Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
|
|
- Sonny Chandra
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani 1, Nuri Wahyuningsih Matematia, Faultas Matematia dan Ilmu Pengetahuan Alam, Institut Tenologi Sepuluh Nopember Jl. Arief Rahman Haim, Surabaya , Abstra ARIMA Box-jenins dan VAR adalah salah satu metode time series yang biasa digunaan untu melauan analisis data dan peramalan. Dalam ehidupan sehari-hari, ita sering menemuan data yang mempunyai eteraitan dalam deret watu. Data yang memilii eteaitn deret watu merupaan data time series, dimana data tersebut selalu berubah-ubah setiap periode watu dengan berbagai macam fator. Untu mendapatan predisi yang mempunyai tingat error yang ecil, maa aan dilauan perbandingan dua model yaitu Vector Autoregressive (VAR)-Filter Kalman dan model Autoregressive Integrated Moving Average (ARIMA)-Filter Kalman. Algoritma Filter Kalman aan diterapan pada hasil ramalan pemodelan ARIMA dan VAR dengan pengambilan derajat polinomial esatu, dua, dan tiga untu memperbaii predisi 7 bulan e depan. Hasil ahir menujuan bahwa Filter Kalman mampu memperbaii hasil estimasi ARIMA dan VAR. Dimana tingat error ARIMA-Filter Kalman dan VAR-Filter Kalman lebih ecil dibandingan dengan ARIMA dan VAR, yang ditunjuan melalui hasil simulasi berupa grafi dan diperjelas dengan nilai MAPE yang lebih ecil. Pengambilan derajat polinomial mempengaruhi hasil predisi, semain besar derajat polinomial maa semain ecil error predisi. Kata Kunci ARIMA, Filter Kalman, polinomial derajat, VAR. I. PENDAHULUAN nflasi merupaan suatu fator yang sangat berpengaruh dalam pereonomian suatu daerah. Inflasi month to I month merupaan inflasi bulanan yang menggunaan perbandingan dengan bulan sebelumnya. Ban Indonesia merupaan badan pemerintahan yang memilii amanah dalam menjagah stabilitas pereonomian, termasu inflasi. Sehingga memilii beberapa antor perwailan, salah satunya KPwBI Kota Malang. Dimana KPwBI Kota Malang memantau pergeraan inflasi Kota Malang dan Probolinggo. Stabilitas harga sangat bergantung pada besar ecilnya nilai inflasi. Semain besar nilai inflasi, maa semain tinggi pula harga[1]. Predisi inflasi month to month merupaan suatu langah antisipasi dalam menjaga stabilitas pereonomian. Metode yang digunaan metode time series, sebab inflasi month to month merupaan data yang memilii eteraitan deret watu. Banya metode time series yang digunaan untu mempredisi data. Namun, metode-metode peramalan masih memilii tingat error yang sangat tinggi. Metode time series yang digunaan adalam ARIMA dan VAR. KEdua metode tersebut memilii perbedaan, dimana metode ARIMA merupaan metode peramalan univariat dan VAR merupaan metode peramalan multivariate. Kedua metode memili tingat error yang berbeda namun masih tergolong besar. Sehingga dibutuhan suatu metode yang digunaan untu memperecil error. Sebelumnya telah dilauan penelitian tentang penggunaan metode ARIMA dan VAR dalam estimasi inflasi di Indonesia []. Kedua metode tersebut menghasilan nilai error estimasi VAR lebih ecil dibandingan menggunaan ARIMA. Namun nilai error masih relative besar. Dalam penelitian ini dilauan predisi inflasi month to month di dua daerah, yaitu Kota Malang dan Probolinggo menggunaan metode ARIMA dan VAR. Kemudian dari model ARIMA dan VAR aan digunaan estimasi parameter dan memodelan sistem. Kemudian aan diterapan Filter Kalman untu perbaian estimasi, dimana dalam perbaian estimasi aan digunaan polinomial error model VAR dan ARIMA dengan pengambilan beberapa nilai polinomial pada error residual ARIMA dan VAR. Selanjutnya aan dilihat error terecil hasil predisi selama 7 bulan e depan dari metode ARIMA-Filter Kalman dan VAR-Filter Kalman. Selain mnganalisis eauratan Filter Kalman untu perbaian hasil ARIMA dan VAR, aan dianalisis pengaruh pengambilan polinomial error dalam perbaian estimasi. A. Sumber Data II. METODOLOGI PENELITIAN Data yang digunaan dalam penelitian ini adalah data seunder inflasi month to month dari KPwBI Kota Malang mulai bulan Januari 1 hingga Agustus 15, sejumlah 68 data dan dibagi menjadi bagian yaitu: (i) Data in-sample (pemodelan) : Januari 1-Januari 15. (ii) Data out-sampple (validasi) : Pebruari-Agustus 15. Sedangan variabel-variabel yang digunaan dalam penelitian ini adalah sebagai beriut Z1(t) : inflasi month to month Malang Z(t) : inflasi month to month Probolinggo B. Langah Analisis Langah pertama adalah melauan uji stasioneritas dengan plot time series. Data yang telah stasioner dibuat plot ACF dan PACF untu menentuan orde model ARIMA. Setelah diperoleh model sementara sebagai model dugaan, dilauan uji signifiansi, uji residual white noise dan uji residual distribusi normal. Untu pemilihan model terbai, dipilih berdasaran parameter yang signifian, residual white noise dan berdistribusi normal, serta memilii nilai AIC-SBC terecil. Langah awal pada metode VAR, uji stasioner data seperti pada ARIMA, identifiasi orde MACF dan MPACF, identifiasi stasioner dalam mean, estimasi model VAR, uji
2 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) (31-98X Print) A- signifiansi, uji residual white noise, uji normalitas, uji heteroedastatisti, uji autoorelasi dan peramalan. Setelah mendapatan model ARIMA dan VAR, diterapan algoritma Filter Kalman, untu mengestimasi nilai oefisien polinomial berdasaran polinomial derajat yang dipilih. Polinomial derajat yang diambil adalah satu (n = ), dua (n = 3), dan tiga (n = 4). Langah ahir adalah membandingan nilai MAPE dari model ARIMA Filter Kalman dan model VAR-Filter Kalman. III. HASIL/PEMBAHASAN A. Pemodelan ARIMA (Autoregressive Integrated Moving Average) Langah awal untu membuat model ARIMA adalah dengan melauan identifiasi data, yaitu dengan melihat estasioneran data terhadap mean dan varian. Apabila data belum stasioner pada varians (rounded value 1) maa data aan ditransformasi sedangan data aan didifferencing apabila data belum stasioner pada mean. Setelah data memenuhi estasionean dalam varians dan mean, langah seanjutnya adalah melauan plot ACF dan PACF untu menentuan model sementara dari ARIMA Pada data Z1(t), plot ACF eluar pada lag e-1 dan. Plot PACF eluar pada lag e-1,,8, dan, differencing tida dilauan arena data sudah stasioner. Sehingga dugaan model sementara untu Z1(t) adalah ARIMA([1,,8,],,[1,]). Pada data Z(t) plot ACF eluar pada lag e-, 3 dan 6. Plot PACF eluar pada lag e-,3 dan, tida dilauan differencing. Sehingga dugaan model sementara untu Z(t) adalah ARIMA([,3,],,[,3,6]). Setelah didapatan dugaan model, selanjutnya dilauan uji signifiansi parameter, uji residual white noise, dan uji residual berdistribusi normal. Model terbai dipilih melalui proses overfitting dengan membandingan nilai AIC-SBC terecil. Langah yang sama dilauan untu pendugaan model pada setiap variabel. Tabel 1 menunjuan hasil model ARIMA terbai dari eempat loasi tersebut.masing-masing model juga telah memenuhi esignifian parametr, asumsi residual bersifat white noise dan normal seperti yang digambaran pada Tabel 1. Tabel 1. Nilai Koefesien model ARIMA Loasi Model Parameter Koefisien Z1 t Z t ARIMA ([1],,[]) ARIMA (3,,[3,6]) 1 θ θ θ Pemodelan ARIMA inflasi month to month Malang adalah ARIMA ([1],,[]) yaitu: Z t =.981 Z t a t + a t dengan Z t adalah data transfomasi dari Z1 t Pemodelan ARIMA inflasi month to month Probolinggo adalah ARIMA ([3],,[3,6]): Z t = Z t a t a t6 + a t dengan Z t adalah data transfomasi dari Z t B. Pemodelan VAR (Vector Autoregressive) Langah awal yang harus dipenuhi adalah data harus stasioner. Stasioner dalam varian dilauan menggunana uji Box-Cox seperti ARIMA. Selanjutnya aan dilauan identifiasi stasioner dalam mean dengan mengece sema Matris Auto Correlation Funcion yang ditunjuan pada Gambar 1. Pada Gambar 1 menunjuan bahwa data telah stasioner dalam mean. Hal itu ditunjuan dengan sediitnya simbol (+) dan simbol (-) dan banyanya simbol (.) yang eluar. Gambar 1. Plot MACF Z1 (t) Z(t) Setelah data stasioner, maa selanjutnya mencari orde yang sesuai yang nantinya aan dipaai dalam model VAR dengan melauan idenifiasi model VAR berdasaran sema MPACF (Matris Auto Correlation Parsial), dan nilai AIC terecil. Gambar menunjuan sema MPACF sedangan Gambar 3 menunjuan nilai AIC terecil dari orde lag VAR. Gambar. Plot MPACF data Z1(t) Z(t) Gambar 3. Nilai AIC Dari Gambar dan Gambar 3 teridentifiasi model dengan orde p=3, d=, dan q= yang mempunyai nilai AIC terecil. Sehingga model VAR yang digunaan dalam analisis data Z1(t), Z(t) adalah VAR (3). Langah selanjutnya adalah melauan uji normalitas, dimana p-value menunjuan lebih dari nilai alpha, sehingga diataan residu berdistribusi normal. Uji heterosedastatisti dengan nilai p-value lebih dari alpha, sehingga model VAR tida heterosedastatisti. Pada uji residual white noise, p-value lebih dari alpha sehingga disimpulan residu white noise. Pada uji autoorelasi, nilai p-value juga lebih dari alpha, sehingga disimpulan bahwa tida ada orelasi. Hipotesis awal dari berbagai uji telah terpenuhi, sehingga model disimpulan laya untu digunaan sebagai estimator. Sehingga dilauan uji parameter dahulu untu mengetahui model VAR yang digunaan.
3 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) (31-98X Print) A-3 Loasi Malang (y1) Probolin ggo (y) Tabel.Estimasi Parameter VAR(3) t- P- Parame Esti Std val valu ter masi Error ue e φ φ φ 1 φ Varia bel y1(t-1) y(t-1) y(t-1) y(t-) Dari Tabel dipeoleh nilai parameter yang memilii p- value yang urang dari α =.5, yang menunjuan parameter signifian. Parameter yang tida sinifian seharusnya dihilangan dan dilauan pendugaan ulang. Tetapi, dengan pertimbangan bobot loasi yang diberian dimasing-masing loasi, eliminasi tida dilauan arena variabel yang tida nyata tetap dapat digunaan untu melauan proses peramalan. Sehingga diperoleh model VAR(3) pada setiap daerah dirumusan sebagai beriut. a. a. nflasi month to month di Kota Malang y 1 (t) =.34859y 1 (t 1) +.9y (t 1) b. Inflasi month to month di Kota Probolinggo y (t) =.5571y (t 1) y (t ) Perbandingan Model VAR dan ARIMA Hasil dari peramalan model ARIMA dan VAR emudian aan dibandingan dengan melihat MAPE terecil dari hasil ramalan dari masing-masing loasi. Hasil ramalan disetiap wilayah dengan metode ARIMA dan VAR menggunaan data out sample ditampilan dalam bentu grafi pada Gambar 4. Warna biru menunjuan plot data atual, warna merah plot hasil ramalan ARIMA, dan plot warna hijau adalah hasil ramalan VAR Malang atual ARIMA VAR 1-1 Probolinggo atual ARIMA VAR Gambar 4. Plot Hasil Ramalan Inflasi month to month Z 1 Z Dari Gambar 4 dapat dilihat bahwa hasil ramalan VAR dan ARIMA hampir memilii pola yang sama dengan data atual. Hasil ramalan VAR cenderung lebih mendeati data asli atual, walaupun ada di beberapa titi dimana VAR menjauhi data atual. Sehingga perbandingan model ramalan yang terbai di setiap loasi aan ditunjuan oleh nilai MAPE terecil pada Tabel 4. Tabel 3. Nilai MAPE disetiap Loasi MAPE ARIMA VAR Malang Probolinggo Dari Tabel 3 dapat disimpulan bahwa pada penelitian ini model VAR (3) lebih bai dari hasil predisi ARIMA pada wilayah. Namun, MAPE hasil predisi dari edua model masih sangat besar. Oleh arena itu, aan diterapan Filter Kalman untu memperbaii hasil predisi dari model ARIMA dan VAR. C. Penerapan Metode Filter Kalman. Dari model ARIMA yang diperoleh emudian diramalan 7 bulan e depan emudian dilauan simulasi Filter Kalman menggunaan untu memperbaii data predisi ARIMA. Persamaan modelnya adalah sebagai beriut [3]: y i = + m i + + a n1,i m n1 i + ε i (1) dimana y i : selisih data atual dan data predisi e-i a j,i : oefisien atau parameter yang harus diestimasi oleh Filter Kalman, dengan j =,1,, n-1 m i : data e-i ε i : onstanta Nilai oefisien diestimasi dengan pengambilan orde polinomial derajat 1,, dan 3 dari persamaan (1) Untu n =, persamaan (1) menjadi y i = + m i dengan x(t i ) = [ a ], H 1,i i = [1 m i ] Untu n = 3, persamaan (1) menjadi: y i = + m i + a,i m i dengan x(t i ) = [ ] a,i Dan H i = [1 m i m i] Untu n = 4, persamaan (1) menjadi: y i = + m i + a m i 3 + m i dengan x(t i ) = [ a ],i dan H i = [1 m i m i m 3 i ]
4 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) (31-98X Print) A-4 Algoritma Filter Kalman untu penelitian ini sebagai beriut: Model sistem[3]: x = [ a n1,i] T x +1 = Ax + w Untu n = : [ a ] = [ 1,i +1 1 ] [ a ] + w 1,i 1 Untu n = 3: [ ] = [ 1 ] [ ] + w a,i +1 1 a,i 1 Untu n = 4:[ a ],i +1 = [ 1 ] [ 1 1 Model umum penguuran[3]: z = Hx + v Untu n = : y i = [1 m i ] [ a ] 1,i a ],i + v + w Untu n = 3: y i = [1 m i m i ] [ ] + v a,i Untu n = 4: y i = [1 m i m i m i 3 ] [ a ],i + v Dengan ditentuan nilai awal Q =.1 Untu n = : P = [ 1 ], Q = [1 1 1 ]. Q Malang x = [.6.75 ] Probolinggo x = [.44.4 ] 1 1 Untu n = 3: P = [ 1 ], Q = [ 1 ]. Q Malang x = [.75] Probolinggo x = [.4 ] Untu n = 4: P = [ 1 ], Q = [ 1 ]. Q Malang x = [.75 ] Probolinggo.11 x = [.4 ] Pertama, saat Q =.1 danr =.1. Kedua saat Q =.1 dan R =.1. Pada penelitian ini hanya aan ditunjuan hasil simulasi di Malang saat Q =.1 dan R =.1 untu n = atau polinomial derajat 1 yang ditunjuan pada Gambar, n = 3 atau polinomial derajat yang ditunjuan pada Gambar 9 dan n = 4 atau polinomial derajat 3, yang ditunjuan pada Gambar 1. Gambar 5. Hasil Simulasi Inflasi di Malang Filter Kalman n = ARIMA VAR Tahap predisi[3]: x +1 = Ax P +1 = AP A T + GQ G T Tahap oresi[8]: Pada tahap oresi melibatan Kalman gain, : K +1 = P +1 H T (H +1 P +1 H T + R 1 ) 1 dengan ditentuan R =.1 dan R =.1. x +1 diestimasi menggunaan nilai x +1 yang diperoleh dari tahap predisi.z +1 sama dengan y i yang diperoleh dari selisih data atual dengan data predisi ARIMA. T x +1 = x +1 + P +1 H +1 R 1 +1 (z +1 H +1 x +1 ) Nilai P +1 juga dicari dengan menggunaan nilai P +1 yang telah dicari pada tahap predisi. P +1 = [(P +1 ) 1 T H +1 R 1 +1 H +1 ] 1 Pada penelitian ini setiap nilai awal x yang diambil pada setiap derajat polinomial aan diuji etia ondisi.
5 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) (31-98X Print) A-5 n i=1 Z tz (1) Z MAPE = t n denganz t adalah nilai data e-t, Z t adalah nilai peramalan e-t, dan n adalah banyanya data. Hasil perhitungan MAPE untu semua ondisi di dua loasi menggunan Filter Kalman ditunjuan pada Tabel 4 Gambar 6. Hasil Simulasi Inflasi di Malang Filter Kalman n = 3 ARIMA VAR Gambar 7. Hasil Simulasi Inflasi di Malang Filter Kalman n = 4 ARIMA VAR Gambar 5 menunjuan hasil simulasi etia Q =.1 dan R =..11 pada polinomial derajat 1, grafi hasil Filter Kalman disetiap loasi hampir mendeati data atual. Pada Gambar 6, dengan polinomial derajat menunjuan grafi data Filter Kalman semain mendeati data atual, sedangan pada Gambar 7, dengan polinomial derajat 3 menunjuan grafi yang lebih mendeati data atual dibanding polinomial derajat 1 dan. Untu hasil dan simulasi saat ondisi saat Q = 1 dan R =.1 dilauan cara yang sama. Kemudian mengevaluasi hasil predisi dan memilih model terbai dengan metode MAPE. Didefinisian MAPE[4]: Tabel 4. Perhitungan MAPE Filter Kalman MALANG ARIMA pol 1 pol pol 3 q=.1 MAPE r=.1 CPU time q=.1 MAPE r=.1 CPU time VAR pol 1 pol pol 3 q=.1 MAPE r=.1 CPU time q=.1 MAPE r=.1 CPU time PROBOLINGGO ARIMA pol 1 pol pol 3 q=.1 MAPE r=.1 CPU time q=.1 r=.1 q=.1 r=.1 q=.1 r=.1 MAPE CPU time VAR pol 1 pol pol 3 MAPE CPU time MAPE CPU time Pada Tabel 4 terlihat bahwa hasil MAPE aan lebih bai jia Q lebih besar dan R yang lebih ecil. Juga, setiap Q dan R yang diambil, nilai MAPE aan semain menurun apabila derajat polinomialnya semain tinggi. Selain itu, hasil predisi terbai apabila diambil Q = 1 dan R =.1. IV. KESIMPULAN 1. Model ARIMA terbai untu data inflasi month to month di Malang adalah ARIMA([1],,[]), inflasi month to month di Probolinggo adalah ARIMA([3],,[3,6]).. Model VAR terbai untu edua data adalah VAR (3), dimana : a. Inflasi month to month di Kota Malang y 1 (t) =.34859y 1 (t 1) +.9y (t 1) b. Inflasi month to month di Kota Probolinggo y (t) =.5571y (t 1) y (t ) 3. Pada simulasi Filter Kalman derajat polinomial pertama, edua, dan etiga, dengan nilai awal yang sama untu setiap Q dan R yang diambil, nilai MAPE aan semain menurun apabila derajat polinomialnya semain tinggi. Hasil predisi terbai apabila diambil Q =.1, R =.1, dan derajat polinomial yang tinggi.
6 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) (31-98X Print) A-6 DAFTAR PUSTAKA [1] Prastowo, N J. 8. Dampa BI Rate terhadap Pasar Keuangan. Ban Indonesia: Woring Paper No.1. [] Subandi. 5. Analisis Peramalan Inflasi Di Indonesia dengan Menggunaan Metode ARIMA dan Vector Autoregressive. Pustaa FE UNPAD [3] Welch, G. Dan Bishop, G. (11). An introduction to the Kalman Filter. University of North Carolina: Chapel Hil, Ameria. [4] Maridais, McGee, dan Wheelright, W. (1999). Metode dan Apliasi Peramalan. Edisi edua. Terj. Andriyanto, U.S. Bina Rupa Asara: Jaarta. [5] Kurniawan, T. 14. Penerapan Metode Kalman Filter dalam Perbaian Hasil Predisi Cuaca dengan Metode ARIMA. Tugas Ahir Jurusan Matematia, Institut Tenologi Sepuluh Nopember, Surabaya. [6] Fauzi, I H. 15. Perbandingan GSTAR dan ARIMA- Kalman Filter dalam Perbaian Hasil Predisi Debit Air Sungai Brantas. Jurnal ITS [7] Djawoto. 1. Peramalan Laju Inflasi dengan Metode Auto Regressive Integrateg Moving Average (ARIMA). Euitaas Vol. 14 No 4 Desember 1: [8] Galanis, G., Loua P., Katsafados, P., Kallos, G., dan Phytharoulis, I. (6). Application of Kalman Filter Based On Non-Linear Function to Numerical Weather Prediction. Copernicus GmbH:Yunani [9] Wei, W.S (6). Time Series Analysis Univariate and Multivariate Methods. Pearson Education Inc.: Ameria.
BAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
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 terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
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 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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
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 Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciMATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip
MAA KULIAH MEODE RUNUN WAKU Oleh : Entit Puspita Nip 08 JURUSAN PENDIDIKAN MAEMAIKA FAKULAS PENDIDIKAN MAEMAIKA DAN ILMU PENGEAHUAN ALAM UNIVERSIAS PENDIDIKAN INDONESIA 00 //00 Entit Puspita BEBERAPA KONSEP
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 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 terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
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 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 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 terperinciESTIMASI INFLASI WILAYAH KERJA KPwBI MALANG MENGGUNAKAN ARIMA-FILTER KALMAN DAN VAR-FILTER KALMAN
TUGAS AKHIR - SM 141501 ESTIMASI INFLASI WILAYAH KERJA KPwBI MALANG MENGGUNAKAN ARIMA-FILTER KALMAN DAN VAR-FILTER KALMAN POPY FEBRITASARI NRP 1212 100 056 Dosen Pembimbing Prof. Dr. Erna Apriliani, M.Si
Lebih terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
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 terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciMeytaliana F Dosen Pembimbing: Prof. Dr. Basuki Widodo, M.Sc. Dra. Nuri Wahyuningsih, M.Kes.
ESTIMASI PARAMETER AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) (STUDI KASUS PERAMALAN CURAH HUJAN DAS BRANGKAL MOJOKERTO) Meytaliana F. 1210100014
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 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 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 terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
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 terperinciTransformasi Wavelet Diskret Untuk Data Time Series
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 015 Transformasi Wavelet Disret Untu Data Time Series S - 11 11 Vemmie Nastiti Lestari, Subanar Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
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 terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
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 terperinciIDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD
JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia
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 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 terperinciPendekatan Regresi Nonparametrik Spline Untuk Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol., No., (0) -50 (0-9X Print) D- Pendeatan Regresi Nonparametri Spline Untu Pemodelan Laju Pertumbuhan Eonomi (LPE) di Jawa Timur Elfrida Kurnia Litawati dan I Nyoman Budiantara
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciHALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...
HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...
Lebih 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 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 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 terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih 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 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 terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciPENERAPAN AKAR KUADRAT PADA ENSEMBLE KALMAN FILTER (EnKF) ABSTRAK
PENERAPAN AKAR KUADRA PADA ENSEMBLE KALMAN FILER (EnKF) Jasmir 1, Erna Apriliani 2, Didi Khusnul Arif 3 Email: ijas_1745@yahoo.co.id ABSRAK Ensemble Kalman Filter (EnKF) merupaan salah satu metode untu
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciPeramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada
Estimasi Parameter Autoregressive Integrated Moving Average (ARIMA) Menggunakan Algoritma Particle Swarm Optimization (PSO) (Studi Kasus: Peramalan Curah Hujan DAS Brangkal, Mojokerto) Meytaliana Factmawati,
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
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 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciPemodelan Vector Autoregresive (VAR) pada Komoditas Harga Cabai di Jawa Tengah
Pemodelan Vector Autoregresive (VAR) pada Komoditas Harga Cabai di Jawa Tengah Memi Nor Hayati 1, Alan Prahutama 2,*, Hasbi Yasin 2, Tiani Wahyu Utami 3 1 Program Studi Statistika, Universitas Mulawarman
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 terperinciBAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan
Lebih terperinciPERAMALAN NILAI EKSPOR DAN NILAI IMPOR INDONESIA KE JEPANG MENGGUNAKAN MODEL VARIMA
PERAMALAN NILAI EKSPOR DAN NILAI IMPOR INDONESIA KE JEPANG MENGGUNAKAN MODEL VARIMA, Universitas Negeri Malang E-mail: desyulvia@gmail.com Abstrak: Penulisan skripsi ini bertujuan untuk mempelajari Model
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciModel Geographically Weighted Negative Binomial Regression (GWNBR) untuk Data Kejahatan
Model Geographically Weighted Negative Binomial Regression (GWNBR) untu Data Kejahatan (Studi Kasus 38 Kabupaten/Kota di Jawa Timur) Herlin Venny Johannes 1,a), Septiadi Padmadisastra,b), Bertho Tantular
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
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 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 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 terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciSedangkan model fungsi transfer bentuk kedua adalah sebagai berikut :
1 Metode Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 255 dengan Pendekatan Fungsi Transfer Dwi Listya Nurini, Brodjol Sutijo SU Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
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 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 terperinciPERAMALAN DEBIT AIR SUNGAI BRANTAS DENGAN MODEL GSTAR DAN ARIMA. Abstrak
PERAMALAN DEBIT AIR SUNGAI BRANTAS DENGAN MODEL GSTAR DAN ARIMA Oleh: Henny Dwi Khoirun Nisa 25 44 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPembentukan model neural network untuk data time series dengan intervensi dan aplikasinya pada data IHK
J. Sains Dasar 2 (2) 9-95 Pembentuan model neural networ untu data time series dengan intervensi dan apliasinya pada data IHK (Formation of neural networ models for time series data with intervention and
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
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 terperinciTugas Akhir. Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA. Oleh : C. Ade Kurniawan
Tugas Akhir Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA Oleh : C. Ade Kurniawan 1304100022 Latar Belakang Ketidakpastian dalam aliran hulu supply
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
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 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 terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
Lebih terperinciSeminar Tesis AKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) UNTUK ESTIMASI POSISI PELURU KENDALI
Seminar Tesis AKAR KUADRAT ENSEMBLE KALMAN FILTER () UNTUK ESTIMASI POSISI PELURU KENDALI OLEH : Teguh Herlambang (121 21 14) DOSEN PEMBIMBING: Subchan, PhD (1971513 19972 1 1 ) Dr. Erna Apriliani, M.Si
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinci