekaa residual resamplig pada dasarya adalah melakuka pegambila sampel (resamplig) dega pegembalia dari sampel residual dega replikasi B kali ( B ) dega adalah ukura sampel. Jika dikeahui model ruu waku : (3..) dega, : parameer yag idak dikeahui adalah ilai pada periode, : ilai pada periode ( ), : error radom yag diasumsika berasal dari disribusi F yag idak dikeahui dega ilai harapa maka uuk memperoleh esimasi parameer dalam model ruu waku dapa dilakuka prosedur boosrap sebagai beriku : F ) dega a. Model ruu waku (3..) mempuyai kompoe yag idak dikeahui yaiu (, merupaka disribusi dari yag idak dikeahui b. Parameer diesimasi dega ˆ dega megguaka meode kuadra erkecil (leas square). Jika ˆ elah dikeahui maka kia dapa meghiug ˆ yaiu. Sehigga F dapa diesimasi dega fugsi disribusi empiris dari ˆ yaiu dega megambil masa peluag / erhadap ˆ dimaa. Fˆ dipusaka pada karea ˆ F mempuyai mea. c. Daa Boosrap dibagkika dari model ersebu dega (, F ) digai dega (ˆ, lai dibagkika daa idepede da berdisribusi ideik d. Dega meode kuadra erkecil dihiug ˆ T T z (,,, ) ( ) z dega e. Ulagi lagkah diaas sebayak B kali sebagai replikasi Boosrap. ˆ,, 3,, dari F Fˆ ). Dega kaa Fˆ da didefiisika ˆ berdasarka daa (, ),(, ),,(, ) yaiu SIMULASI Sebagai suau implemeasi secara prakis dilakuka simulasi erhadap daa produksi jagug yag diambil dari BPS Jawa Tegah dega megguaka meode ARIMA Box-Jekis da meode boosrap residual. Dari hasil pegolaha daa dega miiab diperoleh model erbaik yag sesuai dega daa jumlah produksi jagug di Jawa Tegah yaiu model ARIMA (,,) yaiu : W.988 W. 43W Selajuya sesuai dega meode Boosrap dilakuka pembagkia daa idepede berdisribusi ideik sehigga sampel Boosrap dapa diperoleh dega mesubsiusika residual kedalam persamaa baru hasil esimasi. Dalam hal ii jumlah replikasi yag diambil adalah sebesar karea ilai ii diaggap jauh lebih besar dari jumlah daa asli (=3) amu jauh lebih kecil dari jumlah sampel Boosrap ideal yaiu. Dari hasil pegolaha daa dega megguaka S-Plus diperoleh model erbaik yag represeaif yaiu model : W.9864W. 44W
6 Desiy Desiy Selai iu dega meode Boosrap dapa dikeahui juga jeis disribusi dari masig-masig parameerya seperi dalam gambar beriku : V V Value Gambar. Disribusi dari esimasi parameer model dega boosrap. Hasil legkap esimasi parameer model dega meode ARIMA da Boosrap disajika dalam abel beriku Tabel. Esimasi parameer model da Sadar Errorya. Parameer Meode ARIMA Meode Boosrap Koefisie SE koefisie MSE Value Sedagka hasil peramala uuk 5 ahu kedepa dega kedua meode diberika pada able 3 beriku Tabel 3. Hasil prediksi produksi jagug sampai dega ahu 9 Tahu Meode ARIMA Meode Boosrap KESIMPULAN Berdasarka hasil pegolaha daa dega meode Boosrap eryaa didapaka ilai sadar error da aksira parameer sera MSE yag secara saisik idak berbeda dega hasil ARIMA Box-Jekis. Namu dega meode Boosrap dapa dikeahui disribusi dari parameerya. DAFTAR PUSTAKA []. Efro, Bradley, ad Tibshirai RJ, A Iroducio o he Boosrap, Chapma ad Hall, New York, 993. []. Makridakis. S, Wheelwrigh, ad McGee, Meode da Aplikasi Peramala, Erlagga, Jakara, 993. [3]. Soejoei, azawi, Maeri Pokok Ruu Waku, Karuika, Jakara, 987. [4]. Taro da Subaar, Pemiliha Model Regresi Liier dega Boosrap, Jural Maemaika da Kompuer, UNDIP Semarag, Vol. 4, No., 46-58,. 6
BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu
BAB 2 TINJAUAN TEORI 2.1 Pegeria Peramala Ramala pada dasarya merupaka dugaa aau perkiraa megeai erjadiya suau kejadia aau perisiwa di waku yag aka daag. Peramala merupaka sebuah ala bau yag peig dalam
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3 Meode Pegumpula Daa 3 Jeis Daa Pada peeliia ii aka megguaka jeis daa yag bersifa kuaiaif Daa kuaiaif adalah daa yag berbeuk agka / omial Dalam peeliia ii aka megguaka daa pejuala
Lebih terperinciBAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai
BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala (orecasig) Peramala (orecasig) adalah suau kegiaa yag memperkiraka apa yag aka erjadi pada masa medaag. Peramala pejuala adalah peramala yag megkaika berbagai
Lebih terperinciPENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.
. Pedahulua PENGUJIAN HIPOTESIS Hipoesis Saisik : peryaaa aau dugaa megeai sau aau lebih populasi. Pegujia hipoesis berhubuga dega peerimaa aau peolaka suau hipoesis. Kebeara (bear aau salahya) suau hipoesis
Lebih terperinciPENGUJIAN HIPOTESIS DUA RATA-RATA
PENGUJIN HIPOTEI DU RT-RT Pegujia hipoesis dua raa-raa diguaka uuk membadigka dua keadaa aau epaya dua populasi. Misalya kia mempuyai dua populasi ormal masig-masig dega raa-raa µ da µ sedagka simpaga
Lebih terperinciBAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak
BB V NLIS HSIL 5.1 Ukura kurasi Hasil Peramala Uuk medapaka jeis peramala yag digika erdapa bayak parameer-parameer yag dapa diguaka. Seperi yag elah diuraika pada ladasa eori, parameer-parameer ersebu
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN EORI 2.1 Pegeria Peramala Peramala adalah kegiaa uuk memperkiraka apa yag aka erjadi di masa yag aka daag. Sedagka ramala adalah suau siuasi aau kodisi yag diperkiraka aka erjadi pada masa
Lebih terperinciRumus-rumus yang Digunakan
Saisika Uipa Surabaya 4. Sampel Tuggal = Rumus-rumus yag Diguaka s..... Sampel berkorelasi D D N N N...... 3. Sampel Bebas a. Uuk varias sama... 3 aau x x s g... 4 b. Sampel Heeroge Guaka Uji Corha - Cox
Lebih terperinciTUGAS AKHIR. Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika. Oleh: AFRIANTI
MODEL TIME SERIES UNTUK PERAMALAN TINGKAT PENJUALAN JENIS BAHAN BAKAR MINYAK (BBM) DI STASIUN PENGISIAN BAHAN BAKAR UNTUK UMUM (SPBU) ARIFIN ACHMAD-PEKANBARU TUGAS AKHIR Diajuka sebagai Salah Sau Syara
Lebih terperinciBAB METODOLOGI. Bab 2 Metodologi berisikan :
BAB METODOLOGI Bab Meodologi berisika :.. Pegambila Sampel.. Peramala Nilai Iflasi melalui Ideks Harga Kosume Megguaka Meode ARIMA.3. Akumulasi Prese Value melalui Buga Sederhaa dalam Perhiuga Harga Barag
Lebih terperinciBeberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) . Definisi L.2 (Kejadian lepas )
33 LAMPIRAN 34 35 Beberapa Defiisi Ruag Cooh Kejadia da Peluag Suau percobaa yag dapa diulag dalam kodisi yag sama, yag hasilya idak dapa diprediksi dega epa eapi kia bisa megeahui semua kemugkia hasil
Lebih terperinciJURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER
STATISTIK CUKUP Oleh: Ramayai Rizka M (11810101003), Dey Ardiao (1181010101), Ikfi Ulyawai (1181010103), Falviaa Yulia Dewi (1181010106), Ricki Dio Rosada (11810101034), Nurma Yuia D (11810101035), Wula
Lebih terperinciMODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR
Bulei Ilmiah Ma.Sa. da Terapaya (Bimaser) Volume 06, No. (07), hal -0. MODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR Ermawai, Helmi, Frasiskus
Lebih terperinciMODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dadan Kusnandar, Naomi Nessyana Debataraja
Bulei Ilmiah Mah. Sa. da Terapaya (Bimaser) Volume 07, No. (018), hal 77 84. MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dada Kusadar, Naomi Nessyaa
Lebih terperinciPrediksi Penjualan Sepeda Motor Merek X Di Kabupaten Dan Kotamadya Malang Dengan Metode Peramalan Hierarki
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (4) 337-35 (3-98X Pri) D-34 Sepeda Moor Merek X Di Kabupae Da Koamadya Malag Dega Meode Peramala Hierarki Rika Susai, Desri Susilaigrum, da Suharoo Jurusa Saisika,
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 terperinciMODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA
Prosidig Semiar Nasioal Sais da Pedidika Sais IX, Fakulas Sais da Maemaika, UKSW Salaiga, Jui 4, Vol 5, No, ISSN :87-9 MODEL KOREKSI KESALAHAN DENGAN MEODE BAYESIAN PADA DAA RUNUN WAKU INDEKS HARGA KONSUMEN
Lebih terperinciV. PENGUJIAN HIPOTESIS
V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska
Lebih terperinciBAB 2 LANDASAN TEORI. Metode peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala Meode peramala merupaka bagia dari ilmu Saisika. Salah sau meode peramala adalah dere waku. Meode ii disebu sebagai meode peramala dere waku karea memiliki kareserisik
Lebih terperinciKRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB
KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB Sudi kelayaka bisis pada dasarya berujua uuk meeuka kelayaka bisis berdasarka krieria ivesasi Krieria ersebu diaaraya adalah ; 1. Nilai bersih kii (Ne
Lebih terperinciPeramalan Jumlah Penduduk Kota Samarinda Dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel Dari Brown
Jural EKSPONENSIAL Volume 7, Nomor, Mei 06 ISSN 085-789 Peramala Jumlah Peduduk Koa Samarida Dega Megguaka Meode Pemulusa Ekspoesial Gada da Tripel Dari Brow Forecasig he Populaio of he Ciy of Samarida
Lebih terperinciIII. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data
III. METODE KAJIAN 1. Lokasi da Waku Lokasi kajia berempa uuk kelompok dilaksaaka di kelompok peeraka sapi di Bagka Tegah, Provisi Bagka Beliug, da Kelompok Peeraka Sapi di Cisarua, Bogor, Provisi Jawa
Lebih terperinciBAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel
BAB III PENAKSIR DERET FOURIER 3. Peaksi Dalam saisika, peaksi adalah sebuah saisik (fugsi dai daa sampel obsevasi) yag diguaka uuk meaksi paamee populasi yag idak dikeahui (esimad) aau fugsi yag memeaka
Lebih terperinciJurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN
Jural Rekursif, Vol 3 No Mare 05, ISSN 303-0755 PERBANDINGAN KEAKURATAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DAN EPONENTIAL SMOOTHING PADA PERAMALAN PENJUALAN SEMEN DI PT SINAR ABADI
Lebih terperinciMODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR
MODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR Diajuka Sebagai Salah Sau Syara Uuk Memperoleh Gelar Sarjaa Sais Pada Jurusa Maemaika Oleh :
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jeis Peeliia Jeis peeliia ii merupaka peeliia kuaiaif dega megguaka meode eksperime. Desai peeliia ii megguaka ru experime desig beuk desai poses oly corol desig yaki meempaka
Lebih terperinciNILAI AKUMULASI ANUITAS AKHIR DENGAN ASUMSI DISTRIBUSI UNIFORM UNTUK m KALI PEMBAYARAN
NILAI AKUMULASI ANUITAS AKHIR DENGAN ASUMSI DISTRIBUSI UNIFORM UNTUK m KALI PEMBAYARAN Nomi Kelari *, Hasriai 2, Musraii 2 Mahasiswa Program S Maemaika 2 Dose Jurusa Maemaika Fakulas Maemaika da Ilmu Pegeahua
Lebih terperinciB A B III METODE PENELITIAN. Objek penelitian dalam penelitian ini adalah menganalisis perbandingan
30 B A B III METODE PENELITIAN 3. Peeapa Lokai da Waku Peeliia Objek peeliia dalam peeliia ii adalah megaalii perbadiga harga jual produk melalui pedekaa arge pricig dega co-plu pricig pada oko kue yag
Lebih terperinciPENENTUAN NILAI ANUITAS JIWA SEUMUR HIDUP MENGGUNAKAN DISTRIBUSI GOMPERTZ
Bulei Ilmiah Ma. Sa. da Terapaya (Bimaser) Volume 05, No. 2 (206), hal 79-86 PENENTUAN NILAI ANUITAS JIWA SEUMUR HIDUP MENGGUNAKAN DISTRIBUSI GOMPERTZ Sii Faimah, Neva Sayahadewi, Shaika Marha INTISARI
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jeis Peeliia Jeis peeliia ii ergolog peeliia komparasioal, yaiu peeliia yag dilaksaaka uuk megeahui ada idakya perbedaa aar variabel yag sedag dielii. Jika perbedaa iu memag
Lebih terperinciBAB II TINJAUAN PUSTAKA. Black dan Scholes (1973) menyatakan bahwa nilai aset mengikuti Gerak
BAB II TINJAUAN PUSTAKA. Peeliia Terdahulu Black da Scholes (973) meyaaka bahwa ilai ase megikui Gerak Brow Geomeri, dega drif μ (ekpekasi dari reur) da volailias σ (deviasi sadar dari reur). Berawal dari
Lebih terperinciUniversitas Sumatera Utara
Uiversias Sumaera Uara BAB 2 LANDASAN TEORI Ladasa eori ii merupaka hasil dari ijaua lieraur-lieraur yag ada kaiaya dega meode-meode peramala maupu dega koeks laiya dalam peulisa Tugas Akhir ii. Adapu
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengantar metode ARIMA Box Jenkins dan analisis spektral.
BAB II TINJAUAN PUSTAKA. Pedahulua Pada Bab II aka dijelaska pegeria pegeria da eori dasar yag diguaka sebagai ladasa pembahasa pada bab selajuya. Teori yag aka dibahas pada Bab II ii secara garis besar
Lebih terperinciESTIMASI PARAMETER BOOTSTRAP PADA PROSES AR(1)
UNIVERSITAS DIPONEGORO 0 ISBN: 978-979-097-4-4 ESTIMASI PARAMETER BOOTSTRAP PADA PROSES AR() Bambag Suprihai, Suryo Gurio, Sri Haryami ) Mahasiswa S3 Jurusa Maemaika MIPA UGM ) Saf Dose Jurusa Maemaika
Lebih terperinciPEMODELAN TINGKAT KECELAKAAN LALU LINTAS DI KOTA PEKANBARU MENGGUNAKAN METODE TIME SERIES AUTOREGRESIVE TUGAS AKHIR. Oleh:
PEMODELAN TINGKAT KECELAKAAN LALU LINTAS DI KOTA PEKANBARU MENGGUNAKAN METODE TIME SERIES AUTOREGRESIVE TUGAS AKHIR Diajuka sebagai Salah Sau Syara uuk Memperoleh Gelar Sarjaa Sais pada Jurusa Maemaika
Lebih terperinciManajemen Keuangan. Idik Sodikin,SE,MBA,MM EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI. Modul ke: 06Fakultas EKONOMI DAN BISNIS
Modul ke: 06Fakulas EKONOMI DAN BISNIS EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI Program Sudi Akuasi Idik Sodiki,SE,MBA,MM Krieria Kepuusa Ivesasi aau Pegaggara Modal o Beberapa krieria yag aka diperguaka
Lebih terperinciTINGKAT PENJUALAN SEPEDA MOTOR SUZUKI PADA CV. ADI MULIA MOTOR DI RENGAT INDRAGIRI HULU DENGAN MENGGUNAKAN METODE TIME SERIES
FORECASTING TINGKAT PENJUALAN SEPEDA MOTOR SUUKI PADA CV. ADI MULIA MOTOR DI RENGAT INDRAGIRI HULU DENGAN MENGGUNAKAN METODE TIME SERIES AUTOREGRESSIVE TUGAS AKHIR Diajuka sebagai Salah Sau Syara uuk Memperoleh
Lebih terperinciMETODOLOGI. Waktu dan Tempat. Alat dan Bahan
METODOLOGI Waku da Tempa Peeliia merupaka desk sudy dega megguaka daa sekuder da pegolaha daa dilakuka di Laboraorium Klimaologi Depareme Geofisika da Meeorologi, Fakulas Maemaika da Ilmu Pegeahua Alam,
Lebih terperinciBAB 3 LANDASAN TEORI. masa lampau akan berlanjut ke masa depan. Hampir seluruh peramalan didasarkan. pada asumsi bahwa masa lampau akan berulang.
BAB 3 LANDASAN TEORI 3. Peramala 3.. Defiisi Peramala Peramala adalah perkiraa probabilisik aau peggambara dari ilai aau kodisi di masa depa. Asumsi yag umum dipakai dalam peramala adalah pola masa lampau
Lebih terperinciUniversitas Sumatera Utara
50.7 4.3770 6.7547 6.7547 4.4 48.6965 R4.7 36.3 N8 TOL 0..70 35.9497 36.3.99 50.7 94.338 6.89 3.5 6.75 7.567 36.0 6.4837 57.396 8.783 66.0384 5.337 37.006 3.568 PISAU POTONG AISI D SEPUH No Qy NAME MATERIAL
Lebih terperinciANALISIS BEDA Fx F.. S u S g u i g y i an a t n o t da d n a Ag A u g s u Su S s u wor o o
ANALII BEDA Fx. ugiyao da Agus usworo Kosep Peeliia bermaksud meguji keadaa (sesuau) yag erdapa dalam suau kelompok dega kelompok lai Meguji apakah erdapa perbedaa yg Meguji apakah erdapa perbedaa yg sigifika
Lebih terperinciPERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN
PERENCNN JUMLH PRODUK MENGGUNKN METODE FUZZY MMDNI BERDSRKN PREDIKSI PERMINTN Nama Mahasiswa : Norma Edah Haryai NRP : 1207 100 031 Jurusa : Maemaika FMIP-ITS Dose Pembimbig : Drs. I G N Rai Usadha, M.Si
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 terperinciJURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA
Achmad Samudi, M.Pd. JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA 6. MENGUJI PROPORSI π : UJI DUA PIAK Mialka kia mempuyai populai biom dega propori periiwa A π Berdaarka ebuah ampel
Lebih terperinciMODEL ARIMA(0,1,1) UNTUK PERAMALAN JUMLAH NASABAH PADA PT. PRUDENTIAL LIFE INSURANCE KOTA PEKANBARU TUGAS AKHIR
MODEL ARIMA(0,,) UNTUK PERAMALAN JUMLAH NASABAH PADA PT. PRUDENTIAL LIFE INSURANCE KOTA PEKANBARU TUGAS AKHIR Diajuka Sebagai Salah Sau Syara Uuk Memperoleh Gelar Sarjaa Sais pada Jurusa Maemaika Oleh:
Lebih terperinciPemodelan Indeks Harga Saham Gabungan (IHSG), Kurs, dan Harga Minyak Dunia dengan Pendekatan Vector Autoregressive
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 30-98X D-87 Pemodela Ideks Harga Saham Gabuga (IHSG), Kurs, da Harga Miyak Duia dega Pedekaa Vecor Auoregressive Dimas Okky.S da Seiawa Jurusa Saisika,
Lebih terperinciBAB II KAJIAN PUSTAKA. dalam waktu (Hanke&Winchern, 2005: 58). Metode time series adalah metode
BAB II KAJIAN PUSTAKA A. Time Series Time series aau ruu wau adalah himpua observasi daa eruru dalam wau (Hae&Wicher, 005: 58). Meode ime series adalah meode peramala dega megguaa aalisa pola hubuga aara
Lebih terperinciSTUDI ANALISIS PERAMALAN DENGAN METODE DERET BERKALA
Widya Tekika Vol.18 No.2; Okober 2010 ISSN 1411 0660: 1-6 Absrak STUDI ANALISIS PERAMALAN DENGAN METODE DERET BERKALA Arie Resu Wardhai 1), Salvador Mauel Pereira 2) Perusahaa sepau da sadal House of Mr.
Lebih terperinciBAB V METODE PENELITIAN
31 BAB V METODE PENELITIAN 5.1 Lokasi da Waku Peeliia Peeliia ii dilaksaaka di Kecamaa Sukaagara, Kabupae Ciajur. Pemiliha lokasi peeliia dilakuka secara segaja (purposive samplig) dega memperimbagka aspek
Lebih terperinciBAB II TEORI DASAR. 2.1 Proses Stokastik Rantai Markov
BAB II TEORI DASAR. Proses Sokasik Raai Markov Proses sokasik merupaka suau cara uuk mempelajari hubuga yag diamis dari suau ruua perisiwa aau proses yag kejadiaya bersifa idak pasi. Dalam memodelka perubaha
Lebih terperinciANALISIS BEDA. Konsep. Uji t (t-test) Teknik Uji Beda. Agus Susworo Dwi Marhaendro
ANALII BEA Agus usworo wi Marhaedro Kosep Peeliia bermaksud meguji keadaa (sesuau) yag erdapa dalam suau kelompok dega kelompok lai Meguji apakah erdapa perbedaa yg sigifika di aara kelompok-kelompok Tekik
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 terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciMETODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA. Mahasiswa Program S1 Matematika 2
METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA Roki Nuari *, Aziskha, Edag Lily Mahasiswa Program S Maemaika Dose Jurusa Maemaika Fakulas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
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 terperinciPERAMALAN HARGA SAHAM SYARI AH RUPIAH EQUITY FUND PT. PRUDENTIAL LIFE INSURANCE PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR.
PERAMALAN HARGA SAHAM SYARI AH RUPIAH EQUITY FUND PT. PRUDENTIAL LIFE INSURANCE PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR Diajuka Sebagai Salah Sau Syara Uuk Memperoleh Gelar Sarjaa Sais pada
Lebih terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING DALAM MEMPREDIKSI JUMLAH SISWA BARU (STUDI KASUS: SMK PEMDA LUBUK PAKAM)
Jural Pelia Iformaika, Volume 16, Nomor 3, Juli 2017 IN 2301-9425 (Media Ceak) PENERAPAN METODE EXPONENTIAL MOOTHING DALAM MEMPREDIKI JUMLAH IWA BARU (TUDI KAU: MK PEMDA LUBUK PAKAM) Kuriagara Mahasiswa
Lebih terperinciMETODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di
8 METODE PENELITIAN Lokasi da Waku Peeliia Peeliia ii dilaksaaka selama 3 bula, erhiug sejak bula Februari sampai dega April 2008, di DAS Waeruhu, yag secara admiisraif erleak di wilayah Kecamaa Sirimau,
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala ( Forecasig ) Peramala ( forecasig ) adalah kegiaa megisemasi apa yag aka erjadi pada masa yag aka daag. Peramala diperluka karea adaya perbedaa kesejaga waku
Lebih terperinciESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION. Oleh: Tarno Program Studi Statistika FMIPA UNDIP Semarang
ESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION Oleh: Tarno Program Sudi Saisika FMIPA UNDIP Semarang Absrac This paper discuss abou applicaion of cross-validaion mehod for modeling of
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2. Ruag sampel da Kejadia Defiisi Himpua semua hasil yag mugki dari suau percobaa disebu ruag sampel da diyaaka dega S Mogomery, 2004: 7. Tiap hasil dari ruag sampel disebu usur aau
Lebih terperinciBAB IV METODOLOGI PENELITIAN
30 BAB IV METODOLOGI PENELITIAN 4.1 Beuk da Meode Peeliia Peeliia Opimalisasi da Sraegi Pemafaaa Souher Bluefi Tua di Samudera Hidia Selaa Idoesia diarahka pada upaya uuk megugkapa suau masalah aau keadaa
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 terperinciMENENTUKAN PERSEDIAAN BERAS DENGAN MENGGUNAKAN MODEL ECONOMIC ORDER QUANTITY (EOQ) BERDASARKAN RAMALAN PERMINTAAN PADA TAHUN 2012
MENENTUKAN PERSEDIAAN BERAS DENGAN MENGGUNAKAN MODEL ECONOMIC ORDER QUANTITY (EOQ) BERDASARKAN RAMALAN PERMINTAAN PADA TAHUN 2012 Julia Nahar 1 1 Uiversias Padjadjara, Jala Raya Badug-Sumedag km 21,Jaiagor
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
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 terperinciINTEGRAL TAK TENTU (pecahan rasional) Agustina Pradjaningsih, M.Si. Jurusan Matematika FMIPA UNEJ
INTEGRL TK TENTU pecaha rasioal gusia Pradjaigsih, M.Si. Jurusa Maemaika FMIP UNEJ agusia.fmipa@uej.ac.id DEFINISI Fugsi suku bayak derajad dega bula o egaif 0 dimaa, 0 a a a a a P Fugsi kosa dipadag sbg
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciBAB III TINJAUAN PUSTAKA
BAB III TINJAUAN PUSTAKA 3.1. Defiisi Peramala Peramala adalah proses uuk memperkiraka berapa bayak kebuuha dimasa medaag yag melipui kebuuha dalam ukura kuaias, kualias, waku da lokasi yag dibuuhka dalam
Lebih terperinciPENERAPAN UKURAN KETEPATAN NILAI RAMALAN DATA DERET WAKTU DALAM SELEKSI MODEL PERAMALAN VOLUME PENJUALAN PT SATRIAMANDIRI CITRAMULIA
PENERAPAN UKURAN KETEPATAN NILAI RAMALAN DATA DERET WAKTU DALAM SELEKSI MODEL PERAMALAN VOLUME PENJUALAN PT SATRIAMANDIRI CITRAMULIA Iwa Sugkawa; Ries Tri Megasari Mahemaics & Saisics Deparme, School of
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
KAJIA METODE BOOTSTRAP DALAM MEMBAGU SELAG KEPERCAYAA DEGA MODEL ARMA (p,q) Oleh : Rata Evyka E.S.A 06 00 043 Dose Pembimbig : Dra. uri Wahyuigsih, M.Kes Dra. Laksmi Prita W, M.Si Jurusa Matematika Fakultas
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciPERAMALAN KURSIDRTERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENTIAL SMOOTHING.
PERAMALAN KURSIDRERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENIAL SMOOHING. Padrul Jaa 1), Rokhimi 2), Ismi Ratri Prihatiigsih 3) 1,2,3 PedidikaMatematika, Uiversitas PGRI Yogyakarta
Lebih terperinciPENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL LINEAR DENGAN MENGGUNAKAN METODE TRANSFORMASI ELZAKI
Bulei Ilmiah Ma. Sa. da erapaya (Bimaser) Volume 4, No. (5), hal 7 6. PNYLSAIAN PRSAMAAN DIFRNSIAL PARSIAL LINAR DNGAN MNGGUNAKAN MOD RANSFORMASI LZAKI Noa Miari, Mariaul Kifiah, Helmi INISARI Persamaa
Lebih terperinciBAB III FORMULA PENENTUAN HARGA OPSI ASIA
3 BAB III FORMULA PEETUA HARA OPSI ASIA Pada Bab III ii aka dibahas megeai opsi Asia da aalisisya, di maa yag aka dibahas hayalah beberapa ipe opsi Asia, da erbaas pada eis Europea call saa. Jeis-eis opsi
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Racaga da Jeis Peelitia Racaga peelitia ii adalah deskriptif dega pedekata cross sectioal yaitu racaga peelitia yag meggambarka masalah megeai tigkat pegetahua remaja tetag
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
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 terperinciPeramalan Temperatur Udara di Kota Surabaya dengan Menggunakan ARIMA dan Artificial Neural Network
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-8 Peramala Temperaur Udara di Koa Surabaya dega Megguaka ARIMA da Arificial Neural Nework Ali Machmudi da Brodol S. S. Ulama Jurusa Saisika,
Lebih terperinciUji apakah ada perbedaan signifikan antara mean masing-masing laboratorium. Gunakan α=0.05.
MA 8 STATISTIKA DASAR SEMESTER I /3 KK STATISTIKA, FMIPA ITB UJIAN AKHIR SEMESTER (UAS) Sei, Desember, 9.3.3 WIB ( MENIT) Kelas. Pegajar: Utriwei Mukhaiyar, Kelas. Pegajar: Sumato Wiotoharjo Jawablah pertayaa
Lebih terperinciPenerapan Metode Optimasi Exponential Smoothing Untuk Peramalan Debit
Peerapa Meode Opimasi Expoeial moohig Uuk Peramala Debi Oleh: Budi aosa, uharyao 2, Djoko Legoo 3. DT, Program Pascasarjaa Udip, Jl. Hayam Wuruk No. 5-7 emarag, (Depareme Tekik ipil Uiversias Guadarma,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI Pada bab ii aka dibahas megeai eori-eori dasar yag berhubuga dega ivesasi, persamaa diferesial sokasik da simulasi yag mejadi ladasa berpikir uuk mempermudah dalam pembahasa pada bab
Lebih terperincimempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.
Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciPENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)
Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciKata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.
METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciIV. METODE PENELITIAN
29 IV. METODE PENELITIAN 4.1. Lokasi da Waku Peeliia Peeliia ii dilaksaaka di Kecamaa Pamijaha, Kabupae Bogor, Provisi Jawa Bara. Pemiliha lokasi peeliia dilakuka secara segaja (purposive) dega perimbaga
Lebih terperinci