ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
|
|
- Hendri Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama : Zahroh Atiqoh NRP : Dosen Pembimbing : 1. Dra. Nuri Wahyuningsih, MKes 2. Drs. Sulistiyo, MT Jurusan Matematika Fakultas Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2010
2 ABSTRAK Peramalan debit air sungai merupakan salah satu langkah untuk mengantisipasi ketidakstabilan aliran sungai. Salah satu metode yang dapat digunakan dalam peramalan debit air sungai adalah metode time series. Model ARMA (autoregressive moving average) merupakan salah satu model time series. Pada proses peramalan, setelah identifikasi model dilakukan estimasi parameter. Untuk mengestimasi parameter model ARMA digunakan pendekatan conditional least square dan selanjutnya dioptimalkan dengan menggunakan goal programming. Model ARMA untuk ratarata bulanan debit air sungai Brantas stasiun pengamatan Kediri adalah: Dengan:
3 PENDAHULUAN
4 LATAR BELAKANG Debit Air Sungai Peramalan Time Series Model ARMA Goal Programming
5 RUMUSAN MASALAH Permasalahan yang akan dibahas dalam tugas akhir adalah : 1. Bagaimana model yang sesuai berdasarkan analisis yang dilakukan terhadap debit air sungai. 2. Bagaimana hasil peramalan debit air sungai untuk periode mendatang dengan memanfaatkan model yang telah diperoleh.
6 BATASAN MASALAH Pada tugas akhir ini, dibuat batasan masalah sebagai berikut : 1. Data yang digunakan pada tugas akhir ini adalah data sekunder yaitu data rata-rata bulanan debit air sungai Brantas stasiun pengamatan Kediri yang dimulai pada Januari tahun 2000 sampai dengan April tahun Data diambil dari stasiun pengamatan yang jumlah debit air sungainya hanya dipengaruhi oleh air hujan dan air tanah. 3. Data yang diperoleh diasumsikan stasioner terhadap mean.
7 TUJUAN PENELITIAN Tujuan dari tugas akhir ini adalah : 1. Memperoleh model yang sesuai berdasarkan analisis yang dilakukan terhadap debit air sungai. 2. Mengetahui besar peramalan debit air sungai untuk periode mendatang dengan memanfaatkan model yang telah diperoleh.
8 MANFAAT PENELITIAN Manfaat yang diharapkan dari tugas akhir ini adalah: 1. Model yang didapat diharapkan mempermudah Perum Jasa Tirta I dalam mendapatkan prediksi debit air sungai pada periode mendatang. 2. Memberikan gambaran tentang langkahlangkah mendapatkan model ARMA untuk sungai yang lain.
9 TINJAUAN PUSTAKA
10 dengan: MODEL ARMA Bentuk umum model ARMA (p,q): Zt 1Z t1... pzt p at 1at 1... qa atau ( B ) Z ( B) a Z t a t p t : besarnya pengamatan (kejadian) pada waktu ke-t : konstanta model q t : suatu proses white noise atau galat pada waktu ke-t, 1 2,..., p : parameter autoregressive,..., : parameter moving average 1, 2 p tq
11 LANJUTAN MODEL ARMA ARMA (p,q)(p,q) S adalah model ARMA reguler dan ARMA musiman. Bentuk umum ARMA (p,q)(p,q) S adalah: P S BZ t q B Q ( B at ( S B ) p ) dengan: 1, 2,...,,..., 1, 2 P Q : parameter autoregressive musiman : parameter moving average musiman
12 IDENTIFIKASI Syarat terpenting yang harus dipenuhi agar data dapat diolah dengan metode time series adalah stasioner, baik dalam mean maupun varian. Sebuah deret disebut stasioner jika sifat statistiknya bebas dari waktu periode selama pengamatan. Untuk mengatasi ketidakstationeran dalam varian perlu dilakukan transformasi terlebih dahulu. Transformasi yang biasa digunakan adalah transformasi Box-Cox. Nilai (parameter transformasi) yang umum digunakan dalam transformasi Box-Cox dapat dilihat pada Tabel 2.1. Tabel 2.1 Transformasi Box-Cox Transformasi 1/ Z t Z t 1/ ln Z t Z t Z t
13 ACF & PACF Autokorelasi adalah korelasi antar deret pengamatan suatu time series, sedangkan Autocorrelation Function (ACF) menggambarkan kovarian dan korelasi antara pengamatan pada waktu ke-t dengan pengamatan pada waktu ke-t+k yang dipisahkan oleh k lag, sehingga persamaan ACF dapat dirumuskan sebagai berikut: Partial Autocorrelation Function (PACF) digunakan mengukur keeratan hubungan dan setelah dependensi linier dalam varian dihilangkan. (Wei, 1990). Nilai PACF dapat dihitung dengan menggunakan persamaan sebagai berikut: n t t k n k k t t k k Z Z Z Z Z Z ) ( ) )( ( 1 1 1, 1 1 1, ˆ ˆ 1 ˆ ˆ ˆ ˆ k j j j k k j j k j k k kk
14 ESTIMASI DAN UJI SIGNIFIKANSI Pada penelitian ini metode yang digunakan untuk mengestimasi parameter Model ARMA adalah Conditional Least Squares (CLS) dengan bentuan software Minitab. Model ARMA yang baik adalah model yang menunjukkan bahwa penaksiran parameternya signifikan. Secara umum, misalkan adalah suatu parameter pada model ARMA dan ˆ adalah nilai taksiran dari parameter tersebut, serta SE( ˆ) adalah standar error dari ˆ, maka uji kesignifikanan parameter dapat dilakukan dengan hipotesa sebagai berikut: Hipotesa: H 0 : H 1 : 0 0 Statistik uji: t ˆ SE( ˆ)
15 LANJUTAN ESTIMASI DAN UJI SIGNIFIKANSI H 0 ditolak jika dengan: n p : banyaknya parameter yang ditaksir atau H 0 ditolak jika P-value < t t, df n 2 n p
16 DIAGNOSTIC CHECKING DAN OVERFITTING Pemeriksaan diagnostik pada residual meliputi uji asumsi white noise (independen dan identik) dan berdistribusi normal. Pengujian dengan menggunakan uji L-jung Box dilakukan dengan hipotesa sebagai berikut: Hipotesa: H 0 H 1 : minimal ada satu nilai, k = 1, 2,..., K. Statistik uji: dengan: K n Q ˆ k : k 0 n K 2 k k 1 2 n ( n k) 1 ˆ : lag maksiumum : banyak pengamatan k 0 : sampel ACF residual pada lag-k.
17 LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING Daerah Kritis : H 0 ditolak jika dengan p dan q adalah order dari ARMA. Untuk mengetahui apakah residual berdistribusi normal atau tidak dilakukan uji Kolmogorov Smirnov dengan hipotesa sebagai berikut: Hipotesa: H 0 H 1 Q : F( at ) F0 ( a t ) : F( at ) F0 ( at ) Statistik Uji: D Sup S( at ) F0 ( at a t 2 (1 ); df K pq )
18 LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING dengan: S( a t F ( a 0 t F( a t ) ) : fungsi peluang kumulatif yang dihitung dari data sampel. ) : fungsi peluang kumulatif distribusi yang dihipotesiskan. : fungsi distribusi yang belum diketahui Sup : nilai supremum untuk semua Daerah Kritis: H 0 ditolak jika D atau P-value <, dengan = 5%. D 1, n Salah satu prosedur diagnostic checking yang dikemukakan oleb Box dan Jenkins adalah overfitting. Yaitu penggunaan beberapa parameter lebih banyak daripada yang diperlukan. Ini merupakan prosedur yang berguna meskipun memerlukan banyak waktu. a t
19 GOAL PROGRAMMING Goal programming merupakan salah satu teknik optimasi dari beberapa tujuan yang dikembangkan dari linier programming dalam riset operasi. Bentuk umum dari goal programming yang digunakan dalam mengestimasi parameter model ARMA adalah: min NT i1 U m EP i V EN dan fungsi kendalanya adalah: AR AR m i m = 1,2,3,...,12 (2.3) 1 X i1... ARn X in MA1 Ri 1... MAn Rin SAR 1 X i12... SAR n X in12 SMA 1 Ri SMAn Rin 12 Cm EP EN 1 div i X i... MA1 Ri 1... MAn Rin SAR 1 X i12 SAR n X in12 SMA 1 Ri SMAn Rin 12 Cm EP EN 1 div i X i 1 X i1 ARn X in... 0 EP 0 EN Ediv i X i Ediv i X i
20 LANJUTAN GOAL PROGRAMMING dengan: AR : parameter autoregressive MA : parameter moving average SAR : parameter autoregressive musiman SMA : parameter moving average musiman U,V : koefisien deviasi bulanan dari nilai sebenarnnya (prioritas) EP : error relatif positif EN : dan negatif div : error relatif untuk peramalan Ediv : error relatif maksimum untuk peramalan X : nilai data R : nilai residual Cm : konstanta dalam model NT : jumlah data
21 PEMILIHAN MODEL TERBAIK Untuk menentukan model terbaik dapat digunakan beberapa kriteria antara lain kriteria in-sample dan out-sample. Kriteria insample antara lain AIC dan SBC. Kriteria out-sample antara lain RMSE dan MAPE. Penjelasan mengenai kriteria pemilihan model adalah sebagai berikut: 1. AIC (Akaike s Information Criterion) Kriteria AIC dirumuskan sebagai berikut: AIC(M) nln ˆ 2 a 2M dengan; n : banyaknya residual 2 ˆ a : estimasi dari varians residual M : jumlah parameter dalam model 2. SBC (Schwart z Bayesian Criterion) Schwartz (1978) menggunakan kriteria Bayesian dalam pemilihan model terbaik yang disebut dengan SBC dengan perumusan sebagai berikut : SBC(M) = n ln ˆ 2 a M ln n
22 LANJUTAN PEMILIHAN MODEL TERBAIK 3. Mean Square Error (MSE) Kriteria MSE dirumuskan sebagai berikut MSE n t1 ˆ 2 Z Z t n t Pada penelitian ini akan digunakan kriteria RMSE (Root Mean Square Error), dengan nilai RMSE = MSE 4. Mean Absolute Percentage Error (MAPE) Kriteria MAPE dirumuskan sebagai berikut : MAPE n t1 Z t n Zˆ Z t t 100 %
23 DEBIT AIR Dalam hidrologi dikemukakan, debit air sungai adalah, tinggi permukaan air sungai yang terukur oleh alat ukur pemukaan air sungai. Pengukurannya dilakukan tiap hari, atau dengan pengertian yang lain debit atau aliran sungai adalah laju aliran air (dalam bentuk volume air) yang melewati suatu penampang melintang sungai per satuan waktu. Dalam sistem satuan SI besarnya debit dinyatakan dalam satuan meter kubik per detik (m 3 /dt).
24 METODOLOGI PENELITIAN
25 LANGKAH-LANGKAH Pembentukan model ARMA Pada pembentukan model ARMA dilakukan dengan langkah-langkah sebagai berikut: 1. Data dibagi menjadi dua, yaitu data in sample dan data out sample. 2. Melakukan identifikasi Model ARMA dengan langkah sebagai berikut: a. Membuat time series plot untuk melihat kestationeran data, jika data belum stationer dalam varian maka dilakukan transformasi. b. Membuat plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) dari data yang sudah stasioner. 3. Melakukan estimasi dan uji signifikansi parameter model ARMA(p, q)(p,q) s. 4. Melakukan diagnostic checking, yang meliputi uji residual white noise dan uji kenormalan residual. 5. Melakukan overfitting yaitu mencoba beberapa model yang lain. 6. Melakukan estimasi parameter model ARMA menggunakan goal programming sebagai pengoptimalan dari hasil estimasi parameter model yang telah dilakukan sebelumnya.
26 LANJUTAN LANGKAH-LANGKAH 7. Melakukan seleksi model untuk menentukan model terbaik dengan menghitung nilai AIC, SBC, RMSE, MAPE dari seluruh model yang mungkin. Peramalan Peramalan debit sungai dilakukan dengan memanfaatkan model yang telah diperoleh. Penarikan Kesimpulan a. Diperoleh model yang sesuai dan terbaik untuk memprediksi debit air sungai. b. Penggunaan model yang telah diperoleh untuk memprediksi debit air sungai pada periode mendatang. Program yang digunakan dalam penelitian ini adalah Minitab dan LINDO.
27 PEMBAHASAN
28 transformasi 1 StDev debit ait (in sampel) StDev IDENTIFIKASI Identifikasi Model Time Series Plot of debit ait (in sampel) Box-Cox Plot of debit ait (in sampel) Lower CL Upper CL Lambda (using 95,0% confidence) Estimate -0, Lower CL -0,36 Upper CL 0, Rounded Value 0, Index ,0-2,5 0,0 Lambda 2,5 5,0 Limit Gambar 5.1 Plot Time Series dan Stasiun Kediri Box-Cox (In Sample) Debit Air Time Series Plot of transformasi 1 Box-Cox Plot of transformasi 1 6,0 0,36 Lower CL Upper CL Lambda 5,5 5,0 0,35 0,34 0,33 (using 95,0% confidence) Estimate 0,67 Lower CL -0,79 Upper CL 2,10 Rounded Value 0,50 0,32 4,5 0,31 4,0 0,30 0,29 3,5 0,28 Limit Index ,27-5,0-2,5 0,0 Lambda 2,5 5,0 Gambar 5.2 Plot Time Series dan Box-Cox Transformasi
29 transformasi 2 StDev LANJUTAN IDENTIFIKASI Time Series Plot of transformasi 2 Box-Cox Plot of transformasi 2 2,4 0,069 Lower CL Upper CL Lambda (using 95,0% confidence) 2,3 2,2 0,068 0,067 Estimate 1,35 Lower CL -1,51 Upper CL 4,35 Rounded Value 1,00 2,1 0,066 2,0 1,9 0,065 0,064 Limit 1,8 0, ,0-2,5 0,0 2,5 5,0 Index Lambda Gambar 5.3 Plot Time Series dan Box-Cox Transformasi Pada Gambar 5.3 terlihat bahwa data debit air sudah stasioner dalam varian karena diperoleh λ=1.
30 Partial Autocorrelation Autocorrelation LANJUTAN IDENTIFIKASI Autocorrelation Function for transformasi 2 (with 5% significance limits for the autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Partial Autocorrelation Function for transformasi 2 (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar 5.4 Plot ACF dan PACF Transformasi
31 ESTIMASI DAN UJI SIGNIFIKANSI Tabel 5.1 Estimasi Parameter Debit Air Model ARMA(2,2)(0,0) Par Estimasi Standart Error t hitung P value 1,6762 0, ,04 0-0,9295 0, ,98 0 1,1324 0, ,47 0-0,5336 0,0975-5,47 0 0, , ,03 0 Pada Gambar 5.4 pola dari ACF adalah cuts off setelah lag 2 dan pola dari PACF adalah cuts off setelah lag 2. Maka untuk sementara, model yang diduga adalah ARMA(2,2)(0,0). Selanjutnya akan dilakukan estimasi parameter dan pengujian signifikansi parameter dari model tersebut dengan menggunakan statistik uji t-student dengan.
32 LANJUTAN ESTIMASI DAN UJI SIGNIFIKANSI Hasil estimasi parameter dapat dilihat pada tabel 5.1 kolom 2 dan pengujian signifikansi masing-masing parameter adalah sebagai berikut: Uji Signifikansi Parameter Hipotesis: Statistik Uji : Karena atau maka H 0 ditolak artinya parameter signifikan.
33 DIAGNOSTIC CHECKING DAN OVERFITTING Begitu juga untuk uji signifikansi parameter yang lain yaitu parameter 2, 1, 2, dapat dilakukan dengan cara yang sama seperti pada parameter. Berdasarkan hasil uji signifikasi paramater 1, 2, 1, 2, dapat disimpulkan bahwa pada model ARMA(2,2)(0,0) semua parameternya signifikan. Diagnostic Checking dan Overfitting Ada dua asumsi yang harus dipenuhi dalam menentukan kecukupan model, yaitu residual bersifat white noise dan berdistribusi normal. Pengujian asumsi residual white noise dapat dilakukan dengan menggunakan uji Ljung-Box, sebagai berikut : Hipotesis: minimal ada satu, dengan
34 LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING Statistik uji Ljung-Box : Untuk K = 12 maka: = 17,723 Dengan cara yang sama seperti perhitungan di atas maka untuk K = 12, 24, 36, dan 48 hasil yang diperoleh dapat dilihat pada Tabel 5.2. Karena pada lag 12 dan 24 atau maka H 0 ditolak artinya residual tidak white noise.
35 LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING Tabel 5.2 Uji Asumsi Residual White noise ARMA(2,2)(0,0) Lag Q P-value 12 17,7 14,0671 0, ,3 30,144 0, ,3 44,9853 0, ,2 59,3035 0,085 Sedangkan pengujian asumsi distribusi normal dapat dilakukan dengan menggunakan uji Kolmogorov-Smirnov,. Pengujian ini dapat dilakukan melalui hipotesis sebagai berikut : Hipotesis :
36 Percent LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING Statistik uji : D Sup S( x) F0 ( x) 0, x D, n D0.05,108 0,11739 Karena maka H 0 diterima artinya residual model berdistribusi normal. Hal ini sesuai dengan hasil yang ada pada Gambar 5.5 yaitu yang berarti residual model berdistribusi normal. Probability Plot of (2,2)(0,0) Normal 99, Mean 0, StDev 0,08038 N 108 KS 0,046 P-Value >0, ,1-0,3-0,2-0,1 0,0 (2,2)(0,0) 0,1 0,2 0,3 Gambar 5.5 Plot Kenormalan Residual Model ARMA(2,2)(0,0)
37 LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING Dari hasil pengujian parameter signifikan, residual tidak white noise dan residual berdistribusi normal dapat disimpulkan bahwa model ARMA(2,2)(0,0) tidak sesuai untuk deret in sample debit air stasiun Kediri. Selanjutnya dilakukan overfitting dengan melihat kemungkinan model-model yang lain, yaitu ARMA(2,1)(0,0), ARMA(2,1)(0,1) 12, ARMA(2,1) (0,2) 12, ARMA(1,0)(1,1) 12. Dari estimasi parameter, uji signifikansi parameter, uji residual white noise, dan uji kenormalan residual, maka model ARMA(2,1)(0,0) dan ARMA(2,1)(0,1) 12 memenuhi kecukupan model. Hal ini dapat dilihat pada Tabel 5.6.
38 LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING Tabel 5.3 Estimasi dan Uji Signifikansi Model Parameter t hitung t tabel P value Keputusan ARMA (2,1)(0,0) = 1, , signifikan = -0,7494-8,98 0 signifikan = 0,6341 4,3 0 signifikan = 0, ,66 0 signifikan (2,1)(0,1) 12 = 1,4903 9,78 1, signifikan = -0,6733-6,45 0 signifikan = 0,6657 3,62 0 signifikan = -0,3204-3,34 0,001 signifikan = 0, ,28 0 signifikan
39 LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING Model ARMA Parameter t hitung t tabel P value Keputusan (2,1)(0,2) 12 = 1, ,75 1, signifikan = -0,6958-6,89 0 signifikan =0,6509 3,74 0 signifikan = -0,2895-2,79 0,006 signifikan = 0,0805 0,73 0,469 Tidak signifikan = 0, ,93 0 signifikan (1,0)(1,1) 12 = 0,6702 9,07 1,983 0 signifikan = 1, ,12 0 signifikan = 0,8882 9,77 0 signifikan = -0,0032 1,77 0,079 Tidak signifikan
40 LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING Tabel 5.4 Uji Residual White Noise Model Lag Q P value Kepu ARMA tusan (2,1)(0,0) 12 12,95 15,5073 0,114 white noise 24 27,6 31,4104 0,118 white noise 36 41,9 46,1943 0,112 white noise 48 57,7 60,4809 0,081 white noise (2,1)(0,1) ,1 14,0671 0,323 white noise 24 24,8 30,1435 0,168 white noise 36 38,6 44,9853 0,164 white noise 48 55,3 59,3035 0,099 white noise (2,1)(0,2) ,6 12,5916 0,264 white noise 24 23,5 28,8693 0,171 white noise 36 36,1 43,7730 0,206 white noise 48 54,1 58,1240 0,100 white noise
41 LANJUTAN DIAGNOSTIC CHECKING DAN OVERFITTING Model Lag Q P value Kepu ARMA tusan (1,0)(1,1) ,4 15,5073 0,494 white noise 24 24,1 31,4104 0,328 white noise 36 33,1 46,1943 0,415 white noise 48 42,1 60,4809 0,525 white noise Tabel 5.5 Uji Kenormalan Residual Model D D P value Keputusan,n ARMA (2,1)(0,0) 0, ,11739 >0,150 mengikuti distribusi normal (2,1)(0,1) 12 0,04639 >0,150 mengikuti distribusi normal (2,1)(0,2) 12 0,00339 >0,150 mengikuti distribusi normal (1,0)(1,1) 12 0,03699 >0,150 mengikuti distribusi normal
42 ESTIMASI PARAMETER MENGGUNAKAN GP Tabel 5.6 Kecukupan Model Model ARMA Uji Signifikansi Uji Residual White Noise Uji Kenormalan Residual (2,2)(0,0) signifikan tidak white noise berdistribusi normal (2,1)(0,0) signifikan white noise berdistribusi normal (2,1)(0,1) 12 signifikan white noise berdistribusi normal (2,1)(0,2) 12 tidak signifikan white noise berdistribusi normal (1,0)(1,1) 12 tidak signifikan white noise berdistribusi normal Estimasi Parameter menggunakan Goal Programming Dari dua model yang telah memenuhi kecukupan model, akan dilakukan estimasi atau penaksiran parameternya dengan menggunakan goal programming. Tujuannya adalah untuk meminimalisasi deviasi.
43 LANJUTAN ESTIMASI PARAMETER MENGGUNAKAN GP ARMA (2,1)(0,0) Dengan menggunakan persamaan (2.3) didapatkan: AR1 = 0,756629, AR2 = 0, MA1 = 0, Cm = 0,53481 ARMA (2,1)(0,1) 12 Dengan menggunakan persamaan (2.3) didapatkan: AR1 = 0,791156, AR2 = 0, MA1 = 0, SMA1 = 0, Cm = 0, Metode goal programming dapat meminimalkan deviasi atau penyimpangan pada deret out sampel. Hal ini dapat dilihat pada Tabel 5.7. Oleh karena itu, model ARMA yang parameternya telah diestimasi menggunakan goal programming lebih akurat (dari pada yang sebelum diestimasi menggunakan goal programming) untuk digunakan pada peramalan debit air.
44 PEMILIHAN MODEL TERBAIK Tabel 5.7 Mean Absolut Error Mode ARMA Metode Mean absolut error Deret in sample Deret out sample (2,1)(0,0) CLS 0, , GP 0, , (2,1)(0,1) 12 CLS 0, , GP 0, , Pemilihan Model Terbaik Tabel 5.8 Seleksi Model Model ARMA In sample Out sample AIC SBC RMSE MAPE (2,1)(0,0) -496,01-485,358 0, ,8544% (2,1)(0,1) ,55-433,731 0, ,4486%
45 PERAMALAN Dari hasil Tabel 5.8, terlihat bahwa model ARMA(2,1)(0,1) 12 adalah model terbaik untuk peramalan debit air karena memiliki nilai RMSE dan MAPE yang lebih kecil dibandingkan dengan model yang lain. Peramalan Hasil peramalan delapan periode berikutnya berdasarkan model yang diperoleh adalah sebagai berikut: Tabel 5.9 Peramalan Debit Air (dalam m 3 / detik) Periode Forecast Periode Forecast Mei ,5882 September ,5817 Juni ,0118 Oktober ,3893 Juli ,2268 November ,7165 Agustus ,8916 Desember ,1544
46 PENUTUP
47 KESIMPULAN DAN SARAN Dari analisa yang dilakukan, diperoleh kesimpulan sebagai berikut: 1. Model yang sesuai untuk peramalan debit air sungai Brantas pada stasiun pengamatan Kediri adalah: ARMA(2,1)(0,1) 12 atau: dengan: AR1 = 0,791156, AR2 = 0, MA1 = 0, SMA1 = 0, Cm = 0, Rata-rata debit air sungai pada bulan Mei tahun 2010 sampai dengan Desember tahun 2010 adalah 143,82 m 3 /detik dan standar deviasinya adalah 25,15 m 3 /detik. Pada penelitian ini menggunakan data rata-rata bulanan. Maka disarankan pada penelitian selanjutnya menggunakan data yang lebih banyak seperti rata-rata harian. Selain itu, disarankan pula menggunakan goal programming untuk mengestimasi parameter model selain ARMA, seperti ARIMA, ARFIMA, maupun model yang lainnya.
48 DAFTAR PUSTAKA 1. Daniel, W. W Statistika Non Parametrik Terapan. Jakarta: Penerbit PT. Gramedia. 2. Makridakis, W. M. G Metode dan Aplikasi Peramalan. Edisi kedua. Bina Rupa Aksara. Jakarta. 3. Mohammadi, K., Eslami H.R., dan Kahwita R. May Parameter estimation of an ARMA model for rifer flow forecasting using goal programming. Journal of Hydrology 331, Mulyono, S Operation Research. Jakarta: Fakultas Ekonomi Universitas Indonesia. 5. Perum Jasa Tirta I Profil Perusahaan Perum Jasa Tirta I. Malang. (diakses tanggal 5 Juli 2010) 6. Salamah, M., Suhartono., dan Wulandari S Analisis Time Series. Surabaya: Jurusan Statistika ITS. 7. Suharti, T Pengelolaan sungai, danau, dan waduk untuk konservasi sumber daya air. ipb/09145/titing_suharti.pdf (diakses tanggal 4 Juli 2010) 8.Wei, W.W.S Time Series Analysis: Univariate and Multivariate Methods. United State of America: Addison-Wesley Publishing Company.
49 TERIMA KASIH
PERAMALAN 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciPeramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada
Estimasi Parameter Autoregressive Integrated Moving Average (ARIMA) Menggunakan Algoritma Particle Swarm Optimization (PSO) (Studi Kasus: Peramalan Curah Hujan DAS Brangkal, Mojokerto) Meytaliana Factmawati,
Lebih terperinciPERAMALAN 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 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 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 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 VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: NURKHOIRIYAH 1205100050 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. 1 Latar
Lebih 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 terperinciPENDEKATAN MODEL EKONOMETRIKA UNTUK MEMPREDIKSI INDEKS SAHAM SYARIAH INDONESIA
PENDEKATAN MODEL EKONOMETRIKA UNTUK MEMPREDIKSI INDEKS SAHAM SYARIAH INDONESIA Nuri Wahyuningsih 1), Daryono Budi U. 2), R.A. Diva Zatadini 3) 1)2))3) Departemen Matematika FMIPA ITS Kampus ITS Keputih,
Lebih 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 terperinciPEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION
PEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION Oleh NYOMAN PANDU WIRADARMA (1308 100 052) Dosen Pembimbing 1
Lebih 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 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 terperinci99.9. Percent maka H 0 diterima, berarti residual normal
Uji residual white noise 2 Lag Q P value 6 3.5 9.49 0.5330 2 6.6 8.3 0.803 8 9.8 26.30 0.9059 24 9.3 33.92 0.6374 K p q Uji residual berdistribusi normal Percent 99.9 99 95 90 80 70 60 50 40 30 20 0 5
Lebih 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 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 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 terperinciPERAMALAN JUMLAH PENERIMAAN MASA PPh Pasal 21 DI KANTOR PELAYANAN PAJAK PRATAMA SURABAYA GUBENG
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENERIMAAN MASA PPh Pasal 21 DI KANTOR PELAYANAN PAJAK PRATAMA SURABAYA GUBENG Pratiwi Penta Atrivi NRP 1314 030 009 Dosen Pembimbing Dra Lucia Aridinanti, MT DEPARTEMEN
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 terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciPERAMALAN JUMLAH 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 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 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 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 terperinciPeramalan Volume Distribusi Air di PDAM Kabupaten Bojonegoro dengan Metode ARIMA Box- Jenkins
Peramalan Volume Distribusi Air di PDAM Kabupaten Bojonegoro dengan Metode ARIMA Box- Jenkins Fastha Aulia P / 1309030018 Pembimbing: Ir.Dwiatmono Agus M.Ikomp Latar Belakang Air sebagai sumber kehidupan
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI. Oleh: IRLIZANTY YULYANTIKA RAHADI
PERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI Oleh: IRLIZANTY YULYANTIKA RAHADI 6 4 Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes Abstrak Indeks harga saham merupakan suatu indikator yang
Lebih 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 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 terperinciPENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: Nurkhoiriyah 1205100050 Dosen pembimbing: Dra. Nuri Wahyuningsih, M. Kes. Jurusan
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada
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 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 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 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 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 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 terperinciPeramalan Permintaan Pengujian Sampel Di Laboratorium Kimia Dan Fisika. Baristand Industri Surabaya)
Peramalan Permintaan Pengujian di Lab. Kimia dan Fisika (Aneke Rintiasti, Erna Hartati, Nunun Hilyatul M.) Peramalan Permintaan Pengujian Sampel Di Laboratorium Kimia Dan Fisika Baristand Industri Surabaya
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 terperinciPerbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG
JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) A-34 Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG Mey Lista Tauryawati
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 terperinciJurnal EKSPONENSIAL Volume 8, Nomor 1, Mei 2017 ISSN
Jurnal EKSPONENSIAL Volume 8, Nomor, Mei 07 ISSN 085-789 Peramalan dengan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) di Bidang Ekonomi (Studi Kasus: Inflasi Indonesia) Forecasting
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih terperinciPERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL
E-Jurnal Matematika Vol. 5 (4), November 2016, pp. 183-193 ISSN: 2303-1751 PERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL Ni Putu Mirah Sri Wahyuni 1, I Wayan Sumarjaya 2, I Gusti Ayu Made
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 terperinciPERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK
PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI Trio Yonathan Teja Kusuma 1, Sandra Praharani Nur Asmoro 2 1,2)
Lebih terperinciPERAMALAN TRAFIK SMS AREA JABOTABEK DENGAN METODE ARIMA
JURNAL TEKNIK POMITS Vol. 1, No. 1, (212) 1-6 1 PERAMALAN TRAFIK SMS AREA JABOTABEK DENGAN METODE ARIMA Lusi Alvina Tofani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
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 terperinciPeramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS
Jurnal EKSPONENSIAL Volume 3, Nomor, Mei 2 ISSN 8-7829 Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2 Dengan Metode ARIMA BOX-JENKINS Forecasting The Number
Lebih 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 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 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 terperinciBAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciOPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING. Oleh: Rossy Susanti ( )
OPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING Oleh: Rossy Susanti (1207 100 007) Dosen Pembimbing: Drs. Suharmadi S., DiplSc.,MPhil JURUSAN MATEMATIKA
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 terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciPERAMALAN JUMLAH 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 terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO PENDAHULUAN MODEL DATA DERET WAKTU BERDASARKAN PARAMETER PEMBEDA
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinci(S.4) PENDEKATAN METODE ALGORITMA GENETIK UNTUK IDENTIFIKASI MODEL ARIMA
(S.4) PENDEKATAN METODE ALGORITMA GENETIK UNTUK IDENTIFIKASI MODEL ARIMA Jimmy Ludin Mahasiswa Program Magister Jurusan Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh
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 terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 737-745 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DAYA LISTRIK BERDASARKAN JUMLAH PELANGGAN PLN MENGGUNAKAN
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 terperinciSEMINAR TUGAS AKHIR. Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik. Rina Wijayanti
SEMINAR TUGAS AKHIR Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik Rina Wijayanti 1306100044 Pembimbing Drs. Haryono, MSIE Dedi Dwi Prastyo, S.Si., M.Si.
Lebih terperinciPEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG MILIMETER
Mauludiyanto, Pemodelan ARIMA dan Deteksi Outlier Data Curah Hujan Sebagai Evaluasi Sistem Radio Gelombang Milimeter PEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG
Lebih terperinciPemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD
Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD Charisma Arianti, Arief Wibowo Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas Airlangga Surabaya Alamat Korespondensi:
Lebih terperinciPEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG MILIMETER
Mauludiyanto, Pemodelan ARIMA dan Deteksi Outlier Data Curah Hujan Sebagai Evaluasi Sistem Radio Gelombang Milimeter PEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG
Lebih terperinciOPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA)
OPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA) Ni Putu Deviyanti 1, Ni Ketut Tari Tastrawati 2, I Wayan Sumarjaya 3 1 Jurusan
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 terperinciPEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim
TE 091399 TUGAS AKHIR- 4 SKS PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA Oleh Nur Hukim Dosen Pembimbing Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D Ir. Achmad
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 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 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 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 terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
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 terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Perencanaan Produksi Menggunakan Model dan Pengendalian Persediaan Menggunakan Program Dinamik untuk Meminimumkan Total Biaya (Studi Kasus: Produksi Amplang UD. Usaha Devi) Production Planning using Model
Lebih terperinciPERAMALAN PRODUKSI TEH HIJAU DENGAN PENDEKATAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
PERAMALAN PRODUKSI TEH HIJAU DENGAN PENDEKATAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE Satrio Wijaksono 1, Wellie Sulistijanti 2 Akademi Statistika Muhammadiyah Semarang Satriowijaksono15@gmail.com Abstract
Lebih terperinciPERAMALAN PEMAKAIAN AIR BERSIH DI PDAM SUMBER POCONG KABUPATEN BANGKALAN
TUGAS AKHIR SS 145561 PERAMALAN PEMAKAIAN AIR BERSIH DI PDAM SUMBER POCONG KABUPATEN BANGKALAN MOH. ZAINUR ROFIK NRP 1314 030 050 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si Iis Dewi Ratih, S.Si., M.Si
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 terperinciPERAMALANAN PENERIMAAN JUMLAH PAJAK DAERAH SEBAGAI PENYUMBANG PENDAPATAN ASLI DAERAH DI KABUPATEN BLITAR
TUGAS AKHIR SS 145561 PERAMALANAN PENERIMAAN JUMLAH PAJAK DAERAH SEBAGAI PENYUMBANG PENDAPATAN ASLI DAERAH DI KABUPATEN BLITAR Intan Priandini NRP 1314 030 109 Dosen Pembimbing Dra. Destri Susilaningrum,
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciPemodelan 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 terperinci