Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya, 2014
|
|
- Hendra Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Hasil Tugas Akhir Pemodelan Dan Peramalan Penjualan Sepeda Motor Di Surabaya Dengan Pendekatan ARIMAX Variasi Kalender Oleh Arinta Cahyaningtyas Dosen Pembimbing Dr. Setiawan, M.S Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya, 2014
2 BAB I PENDAHULUAN
3 1.1 Latar Belakang Jiwa 1
4 1.1 Latar Belakang Mengindikasikan bahwa kota Surabaya merupakan kota yang telah berkembang dan maju. Pusat kegiatan perekonomian Jawa Timur Jasa Perdagangan Industri 2
5 1.1 Latar Belakang Industri Meningkatnya permintaan terhadap sepeda motor Semakin berkembang 3
6 1.1 Latar Belakang Penjualan total sepeda motor tahun mencapai unit Penjualan sepeda motor Honda mencapai unit Penjualan matic Honda mencapai unit. 4
7 1.1 Latar Belakang Matic Honda memimpin 70,7% di pasar sepeda motor matic (AT) nasional. Jumlah ini diprediksi akan terus meningkat untuk tahun tahun berikutnya dan untuk mengetahui seberapa besar peningkatan tersebut, PT. MPM Honda motor perlu melakukan peramalan. Peramalan dilakukan dengan data bulanan sehingga lebih tahu secara detail pergerakan penjualan per bulannya. Efek Hari Raya Efek Bulanan Tren Pemodelan dan peramalan menggunakan ARIMAX Variasi kalender. 5
8 1.2 Rumusan Masalah 1.Bagaimana karakteristik penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya? 2. Bagaimana model yang sesuai untuk data penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya dengan pendekatan ARIMAX variasi kalender? 3. Berapa nilai peramalan penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya dengan pendekatan ARIMAX variasi kalender untuk periode satu tahun ke depan? 6
9 1.3 Tujuan Penelitian 1. Mendapatkan gambaran mengenai karakteristik penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya. 2. Mendapatkan model yang sesuai bagi penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya dengan pendekatan ARIMAX variasi kalender. 3. Mendapatkan nilai hasil peramalan penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya untuk periode satu tahun ke depan. 7
10 1.4 Manfaat Penelitian Manfaat yang diharapkan dari penelitian ini yaitu dapat menghasilkan suatu estimasi nilai ramalan untuk penjualan ketiga katagori sepeda motor satu tahun ke depan. Sehingga dapat dijadikan gambaran mengenai tren perkembangan sepeda motor di kota Surabaya. Selain itu, harapannya penelitian ini dapat menjadi bahan refrensi atau sebagai tambahan wacana bagi pihak pihak terkait dan yang membutuhkan 8
11 1.5 Batasan Penelitian 1. Data total sepeda motor di Surabaya merupakan data penjualan seluruh merek motor yang beredar di Indonesia tahun 2003 hingga Data penjualan sepeda motor Honda merupakan data penjualan seluruh motor Honda secara total yang berasal dari matic, cub dan sport tahun 2003 hingga Data sepeda motor Honda jenis Matic merupakan data penjualan seluruh tipe motor matic Honda tanpa memperdulikan secara spesifik (BeAT, Scoopy, dll). 9
12 BAB II TINJAUAN PUSTAKA
13 2.1 Tinjauan Non Statistik Kendaraan Bermotor Kendaraan yang digerakkan oleh peralatan teknik untuk pergerakannya dan digunakan untuk transportasi darat, umumnya menggunakan mesin pembakaran dalam. Kendaraan bermotor memiliki roda dan sebagian besar berjalan di atas jalan. Beberapa jenis kendaraan bermotor antara lain mobil, bus, sepeda motor, kendaraan off road, truk ringan hingga truk berat Sepeda Motor Sepeda motor merupakan salah satu dari jenis kendaraan bermotor yang digerakkan oleh sebuah mesin dengan letak kedua roda sebaris lurus dan pada kecepatan tinggi sepeda motor tetap stabil disebabkan oleh gaya giroskopik. Beberapa merek motor yang popular di Indonesia antara lain Honda, Yamaha, Suzuki, Kawasaki, Ducati, TVS. Jenisjenisnya yaitu matic (AT), Sportdan motor cub (bebek). 10
14 2.1 Tinjauan Non Statistik Kondisi Sepeda Motor Kekinian Pulau Jawa masih memimpin dalam penjualan sepeda motor. Dari sisi volume, pasar motor di Jawa pada 2013 mengalami peningkatan sebesar 14,24%. Dari banyak merek sepeda motor yang ada di Indonesia, Honda masih masih memimpin sebagai merek motor dengan penjualan tertinggi. Berdasarkan data dari Asosiasi Industri Sepeda Motor Indonesia (AISI), Astra Honda Motor (AHM) menguasai 61% pasar sepeda motor Indonesia pada April Profil PT. MPM PT. Mitra Pinasthika Mulia (MPM) merupakan distributor tunggal dalam penjualan dan penyediaan suku cadang sepeda motor Honda untuk wilayah Jawa Timur dan Nusa Tenggara Timur (NTT). Visi Menjadi perusahaan ternama yang digemari setiap insan yang diciptakan oleh sumber daya manusia yang terampil dan penuh semangat dibawah para pemimpin yang berwibawa dan bersahaja. Misi Menyediakan produk dan layanan transportasi berkualitas prima dan ramah sehingga menyenangkan para pelanggan. 11
15 2.1 Tinjauan Non Statistik Riset Pasar Sepeda Motor Honda Honda adalah salah satu merek sepeda motor ternama di Indonesia yang di produksi oleh PT. Astra Honda Motor (AHM). Honda merupakan sepeda motor yang pertama kali hadir mengeluarkan motor bebek injection di Indonesia dengan teknologi PGM FI. PT. (AHM) menguasai 63% pangsa pasar sepeda motor nasional di kuartal I/2014 dengan penjualan unit sepeda motor. Penyumbang terbesar penjualan sepeda motor Honda masih didominasi oleh tipe matic (AT). Honda jenis matic (AT) mampu terjual sebesar unit atau memimpin 70,7% di pasar sepeda motor matic (AT) nasional. Di tahun 2014, Honda dinobatkan sebagai sepeda motor terpopuler di kalangan masyarakat Indonesia melalui diterimanya penghargaan Top Brand Award 2014 dengan enam sepeda motor Honda yang memiliki nilai tertinggi, yaitu Honda Vario dan Honda BeAT di segmen matic (AT), Honda Supra dan Honda Revo di segmen cub (bebek), Honda Tiger dan Honda MegaPro di segmen sport. 12
16 2.2 Tinjauan Statistik Statistika Deskriptif Statistika deskriptif merupakan metode metode yang berkaitan dengan pengumpulan dan penyajian data yang dapat memberikan informasi sederhana kepada pembaca. Informasi yang diberikan dapat berupa grafik, tabel maupun gambar. Statistika deskriptif antara lain meliputi rata rata, median, dan modus, variansi, standar deviasi, nilai maksimum, nilai minimum, kurtosis dan skewness Analisis Regresi Linier Berganda analisis regresi yang meneliti mengenai hubungan satu variabel yang disebut sebagai variabel respon dengan satu atau lebih dari satu variabel prediktor. 13
17 2.2 Tinjauan Statistik Pengujian Signifikansi Parameter Uji Serentak Untuk mengetahui signifikansi parameter β terhadap variabel respon secara bersamaan dilakukan uji serentak Uji Parsial Untuk mengetahui signifikansi parameter β terhadap variabel respon secara individu dilakukan uji parsial 14
18 2.2 Tinjauan Statistik Asumsi Regresi Linier Berganda Asumsi asumsi pada regresi linier berganda adalah sebagai berikut. 1.Model regresi yang di dapat bersifat linier dalam parameter. 2.Tidak terjadi autokorelasi pada error. 3.Tidak terjadi multikolineritas antar variabel prediktor. 4.Error berdistribusi normal. 5.Nilai rata rata dari error adalah nol. 6.Varians dari error bersifat homoskedastik Konsep Deret Waktu Deret waktu atau time series merupakan suatu pengamatan yang tersusun berdasarkan urutan waktu (Wei, 2006). Tujuan dari analisis deret waktu ada dua, yaitu untuk memodelkan suatu mekanisme stokastik yang terdapat pada pengamatan berdasarkan waktu dan untuk memprediksi atau meramalkan nilai pengamatan di waktuyangakandatingberdasarkan data yang telah ada (Cryer, 1986). 15
19 2.2 Tinjauan Statistik Model Autoregressive Integrated Moving Average (ARIMA) Model ARIMA merupakan model gabungan dari model autoregressive (AR) dan moving Average (MA) serta proses differencing terhadap data time series. Terdapat dua model ARIMA yaitu ARIMA non musiman dengan orde d dan ARIMA musiman dengan orde D (Wei, 2006) Identifikasi Model Untuk menentukan nilai p,d,q,p,d dan Q dari model ARIMA maka perlu dilakukan identifikasi model ARIMA, yang meliputi mengidentifikasi kestasioneran data, Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF). 16
20 2.2 Tinjauan Statistik Identifikasi Model ARIMA Pengidentifikasian model ARIMA dapat dilakukan dengan melihat plot time series, plot ACF dan plot PACF. Plot ACF dan PACF digunakan untuk menentukan orde p dan q dari model ARIMA. Model ACF PACF Cut off after Dies down AR (p) lag p Cut off after Dies down MA (q) lag q ARMA (p,q) Dies down Dies down Cut off after Cut off after AR (p) atau MA (q) lag q lag p Penaksiran Parameter Model ARIMA 1. Metode moment 2. Metode Least Squares (CLS) 3. Metode Maximum Likelihood 4. Metode Unconditional Least Squares. 5. Metode Nonlinier Estimation. Tidak ada orde AR atau MA (White Noise atau Random Walk) No spike No spike 17
21 2.2 Tinjauan Statistik Pengujian Signifikansi Parameter Dilakukan untuk mengetahui apakah hasil penaksiran parameter model ARIMA dan model Variasi Kalender signifikan atau tidak, sehingga dapat diketahui setiap variabel yang digunakan apakah telah berpengaruh pada Z t. sebagai contoh, parameter MA yaitu θ Cek Diagnosa UjiAsumsiWhite Noise Uji Distribusi Normal Uji disribusi normal dilakukan terhadap residual yang dihasilkan. Pengujian menggunakan Kolmogornov Smirnov 18
22 2.2 Tinjauan Statistik Model Variasi Kalender Untuk data time series yang mengandung efek variasi kalender, Z t dituliskan sebagai berikut. Secara umum, variasi kalender terbagi menjadi dua yaitu efek hari perdagangan dan efek hari libur. Pada penelitian kali ini, pemodelan yang digunakan adalah variasi kalender dengan efek hari libur yaitu hari raya idul fitri. Menurut Liu (1980), model efek liburan dituliskan sebagai berikut. Jika efek disebabkan oleh hari libur yang lebih spesifik, variabel menunjukan proporsi dari hari libur pada tahun ke t. Jika efek hari libur mengalami peningkatan ataupun penurunan secara linier dari tahun ke tahun maka model yang digunakan adalah sebagai berikut. 19
23 2.2 Tinjauan Statistik Model ARIMAX Variasi Kalender Model ARIMA merupakan model umum dalam peramalan data. Sedangkan model ARIMAX merupakan model ARIMA yang diberi tambahan variabel prediktor. Variabel prediktor dalam penelitian ini yaitu variabel dummy yang bertujuan untuk mewakili efek variasi kalender Penaksiran Parameter Model Variasi Kalender Bentuk umum model variasi kalender adalah sebagai berikut. Langkah berikutnya ialah menaksir parameter β,θ dan sehingga persamaan dapat dituliskan menjadi 20
24 2.2 Tinjauan Statistik Pemilihan Model Terbaik Menurut Wei (2002), beberapa kriteria pemilihan model terbaik menurut untuk data in sampel antara lain AIC (Akaike s Information Criterion) dan SBC (Schwartz s Bayesian Criterion). Sedangkan untuk data out sampel yaitudenganmse(mean Square Error) dan MAPE (Mean Absolute Percentage Error) Deteksi Outlier Outlier dapat diartikan sebagai ketidaktepatan pengamatan pada suatu data dikarenakan adanya kejadian tertentu yang mengganggu seperti serangan, peperangan, krisis ekonomi dan kejadian kejadian lain yang tidak diketahui. Jenis jenis Outlier antara lain yaitu Additive Outlier (AO), Innovational Outlier (IO), Level Shift (LS) dan Temporary Change (TC). Salah satu langkah untuk mengatasi outlier yaitu dengan menambahkan variabel dummy (It). Variabel ini tergantung pada jenis outlier yang ada. 21
25 BAB III METODE PENELITIAN
26 3.1 Sumber Data Data sekunder berasal PT. Mitra Pinasthika Mulya (MPM), antara lain : Data jumlah penjualan total sepeda motor dan penjualan sepeda motor Honda di Surabaya mulai Januari 2003 Desember 2013 sebagai in sample dan data bulan Januari 2014 Maret 2014 sebagai out sample. Data penjualan sepeda motor Honda jenis matic di Surabaya Januari 2009 Desember 2013 sebagai in sample dan data bulan Januari 2014 hingga Maret 2014 sebagai out sample. 22
27 3.2 Variabel penelitian Variabel Keterangan Penjualan bulanan total sepeda motor di surabaya tahun 2003 Y Penjualan bulanan sepeda motor Honda di surabaya tahun 2003 Y Penjualan bulanan sepeda motor Honda jenis Matic di Surabaya Y3 tahun t D1,D2,,D12 HR 1 HR HR+1 Variabel dummy yang menggambarkan efek tren. Variabel dummy yang menggambarkan efek bulanan. Variabel dummy yang menggambarkan efek satu bulan sebelum idul fitri Variabel dummy yang menggambarkan efek bulan idul fitri Variabel dummy yang menggambarkan efek satu bulan setelah idul fitri 23
28 3.3 Langkah Analisis 1. Untuk menjawab tujuan pertama, yaitu melakukan statistika deskriptif. 2. Untuk menjawab tujuan kedua, yaitu mencari model yang sesuai menggunakan ARIMAX variasi kalender dengan langkah sebagai berikut. a. Melakukan pemodelan regresi time series dengan meregresikan Y dengan variabel dummy (X) hingga mendapatkan variabel yang signifikan. b. Setelah mendapatkan model regresi yang tepat, selanjutnya dilakukan pengecekan terhadap residual. Ketika residual telah memenuhi asumsi white noise, maka pemodelan selesai dan berhenti sampai regresi dummy. Namun, saat residual belum memenuhi asumsi white noise, maka dilanjutkan pada pemodelan ARIMA. c. Pada tahap pemodelan ARIMA, dilakukan identifikasi model sementara dan pengecekan signifikansi parameter serta asumsi white noise. d. Ketika telah mendapatkan model, dari pemodelan ARIMA, selanjutnya dilakukan pemodelan ARIMA dengan X sebagai input atau disebut dengan ARIMAX. e. Jika terdapat lebih dari satu model ARIMAX, maka dilakukan perbandingan untuk mencari model terbaik dengan melihat nilai smape terkecil. 24
29 3.3 Langkah Analisis 3. Untuk menjawab tujuan ketiga, yaitu mendapatkan hasil peramalan penjualan sepeda motor dilakukan dengan melakukan peramalan penjualan bulanan untuk tahun 2014 dengan menggunakan model ARIMAX yang telah diperoleh. 25
30 BAB IV ANALISIS DAN PEMBAHASAN
31 4.1 Analisis Statistika Deskriptif Penjualan Total Sepeda Motor di Surabaya Penjualan Terendah Febuari Tahun Total Rata Rata Minimum Maksimum September Penjualan Tertinggi Febuari Agustus 26
32 4.1 Analisis Statistika Deskriptif Penjualan Sepeda Motor Honda di Surabaya Penjualan Terendah Febuari Tahun Total Rata Rata Minimum Maksimum September Penjualan Tertinggi Januari Juli 27
33 4.1 Analisis Statistika Deskriptif Penjualan Sepeda Motor Matic Honda di Surabaya Penjualan Terendah Maret Tahun Total Rata Rata Minimum Maksimum Desember Penjualan Tertinggi Januari Juli 28
34 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Total Sepeda Motor di Surabaya Total Sepeda Motor Apr/2006 Mar/ Month Jan Jan Jan Jan Jan Jan Jan Year Jan/2012 Jan Jan Jan Jan Jan Gambar 4.1 Time Series Plot Penjualan Total Sepeda Motor di Surabaya Tabel 4.4 Estimasi Parameter Model Penjualan Total Sepeda Motor di Surabaya Parameter Koefisien Std. Error P Value t Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 HR HR HR D D ,000 D td td td
35 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Total Sepeda Motor di Surabaya Model Regresi Time Series Tabel 4.5 Estimasi Parameter Model Penjualan Total Sepeda Motor di Surabaya Dengan Variabel Signifikan Parameter Koefisien Std. Error P Value t <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 HR d td
36 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Total Sepeda Motor di Surabaya Autocorrelation (a) Partial Autocorrelation (b) Lag Lag Plot ACF mengindikasikan model MA 3 Plot PACF mengindikasikan model AR 2 Untuk menentukan model mana yang terbaik maka dilakukan pengujian signifikansi parameter. 31
37 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Total Sepeda Motor di Surabaya Tabel 4.7 Estimasi Parameter Model AR 2 Parameter Estimasi Std Error P Value Lag AR 1, AR 1, < Tabel 4.9 Uji Kenormalan Model AR 2 Pengujian P value Kolmogorov Smirnov Untuk MA 3, selain tidak signifikan juga tidak memenuhi asumsi white noise dan tidak berdistribusi normal. Maka dari itu, model yang sesuai untuk penjualan total sepeda motor di Surabaya adalah AR 2. AR 2 merupakan model yang signifikan dengan Pvalue yang lebih besar dari alpha 10%. smape yang dihasilkan sebesar 0,0269 atau 2,69%. Tabel 4.8 Pengujian White Noise Model AR 2 Sampai Lag Chisquare Derajat P Bebas Value
38 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Honda Sales Month Year Oct/2005 Jun/2009 Jan/2012 Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Gambar 4.3 Time Series Plot Penjualan Sepeda Motor Honda di Surabaya Tabel 4.10 Estimasi Parameter Model Penjualan Sepeda Motor Honda di Surabaya Parameter Koefisien Std. Error P Value t Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 HR HR HR D D D <.0001 td td <
39 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Model Regresi Time Series Tabel 4.11 Estimasi Parameter Model Penjualan Sepeda Motor Honda di Surabaya Dengan Variabel Signifikan Paramete r Koefisien Std. Error P Value t Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < HR D D D < td td <
40 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Autocorrelation (a) Partial Autocorrelation (b) Lag Lag Plot ACF mengindikasikan model MA (2) Plot PACF mengindikasikan model AR (2) Untuk menentukan model mana yang terbaik maka dilakukan pengujian signifikansi parameter dan hasilnya tersaji dalam Tabel
41 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Tabel 4.12 Estimasi Parameter Model AR(2) dan MA(2) Parameter Estimasi Std. Error P value Lag smape AR (2) MA (2) Model MA (2) merupakan model yang paling baik dilihat dari nilai smape yang dihasilkan sebesar 0,1479 atau 14,79%. 36
42 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Tabel 4.13 Pengujian White Noise Dari Model AR(2) dan MA(2) AR (2) Tabel 4.14 Uji Kenormalan Model AR(2) dan MA(2) Sampai Lag Chisquare Derajat Bebas P Value MA(2) Sampai Lag Chisquare Derajat Bebas P Value Parameter P value AR (2) MA (2) > Kedua model telah memenuhi asumsi yaitu berdistribusi normal dan telah White Noise 37
43 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Matic Honda di Surabaya Penjualan Matic Honda Surabaya Month Jan Year 2009 Jul Jan 2010 Jul Jan/2011 Jan 2011 Jul Jan 2012 Sep/2012 Jul Jan 2013 Jul Jan 2014 Gambar 4.5 Time Series Plot Penjualan Sepeda Motor Honda Jenis Matic di Surabaya Tabel 4.15 Estimasi Parameter Model Penjualan Sepeda Motor Honda Jenis Matic di Surabaya. Parameter Koefisien Std. Error P Value t 100,57 16,64 <0,001 Bulan 1 239,33 343,22 0,4896 Bulan 2 337,07 330,43 0,3138 Bulan 3 405,31 333,27 0,2311 Bulan 4 395,95 336,68 0,2465 Bulan 5 663,99 340,65 0,0583 Bulan 6 667,03 345,17 0,0604 Bulan ,9 350,21 0,002 Bulan 8 486,31 355,74 0,1792 Bulan 9 87,07 398,45 0,8281 Bulan ,13 573,51 0,3941 Bulan ,3 577,65 0,3253 Bulan ,57 459,53 0,4449 HR-1 940,21 477,59 0,0559 HR 836, ,1257 HR+1 329,88 459,37 0,4769 D1 3390,2 869,14 0,0004 D2-3781,2 1918,5 0,0557 td1-108,75 28,23 0,0004 td2 74,45 39,06 0,
44 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Matic Honda di Surabaya Model Regresi Time Series Tabel 4.16 Estimasi Parameter Model Penjualan Sepeda Motor Honda Jenis Matic di Tabel 4.18 Uji Kenormalan Residual Surabaya Dengan Variabel Signifikan. Pengujian P value Parameter Koefisien Std. Error P Value Kolmogorov Smirnov t 125,01 7,69 <0,001 Bulan 7 757,49 263,62 0,0058 D1 3462,4 787,28 <0,001 D2-4148,7 1795,4 0,0247 td1-121,89 23,16 <0,001 td2 63,89 34,58 0,0701 Tabel 4.17 Pengujian White Noise Residual Penjualan Motor Honda Jenis Matic di Surabaya Sampai Lag Chisquare Derajat Bebas P Value 6 7, , , , , ,
45 4.3 Peramalan Penjualan Sepeda Motor di Surabaya Peramalan Penjualan Total Sepeda Motor di Surabaya Nilai Ramalan Penjualan Total Motor Jan Feb Mar Apr May Jun Jul Bulan Gambar 4.6 Time Series Plot Nilai Ramalan Penjualan Total Sepeda Motor di Surabaya Tahun Aug Sep Oct Nov Dec Variable Nilai Ramalan Batas Bawah Batas Atas Tabel 4.19 Nilai Peramalan Penjualan Total Sepeda Motor di Surabaya Tahun 2014 (Dalam Unit) Bulan Nilai Ramalan Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember Total
46 4.3 Peramalan Penjualan Sepeda Motor di Surabaya Peramalan Penjualan Sepeda Motor Honda di Surabaya Nilai Ramalan Penjualan Honda Jan Feb Mar Apr May Jun Jul Bulan Gambar 4.7 Time Series Plot Nilai Ramalan Penjualan Sepeda Motor Honda di Surabaya Tahun Aug Sep Oct Nov Dec Variable Nilai Ramalan Batas Bawah Batas Atas Tabel 4.20 Nilai Peramalan Penjualan Sepeda Motor Honda di Surabaya Tahun 2014 (Dalam Unit) Bulan Nilai Ramalan Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember Total
47 4.3 Peramalan Penjualan Sepeda Motor di Surabaya Peramalan Penjualan Sepeda Motor Matic Honda di Surabaya Penjualan Motor Matic Honda Jan Feb Mar Apr May Jun Jul Bulan Gambar 4.8 Time Series Plot Nilai Ramalan Penjualan Sepeda Motor Honda Jenis Matic di Surabaya Tahun Aug Sep Oct Nov Dec Variable Batas Atas Nilai Ramalan Batas Bawah Tabel 4.21 Nilai Peramalan Penjualan Sepeda Motor Matic Honda di Surabaya Tahun 2014 (Dalam Unit) Bulan Nilai Ramalan Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember Total
48 BAB V KESIMPULAN DAN SARAN
49 5.1 Kesimpulan 1. Total penjualan keseluruhan sepeda motor yang ada di surabaya tahun mencapai unit sementara total penjualan untuk sepeda motor Honda yang ada di surabaya tahun ada unit dan total penjualan sepeda motor Honda jenis matic yang ada di surabaya tahun 2009 hingga 2013 yaitu unit. 2. Sepeda motor honda menguasai 54,73% dari keseluruhan total sepeda motor yang ada di surabaya tahun sedangkan untuk 2014, Sepeda motor honda mengusai 75,6% 3. Model terbaik dari total penjualan sepeda motor di Surabaya adalah AR (2) dengan smape 2,69%. Sementara model untuk penjualan sepeda motor Honda di Surabaya adalah model MA (2) dengan smape 14,79%. Sedangkan model penjualan sepeda motor Honda jenis matic di Surabaya yang tepat adalah dengan menggunakan model regresi time series yaitu 4. Untuk hasil peramalan, menunjukan bahwa penjualan total sepeda motor di Surabaya pada tahun 2014 menurun 1,6% dari tahun sebelumnya. Sementara untuk penjualan sepeda motor Honda di Surabaya pada tahun 2014 meningkat 18% dari tahun sebelumnya dan penjualan sepeda motor Honda jenis matic di Surabaya pada tahun 2014 juga meningkat 36% dari tahun sebelumnya 43
50 5.2 Saran 1. Pada penelitian ini, pembagian periode untuk memberi variabel dummy bersifat subjektif, sehingga dapat dicoba untuk mengganti ganti dummy untuk mendapatkan model yang lebih tepat. 2. Penelitian selanjutnya dapat lebih menganalisis mengenai pemodelan dan peramalan sepeda motor merek selain Honda dengan ketiga jenis motor yang ada yaitu matic yaitu cub, maupun sport. 44
51 DAFTAR PUSTAKA
52 Artikel dari wikipedia yang dicuplik dari 2. Diakses pada Selasa, 11 Maret 2014 pukul Artikel dari wikipedia yang dicuplik dari Diakses pada hari Rabu, 12 Maret 2014 pukul Artikel dari wikipedia yang dicuplik dari Diakses pada hari Rabu, 12 Maret 2014 pukul Artikel dari wikipedia yang dicuplik dari motor februari 2014 suzuki perlu kerja lebih keras/. Diakses pada hari Rabu, 26 Maret 2014 pukul Artikel dari wikipedia yang dicuplik dari ekonomi terhadap.html. Diakses pada hari Jumat, 28 Maret 2014 pukul Cryer, J. D., & Chan, K. S. (2008). Time Series Analysis With Application in R, 2nd Edition. New York: Springer. Draper, N. R., & Smith, H. (1998). Applied Regression Analysis, Third Edition. Canada: John Wiley & Sons, Inc. 45
53 Hsu, T.P., Lin, Y.J., (2007), Multinomial Logit Model of Motorcycle and Car Ownership in Taiwan, Proceeding of the Eastern Asia Society for Transportation Studies, Vol. 6, Dalian China. Gujarati, D. N. (2004). Basic Econometric 4th edition. The Mc Gra Hill Companies : New York. Kamil, M.I. (2010). Pemodelan Dan Peramalan Jumlah Penumpang Dan Pesawat Di Terminal Kedatangan Internasional Bandara Juanda Surabaya Dengan Metode Variasi Kalender. Surabaya: Jurusan Statistika FMIPA ITS. Liviani, N. (2010). Analisis Peramalan Penjualan Sepeda Motor Di Mitra Pinasthika Mustika (MPM) Honda Motor Dengan Pendekatan ARIMA Box Jenkins. Surabaya: Jurusan Statistika FMIPA ITS. Puspita, K. (2013). Prediksi Penjualan di Perusahaan Ritel dengan Metode Peramalan Hirarki Berdasarkan Model Variasi Kalender. Surabaya: Jurusan Statistika FMIPA ITS. Walpole. (1995). Pengantar Statistika. PT. Gramedia Pustaka Utama : Jakarta. Wei, W. W. (2006). Time Series Analysis: Univariate and Multivariate Methods, 2nd Edition. New York: Pearson. 46
54 Terima Kasih
55 Seminar Hasil Tugas Akhir Pemodelan Dan Peramalan Penjualan Sepeda Motor Di Surabaya Dengan Pendekatan ARIMAX Variasi Kalender Oleh Arinta Cahyaningtyas Dosen Pembimbing Dr. Setiawan, M.S Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya, 2014
Pemodelan dan Peramalan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Variasi Kalender
Pemodelan dan Peramalan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Variasi Kalender 1 Arinta Cahyaningtyas dan 2 Setiawan 1,2 Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciBAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER
21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan
Lebih terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciPEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER
PEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER M. Insanil Kamil 0 0 0 m.insanil_kml@yahoo.com Dosen pembimbing:
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperinciPeramalan Volume Penjualan Sepeda Motor di Kabupaten Trenggalek dengan Menggunakan Metode ARIMAX dan ANFIS
Peramalan Volume Penjualan Sepeda Motor di Kabupaten Trenggalek dengan Menggunakan Metode ARIMAX dan ANFIS I Made Bayu Kurniawan, 2 Santi Puteri Rahayu, dan 3 Suhartono Jurusan Statistika, Fakultas MIPA,
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 Pemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA 1 Harnum Annisa Prafitia dan 2 Irhamah
Lebih terperinciCetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura
Hak cipta dilindungi Undang-Undang Cetakan I, Agustus Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura ISBN: ---- Deskripsi halaman sampul : Gambar yang ada pada cover
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciPeramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA
JEKT 8 [2] : 136-141 ISSN : 2301-8968 Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA Rukini *) Putu Simpen Arini Esthisatari Nawangsih Badan Pusat Statistik
Lebih terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus: KA Argo Muria)
PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus: KA Argo Muria) SKRIPSI Disusun oleh : TITIS NUR UTAMI 24010212140052 DEPARTEMEN
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciPeramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL)
Peramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL) Ainil Karomah dan Suhartono Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun
Peramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun NAMA : RITA RAHMADHANI NRP : 1306 030 008 PEMBIMBING: DR. BRODJOL SUTIJO
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciPemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer
TUGAS AKHIR Pemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer Oleh : Fani Felani Farid (1306 100 047) Pembimbing : Drs. Kresnayana Yahya M.Sc Latar Belakang
Lebih terperinciTREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA)
TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) Jerhi Wahyu Fernanda, Wisnaningsih S, Emilia Boavida,, Prodi Rekam Medis Informasi Kesehatan Institut Ilmu Kesehatan
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih 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 terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciModel Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer
Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI Bursa saham atau Pasar
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Tabel 5.1 Total Hasil Penjualan
BAB 5 HASIL DAN PEMBAHASAN 5. Penyajian Data Tabel 5. Total Hasil Penjualan Total Hasil Penjualan Bulan (dalam jutaan rupiah) Jan-04 59.2 Feb-04 49.2 Mar-04 57.7 Apr-04 53.2 May-04 56.3 Jun-04 60.2 Jul-04
Lebih terperinciPrediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA
Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Jeine Tando 1, Hanny Komalig 2, Nelson Nainggolan 3* 1,2,3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciProgram Studi Matematika, Institut Teknologi Kalimantan, Balikpapan
J. Math. and Its Appl. E-ISSN: 2579-8936 P-ISSN: 1829-605X Vol. 14, No. 2, Desember 2017, 25-37 Perbandingan Metode ARIMA dan Double Exponential Smoothing pada Peramalan Harga Saham LQ45 Tiga Perusahaan
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciKAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas FMIPA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciPERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN ARTIFICIAL NEURAL NETWORK
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN ARTIFICIAL NEURAL NETWORK Disusun Oleh : Yuli Wahyuningsih 1308 100 074 Pembimbing Co.Pembimbing : Dr. Brodjol Sutijo Suprih Ulama,
Lebih terperinciPERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah
Lebih terperinciProsiding Seminar Nasional MIPA 2016
Peramalan Jumlah Penumpang Kereta Api Lodaya Jurusan Bandung-Solo Menggunakan Model Reg-ARIMA Dengan Variasi Kalender (Studi Kasus: PT. Kereta Api Indonesia) Dyah Puspita Sari*, Gumgum Darmawan, Soemartini
Lebih terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih terperinciBAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama : Zahroh Atiqoh NRP : 1205 100 021 Dosen Pembimbing : 1. Dra. Nuri Wahyuningsih, MKes 2. Drs. Sulistiyo,
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciPeramalan Harga Beras di Perum BULOG Divre Jatim
Peramalan Harga Beras di Perum BULOG Divre Jatim Disusun oleh : Woro Morphi H (1309030010) Dosen Pembimbing : Dr. Suhartono, S.Si, M.Sc Pendahuluan Latar Belakang, Perumusan Masalah,Tujuan Penelitian,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT
PERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT Novian Endi Gunawan 1, I Wayan Sumarjaya 2, I G.A.M. Srinadi 3 1 Program Studi Matematika,
Lebih terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus : KA Argo Muria)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 131-140 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN
Lebih terperinciPEMODELAN ARIMA REDAMAN HUJAN DENGAN EFEK DETECTION OUTLIER DAN AKAIKE INFORMATION TEST
PEMODELAN ARIMA REDAMAN HUJAN DENGAN EFEK DETECTION OUTLIER DAN AKAIKE INFORMATION TEST Afif Arumahendra 2206 100 041 Email : mahe_354@yahoo.com Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
Lebih terperinciPeramalan Kandungan Particulate Matter (PM10) dalam Udara Ambien Kota Surabaya Menggunakan Double Seasonal ARIMA (DSARIMA)
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215) 2337-352 (231-928X Print) D-242 Peramalan Kandungan Particulate Matter (PM1) dalam Udara Ambien Kota Surabaya Menggunakan Double Seasonal ARIMA (DSARIMA) Bernadeta
Lebih terperinciPrediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan Krigging pada 12 Stasiun di Bogor Periode Januari Desember 2014.
Jur. Ris. & Apl. Mat. Vol. 1 (2017), no. 1, 1-52 Jurnal Riset dan Aplikasi Matematika e-issn: 2581-0154 URL: journal.unesa.ac.id/index.php/jram Prediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan
Lebih terperinciPEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH
JIMT Vol. 12 No. 2 Desember 2016 (Hal 149-159) ISSN : 2450 766X PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH 1 Y. Wigati, 2 Rais, 3 I.T.
Lebih terperinciPengenalan Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 30 April 2012
Pengenalan Analisis Deret Waktu (Time Series Analysis) ) MA 208 Statistika Dasar 0 April 202 Utriweni Mukhaiyar Ilustrasi Berikut adalah data rata-rata curah hujan bulanan yang diamati dari Stasiun Padaherang
Lebih terperinciPemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR
JURNAL SAINS DAN SENI POMITS Vol., No., (0) 7-0 (0-X Prin D-7 Pemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR Laily Awliatul Faizah dan Setiawan Jurusan Statistika,
Lebih terperinciMODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA. Salatiga, Jawa Tengah, Indonesia
MODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA Adi Nugroho 1, Bistok Hasiholan Simanjuntak 2 1 Staf pengajar di Fakultas Teknologi Informasi
Lebih terperinciBAB III METODE PENELITIAN. dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai
24 BAB III METODE PENELITIAN 1.1 Jenis dan Sumber Data Menurut Sekaran (2003), data sekunder merupakan informasi yang dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai
Lebih terperinciS - 22 PERAMALAN BANYAK PENUMPANG KERETA DAERAH OPERASI VI YOGYAKARTA MENGGUNAKAN MODEL TIME SERIES DENGAN VARIASI KALENDER ISLAM REGARIMA
S - PERAMALAN BANYAK PENUMPANG KERETA DAERAH OPERASI VI YOGYAKARTA MENGGUNAKAN MODEL TIME SERIES DENGAN VARIASI KALENDER ISLAM REGARIMA Nila Widhianti 1, Dhoriva Urwatul Wutsqa 1, Program Studi Matematika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciPEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER
1 PEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER Muhammad Zainuddin Fanani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
Lebih terperinciPERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas
Lebih terperinciPeramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins
Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Ari Pani Desvina 1, Melina Anggriani 2,2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. HR.
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model)
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciPrediksi Wisatawan Mancanegara Ke Jawa Barat Melalui Pintu Masuk Bandara Husein Sastranegara dan Pelabuhan Muarajati Menggunakan Metode SARIMA
Politeknik Negeri Bandung July 26-27, Prediksi Wisatawan Mancanegara Ke Jawa Barat Melalui Pintu Masuk Bandara Husein Sastranegara dan Pelabuhan Muarajati Menggunakan Metode SARIMA Agus Supriatna 1, Betty
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciPEMILIHAN MODEL TERBAIK DAN PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA (WISMAN) KE BALI TAHUN 2014
66 Jurnal Buletin Studi Ekonomi, Vol. 20 No., Februari 205 PEMILIHAN MODEL TERBAIK DAN PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA (WISMAN) KE BALI TAHUN 204 Rukini I Wayan Sukadana 2 Luh Gede Meydianawathi
Lebih terperinciBAB I PENDAHULUAN. satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data time series merupakan serangkaian data pengamatan yang berasal dari satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan interval
Lebih terperinciPENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI
TUGAS AKHIR - ST 1325 PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI I G B ADI SUDIARSANA NRP 1303100058 Dosen Pembimbing Ir. Dwiatmono Agus Widodo,
Lebih terperinciPERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.
PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 1 Ada tiga tahapan iteratif dalam pemodelan data deret waktu yang berbasis model ARIMA, yaitu: 1. Penentuan model
Lebih terperinciPERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH
PERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH Universitas Negeri Malang E-mail: abiyaniprisca@ymail.com Abstrak: Penelitian ini bertujuan untuk mengetahui model peramalan terbaik dari data
Lebih terperinciPERAMALAN BEBAN HARIAN PEMAKAIAN LISTRIK WILAYAH JAWA-BALI
PERAMALAN BEBAN HARIAN PEMAKAIAN LISTRIK WILAYAH JAWA-BALI Ibrahim Ali Marwan dan Drs. Kresnayana Yahya, M.Sc 2 Mahasiswa Jurusan Statistika, ITS, Surabaya 2 Dosen Pembimbing, Jurusan Statistika, ITS,
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciPeramalan Inflasi Kota Surabaya dengan Pendekatan ARIMA, Variasi Kalender, dan Intervensi
JURNA SAINS DAN SENI IS Vol. 5, No., (206) 2337-3520 (230-928X Print) D-90 Peramalan Inflasi Kota Surabaya dengan Pendekatan ARIMA, Variasi Kalender, dan Intervensi Novi Wulandari, Setiawan dan 2 Imam
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 323-332 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN FUNGSI TRANSFER DENGAN DETEKSI OUTLIER UNTUK MEMPREDIKSI
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinci