Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tulisan ini membahas metode peramalan dengan pendekatan model runtun waktu Box-Jenkins yang merupakan proses pengembangan dari kombinasi proses Autofegresive (AR) dan proses Moving Average (MA) untuk runtun waktu tidak stasioner menjadi proses Autoregresive Integrated Moving Average (ARIMA). Pembahasan dimulai dengan unsur-unsur yang merupakan konsep analisa runtun waktu Box-Jenkins yaitu : Analisa runtun waktu stasioner dan tidak stasioner, Fungsi Autokovariansi, Fungsi Autokorelasi, Fungsi Autokorelasi parsial, Operator Back—Shift, dan Operator Diferensi. Dilanjutkan dengan menerangkan langkah-langkah penentuan model peramalan dengan metode runtun waktu Box-Jenkins yaitu : Identifikasi model, Estimasi parameter, dan Verifikasi."

"Skripsi ini membahas mengenai principal covariate regression pada suatu data runtun waktu. Principal covariate regression adalah suatu model regresi yang menggambarkan hubungan antara variabel respon dengan banyak variabel kovariat dengan taksiran parameternya diperoleh melalui peminimuman sebuah fungsi kriteria. Fungsi kriteria merupakan fungsi dari error peramalan dan error kompresi informasi variabel-variabel kovariat yang masing-masing sudah terboboti. Selanjutnya taksiran parameter ini disubstitusikan dalam Persamaan peramalan dan kemudian digunakan untuk meramal nilai variabel respon pada periode selanjutnya. Selain itu, pada tugas akhir ini juga diberikan contoh aplikasi peramalan runtun waktu dengan menggunakan principal covariate regression.

---

This paper discusses about principal covariate regression on time series data. Principal covariate regression is a regression model describes a relation between response variable and a large number of covariate variables with the estimation parameters are obtained by minimizing a single criterion. A single criterion is a weighted of forecast error and of predictor compression error. Furthermore, the estimation parameters are substituted in forecast equation and used to forecast value of response variable for next period. Besides, this paper also gives an application of time series forecasting by principal covariate regression."