PEMODELAN VOLATILITAS DALAM ANALISIS DATA MAKROEKONOMI STUDI KASUS PADA INFLASI.
|
|
- Yanti Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Prosiding Seminar Nasional Peneliian, Pendidikan dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 29 PEMODELAN VOLATILITAS DALAM ANALISIS DATA MAKROEKONOMI STUDI KASUS PADA INFLASI. Isnandar Slame 1), Irwan Susano 2), Wahyu Dewi Widyani ) dan Ismiyai Diniyah 4) 1,2) Jur. Maemaika FMIPA UNS Surakara. ) Alumni Jur. Maemaika FMIPA UNS 4) Mahasiswa Jur. Maemaika FMIPA UNS Absrak Pemodelan volailias dapa dilakukan keika erjadi heeroskedasisias. Model Auoregressive Condiional Heeroscedasic (ARCH) dan model Generalized Auoregressive Condiional Heeroscedasiciy (GARCH) digunakan dalam generalisasi asumsi heeroskedasisias. Tujuan peneliian ini adalah menyusun model volailias unuk kasus inflasi sera ramalannya unuk beberapa periode ke depan. Sebagai kesimpulan dapa dinyaakan proses heeroskedasisias bersyara yang paling sesuai unuk kasus inflasi adalah model ARIMA(,2,(12)). Kaa kunci: volailiy, reurn, model Auoregressive Condiional Heeroscedasic (ARCH), model Generalized Auoregressive Condiional Heeroscedasiciy (GARCH). PENDAHULUAN Laar Belakang Dalam analisis daa makroekonomi sering erjadi keadaan heeroskedasisias, yaiu eror yang memperlihakan adanya periode-periode yang relaif enang, kemudian diikui periodeperiode yang penuh gejolak (volailiy) (Subanar, 21). Banyak peneliian dilakukan berkaian dengan variansi model runun waku yang idak sabil, dianaranya Engle (1982), Enders (1995), Rockinger (21), Wahyu Dewi Widyani dan Isnandar Slame (29), dan Agung Ariyano dan Isnandar Slame (29). Model yang sering digunakan dalam memodelkan volailias adalah model Auoregressive Condiional Heeroscedasic (ARCH) (Engle, 1982). Pengembangan erhadap model ini dilakukan oleh Bollerslev (1986) yang dikenal dengan model Generalized Auoregressive Condiional Heeroscedasiciy (GARCH). Menuru Bollerslev (1986), model GARCH memberikan hasil yang lebih baik daripada model ARCH. Di negara berkembang seperi Indonesia, karena adanya berbagai gejolak, berakiba pada ingginya volailias nilai inflasi. Engle (1982) menunjukkan bahwa dalam menganalisa model inflasi, gala besar dan kecil sering erjadi pada kelompok yang berari elah erjadi heerosedasisias, dalam ari variansi error ramalan erganung pada ukuran gangguan sebelumnya. Menuru Tsay (22), dengan memodelkan volailiy dalam runun waku dapa menghasilkan efisiensi di dalam esimasi parameer dan keakuraan pada inerval ramalan. Rumusan masalah Rumusan masalah dalam peneliian ini adalah bagaimana model ARCH dan GARCH yang sesuai unuk kasus inflasi dan bagaimana ramalan inflasi menggunakan model ARCH dan GARCH. Tujuan dan Manfaa Peneliian Tujuan peneliian ini adalah unuk mendapakan model ARCH dan GARCH unuk kasus inflasi ramalan inflasi dan melakukan peramalan. Adapun manfaanya adalah dapa menambah wawasan mengenai penerapan maemaika khususnya analisis runun waku dalam menangani masalah sosial. METODE PENELITIAN Meode peneliian ini adalah sudi lieraur dan sudi kasus. Daa inflasi yang dimodelkan adalah daa inflasi periode Januari 2 sampai Sepember 28 yang merupakan daa bulanan, M-77
2 Isnandar S, Irwan S, Wahyu D.W & Ismiyai D/Pemodelan Volailias Dalam yang diambil dari websie Bank Indonesia. Daa yang diperoleh sebanyak 69. Analisis daa dilakukan dengan banuan sofware E-views. HASIL PENELITIAN DAN PEMBAHASAN Plo daa dapa diliha pada Gambar 1. Gambar 1 Plo daa inflasi Sasionerias daa dapa diliha melalui uji Augmened Dickey-Fuller aau disebu uji uni roo. Hasil uji uni roo dapa diliha pada Tabel 1, yang dapa disimpulkan bahwa daa inflasi belum sasioner. Tabel 1 Uji Uni roo Augmened Dickey-Fuller pada daa inflasi Null Hypohesis: SER1 has a uni roo Exogenous: Consan Lag Lengh: (Auomaic based on SIC, MAXLAG=1) -Saisic Prob.* Augmened Dickey-Fuller es saisic Tes criical values: 1% level -.5 5% level % level *MacKinnon (1996) one-sided p-values..1 Membenuk Daa Sasioner.1.1 Log Reurn Salah sau usaha unuk mensasionerkan daa adalah dengan mengubah daa ke benuk log reurn. Log reurn dirumuskan sebagai r = ln (Z / Z -1 ) dengan Z adalah daa pada waku. Plo log reurn dari daa inflasi dapa diliha pada Gambar 2. Gambar 2 Plo log reurn M-78
3 Prosiding Seminar Nasional Peneliian, Pendidikan dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 29 Uji uni roo unuk daa log reurn memberikan nilai lebih kecil dari ingka signifikasi α,5, sehingga hipoesis nul diolak. Jadi dapa disimpulkan bahwa daa log reurn elah sasioner. Nilai ACF dan PACF dari daa log reurn perlu diliha unuk pemodelan pada ahap selanjunya, yaiu meliha model apa yang kemungkinan dapa digunakan. Plo ACF dan PACF besera nilai saisik uji Ljung-Box Q saisik dapa diliha pada Gambar. Nilai ACF dan PACF dari daa log reurn menunjukkan nilai yang signifikan sama dengan nol unuk orde lag yang inggi (sebelum lag-7), sehingga daa log reurn idak dapa dimodelkan ke dalam model runun waku. Gambar Plo ACF dan PACF daa log reurn.1.2 Differencing (Pembedaan) Cara lain yang dapa digunakan unuk mengubah daa menjadi lebih sasioner adalah dengan differencing (pembedaan) yang dirumuskan sebagai D d (Z ) = (1 B) n Z. dengan Z adalah daa runun waku pada waku, d adalah besarnya nilai pembedaan, dan B adalah operaor Backshif. Pembedaan Perama Pembedaan perama dirumuskan sebagai D (Z ) = (1 B) Z = Z Z -1. Jumlah daa inflasi dengan pembedaan perama berkurang dari daa semula menjadi sebesar 68. Plo daa inflasi dengan pembedaan perama menunjukkan daa sudah sasioner di dalam mean dan erdapa daa dengan nilai yang erliha jauh berbeda dengan nilai daa yang lain (oulier). Plo daa pembedaan dapa diliha pada Gambar 4. Gambar 4 Plo pembedaan perama daa inflasi Uji uni roo dilakukan unuk meliha apakah inflasi dengan pembedaan perama benar sudah sasioner. Uji uni roo memberikan nilai probabilias sebesar, yang nilainya lebih kecil M-79
4 Isnandar S, Irwan S, Wahyu D.W & Ismiyai D/Pemodelan Volailias Dalam dari ingka signifikasi α,5, sehingga hipoesis nul diolak. Jadi dapa disimpulkan bahwa daa inflasi dengan pembedaan perama elah sasioner. Nilai ACF dan PACF dari daa inflasi dengan pembedaan perama menunjukkan nilai yang signifikan sama dengan nol unuk orde lag yang inggi (sebelum lag-7), yang dapa diliha juga pada nilai Ljung-Box Q saisik, sehingga daa inflasi dengan pembedaan perama idak dapa dimodelkan ke dalam model runun waku ARMA. Unuk mengaasi masalah maka perlu dilakukan pembedaan kedua. Pembedaan kedua dirumuskan sebagai D 2 (Z ) = (1 B) 2 Z = Z 2 Z -1 + Z -2. Hasil uji uni akar unuk daa inflasi dengan pembedaan kedua menunjukkan daa inflasi dengan pembedaan kedua elah sasioner. Plo nilai ACF dan PACF menunjukkan bahwa daa inflasi dengan pembedaan kedua memiliki auokorelasi. sehingga daa log reurn dengan pembedaan kedua dapa dimodelkan ke dalam model runun waku ARMA..2 Pemodelan Mean Bersyara.2.1 Idenifikasi Awal Daa inflasi dengan pembedaan kedua elah erbuki memiliki auokorelasi, sehingga dapa dimodelkan ke dalam model runun waku ARMA(p,q). Idenifikasi awal orde model ARMA dienukan dengan meliha lag mana yang nilai ACF dan PACF yang signifikan idak sama dengan nol. Terliha bahwa nilai ACF signifikan pada lag-1, lag-2 dan lag-7, sedangkan nilai PACF signifikan unuk lag-1, lag-2, lag-6. Oleh karena iu, idenifikasi awal model ARMA yang sesuai unuk daa inflasi dengan pembedaan perama adalah model ARMA(2(6),2(7)). Lag-12 idak diikuserakan karena lag ersebu merupakan orde lag yang rendah, sehingga dimungkinkan idak begiu berpengaruh. Hasil uji model ARMA(2(6),2(7)) dapa diliha pada Tabel 2, dan Plo ACF dan PACF dapa diliha pada Gambar 5. Model ARMA(2(6),2(7)) belum epa digunakan unuk memodelkan mean bersyara daa inflasi dengan pembedaan kedua karena parameer-parameer model ersebu belum signifikan. Uji Breusch-Godfrey dapa digunakan unuk meliha apakah residu suau model sudah idak memiliki auokorelasi. Uji serial korelasi Breusch-Godfrey, dengan hipoesis nul idak ada auokorelasi pada residu model, memberikan nilai probabilias,19 yang nilainya lebih kecil dari ingka signifikasi α,5, sehingga hipoesis nul diolah. Jadi dapa disimpulkan masih ada auokorelasi dalam residu model. Hasil uji Breusch-Godfrey dapa diliha pada Tabel. Nilai ACF dan PACF residu model ARMA(2(6),2(7)) menunjukkan masih adanya auokorelasi yang signifikan pada lag-12 dalam residu model, sehingga auokorelasi pada lag ersebu juga perlu unuk dimodelkan. Plo ACF dan PACF residu model ARMA(2(6),2(7)) dapa diliha pada Gambar 5. Tabel 2 Esimasi model ARMA(2(6),2(7)) Dependen Variable: SER9 Mehod: Leas Squares Dae: 12/8/8 Time: 11:24 Sample(adjused): 7 67 Included observaions: 61 afer adjusing endpoins Convergence achieved afer 142 ieraions Backcas: OFF (Roos of MA process oo large) Variable Coefficien Sd. Error -Saisic Prob. AR(1) AR(2) AR(6) MA(1) MA(2) MA(7) M-8
5 Prosiding Seminar Nasional Peneliian, Pendidikan dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 29 R-squared.669 Mean dependen var.82 Adjused R-squared.67 S.D. dependen var S.E. of regression Akaike info crierion.656 Sum squared resid Schwarz crierion Log likelihood Durbin-Wason sa Invered AR Roos.51+.i.51 -.i i i i i Invered MA Roos i.1 -.5i i i Esimaed MA process is noninverible Tabel Uji Breusch-Godfrey residu model ARMA(2(6),2(7)) Breusch-Godfrey Serial Correlaion LM Tes: F-saisic Probabiliy. 6 Obs*R-squared Probabiliy.4 Tes Equaion: Dependen Variable: RESID Mehod: Leas Squares Dae: 12/8/8 Time: 11:48 Presample missing value lagged residuals se o zero. Variable Coefficien Sd. Error -Saisic Prob. AR(1) AR(2) AR(6) MA(1) MA(2) MA(7) RESID(-1) RESID(-2) RESID(-) RESID(-4) RESID(-5) RESID(-6) R-squared Mean dependen var.7944 Adjused R-squared.74 S.D. dependen var S.E. of regression Akaike info crierion M-81
6 Isnandar S, Irwan S, Wahyu D.W & Ismiyai D/Pemodelan Volailias Dalam Sum squared resid Schwarz crierion Log likelihood Durbin-Wason sa Gambar 5 Plo ACF dan PACF residu model ARMA(2(6),2(7)).2.2 Esimasi Ulang Perama Esimasi ulang model ARMA dari daa inflasi dengan pembedaan kedua dilakukan dengan mengikuserakan lag-12. Hasil oupu model ARMA(2(6),2(7)(12)) dapa diliha pada Tabel 4. Hasil model ARMA((6),2(7)(12)) menunjukkan adanya nilai yang idak signifikan unuk parameer AR pada lag-6 dan unuk parameer MA pada lag-2 dan lag-7, sera parameer MA yang diperoleh idak inveribel. Oleh karena iu, model ARMA(2(6),2(7)(12)) idak sesuai digunakan unuk memodelkan mean bersyara dari daa inflasi dengan pembedaan kedua. Tabel 4 Esimasi model ARMA(2(6),2(7)(12)) Dependen Variable: SER9 Mehod: Leas Squares Dae: 12//8 Time: 7:7 Sample(adjused): 7 67 Included observaions: 61 afer adjusing endpoins Convergence achieved afer 18 ieraions Backcas: OFF (Roos of MA process oo large) Variable Coefficien Sd. Error -Saisic Prob. AR(1) AR(2) AR(6) MA(1) MA(2) MA(7) MA(12) R-squared Mean dependen var.82 Adjused R-squared S.D. dependen var S.E. of regression Akaike info crierion M-82
7 Prosiding Seminar Nasional Peneliian, Pendidikan dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 29 Sum squared resid Schwarz crierion.9197 Log likelihood Durbin-Wason sa Invered AR Roos i.8+.29i i i i i Invered MA Roos i i i i.2+.98i i i i i i -.99 Esimaed MA process is noninverible.2. Esimasi Ulang Kedua Perhiungan ulang model ARMA dilakukan dengan idak mengikuserakan parameer yang idak signifikan. Model yang selanjukan diuji adalah model ARMA(2,1(12 Seluruh parameer dari model ARMA(2,1(12)) sudah signifikan, eapi parameer model MA yang diperoleh idak inveribel..2.4 Esimasi Ulang Keiga Perbaikan model dilakukan dengan mengeluarkan salah sau parameer MA. Diperoleh model yang paling epa adalah ARMA(2,(12)). Hasil esimasi model ARMA(2,(12)) menunjukkan nilai yang signifikan unuk seluruh parameer. Model ARMA(2,(12)) yang diperoleh sudah baik unuk digunakan jika idak ada auokorelasi di dalam residu model ersebu. Uji Breusch-Godfrey sampai lag-4 unuk residu model ARMA(2,(12)) memberikan nilai probabilias,18124 yang nilai ersebu lebih kecil dari ingka signifikasi α,5, sehingga hipoesis nul diolak. Jadi masih erdapa auokorelasi pada residu model ARMA(2,(12)). Auokorelasi residu juga dapa diliha melalui nilai ACF dan PACF. Plo ACF dan PACF menunjukkan adanya nilai PACF yang signifikan pada lag-. Hal ersebu menunjukkan adanya efek AR yaiu pada lag- yang harus diikuserakan ke model..2.5 Esimasi Ulang Keempa Esimasi model dilakukan lagi dengan memasukkan parameer AR unuk lag-. Model yang diesimasi adalah model ARMA(,(12)). Hasil uji dapa diliha pada Tabel 5. Parameer model ARMA(,(12)) semuanya sudah signifikan, sasioner dan inveribel. Model ARMA(,(12)) yang diperoleh dapa diulis sebagai W = -,65129 W -1, W W -, e e. (1) Tabel 5 Esimasi model ARMA(,(12)) Dependen Variable: SER9 Mehod: Leas Squares Dae: 12//8 Time: 7:4 Sample(adjused): 4 67 Included observaions: 64 afer adjusing endpoins Convergence achieved afer 18 ieraions Backcas: -8 Variable Coefficien Sd. Error -Saisic Prob. AR(1) AR(2) AR() MA(12) R-squared Mean dependen var.1187 M-8
8 Isnandar S, Irwan S, Wahyu D.W & Ismiyai D/Pemodelan Volailias Dalam M-84 5 Adjused R-squared S.D. dependen var S.E. of regression Akaike info crierion.777 Sum squared resid Schwarz crierion.512 Log likelihood Durbin-Wason sa Invered AR Roos i i -.56 Invered MA Roos i i.5+.86i i.+.99i i i i i i Pemeriksaan Diagnosik Model ARMA (,(12))..1 Uji Auokorelasi Residu Model ARMA (,(12)) Model ARMA(,(12)) yang diperoleh sudah baik unuk digunakan jika idak ada auokorelasi di dalam residu model ersebu. Uji Breusch-Godfrey sampai dengan lag-7 memberikan nilai probabilias sebesar, yang lebih besar dari ingka signifikasi α,5, sehingga hipoesis nul idak diolak. Jadi sudah idak ada auokorelasi di dalam residu model ARMA(,(12)). Uji Breusch-Godfrey dapa diliha pada abel di bawah. Tabel 6 Uji Breush-Godfrey residu model ARMA(,(12)) Breusch-Godfrey Serial Correlaion LM Tes: F-saisic Probabiliy Obs*R-squared Probabiliy Tes Equaion: Dependen Variable: RESID Mehod: Leas Squares Dae: 12//8 Time: 9:1 Presample missing value lagged residuals se o zero. Variable Coefficien Sd. Error -Saisic Prob. AR(1) AR(2) AR() MA(12) RESID(-1) RESID(-2) RESID(-) RESID(-4) RESID(-5) RESID(-6) RESID(-7) R-squared Mean dependen var -.7 Adjused R-squared S.D. dependen var 1.24
9 Prosiding Seminar Nasional Peneliian, Pendidikan dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 29 9 S.E. of regression Akaike info crierion Sum squared resid Schwarz crierion Log likelihood Durbin-Wason sa Uji Efek Heeroskedasisias (ARCH/GARCH) Indikasi efek heeroskedasisias dalam residu model ARMA(,(12)) perlu unuk diuji lebih lanju. Adanya efek heeroskedasisias juga dapa diperiksa melalui uji efek ARCH menggunakan uji Lagrange Muliplier. Uji dilakukan pada residu model ARMA(,(12)) sampai dengan lag-7 unuk meliha apakah ada efek ARCH sampai dengan lag ersebu. Uji hipoesis dari uji Lagrange Muliplier ARCH sampai lag-7 adalah H : α 1 = α 2 = = α 7 = (idak ada efek ARCH sampai lag-7). H 1 : paling sediki erdapa sau α k, k = 1, 2,, 4, 5, 6, 7 (erdapa efek ARCH, paling idak pada sebuah lag). Hasil oupu uji Lagrange Muliplier ARCH dapa diliha pada Tabel 7. Saisik uji Lagrange Muliplier sampai lag-7 menghasilkan nilai probabilias,99987 yang lebih besar dari ingka signifikasi α =,5, yang berakiba H idak diolak. Jadi dapa disimpulkan bahwa di dalam residu model ARMA(,(12)) idak erdapa efek ARCH. Tabel 7 Uji Lagrange Muliplier ARCH sampai lag-7 unuk residu model ARMA(,(12)) ARCH Tes: F-saisic.6924 Probabiliy Obs*R-squared Probabiliy Tes Equaion: Dependen Variable: RESID2 Mehod: Leas Squares Dae: 12/8/8 Time: 14:21 Sample(adjused): Included observaions: 57 afer adjusing endpoins Variable Coefficien Sd. Error -Saisic Prob. C RESID2(-1) RESID2(-2) RESID2(-) RESID2(-4) RESID2(-5) RESID2(-6) RESID2(-7) R-squared.949 Mean dependen var Adjused R-squared S.D. dependen var S.E. of regression Akaike info crierion Sum squared resid Schwarz crierion Log likelihood F-saisic.6924 Durbin-Wason sa Prob(F-saisic) Peramalan Ramalan inflasi dengan pembedaan kedua dihiung berdasarkan persamaan (1). Persamaan ramalan model ARMA(,(12)) unuk sau langkah ke depan adalah M-85
10 Isnandar S, Irwan S, Wahyu D.W & Ismiyai D/Pemodelan Volailias Dalam W (1) =,65129 W, W W -2, e -11. (2) Ramalan unuk k langkah ke depan menjadi W ( k) =,65129 W +k-1, W +k W +k-, e +k-12 () dengan e +1 = W +1 - W (1). Jika k > 12, maka ramalan menjadi W ( k) =,65129 W +k-1, W +k W +k-. (4) Hasil ramalan inflasi dengan pembedaan kedua dapa diliha pada Tabel 15. Karena pembedaan kedua dirumuskan sebagai W = (1 B) 2 Z = Z 2 Z -1 + Z -2, maka nilai daa pada saa dapa dirumuskan sebagai Z = W + 2 Z -1 - Z -2. (5) Ramalan nilai inflasi dapa diperoleh menggunakan persamaan (5) yang berdasarkan pada ramalan nilai inflasi dengan pembedaan kedua. Ramalan nilai inflasi unuk 12 periode ke depan dapa dihiung beruru-uru mulai periode 68 sampai 79 adalah sebagai W 67 (1), W 67 (2),..., W 67 (12) dengan nilai ramalan 1,8, -,1,..., -,22. Nilai ramalan inflasi (%) unuk Okober 28 sampai Sepember 29 beruru-uru 1,51, 14,5762,..., 16,6859. KESIMPULAN DAN SARAN Kesimpulan Model runun waku yang sesuai digunakan unuk memodelkan daa inflasi adalah model ARMA(,(12)) dengan sebelumnya dilakukan pembedaan kedua pada daa inflasi. Model ersebu dapa dikaakan sebagai model ARIMA(,2,(12)) unuk daa inflasi asli. Hasil peramalan nilai inflasi unuk 12 periode ke depan menyaakan bahwa nilai inflasi kemungkinan akan mengalami kenaikan. Saran Auokorelasi pada lag-12 sanga signifikan di dalam daa inflasi dan efeknya masih erliha walau elah dilakukan pembedaan (differencing) dari daa sampai dua kali. Hal ersebu dapa dielii lebih lanju dengan meliha kemungkinan adanya pola musiman pada daa runun waku inflasi. DAFTAR PUSTAKA. Agung Ariyano dan Isnandar Slame. 29. Pemodelan dan Simulasi PAD Kabupaen Purworejo di Bidang Reribusi Bus pada Terminal Bus Purworejo, dierima unuk dierbikan di Jurnal MahInfo, Jurusan Maemaika FMIPA UNS. Bollerslev, Tim Generalized Auoregressive Condiional Heeroscedasiciy. Journal of Economerics. No.1, Engle, R Auoregressive Condiional Heeroscedasiciy wih Esimaes of he Variance of Unied Kingdom Inflaion. Journal of Economerica, No. 5, Enders. W Applied Economeric Time Series, John Wiley and Sons Rockinger, M. 21. A Time-varying Parameer Model o Tes for Predicabiliy and Inegraion in he Sock Markes of Transiion Economics, JASA, 19, 7-84 Subanar. 21. Model ARCH, GARCH dan Model Runun Waku Semiparamerik, Seminar Nasional Saisik V, ITS Surabaya. Tsay, R. S. 22. Analysis of Financial Time Series. John Wiley & Sons, Inc. Chicago. Wahyu Dewi Widyani dan Isnandar Slame. 29. Pemodelan ARCH dan GARCH pada Nilai Tukar Euro erhadap Rupiah, dierima unuk dierbikan di Jurnal MahInfo, Jurusan Maemaika FMIPA UNS. M-86
PENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY
PENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY Hermansah Program Sudi Pendidikan Maemaika, Fakulas Keguruan
Lebih terperinciARIMA (Autoregressive Integrated Moving Average)
ARIMA (Auoregressive Inegraed Moving Average) I. Prinsip Dasar dan Tujuan Analisis. Prinsip Dasar ARIMA sering juga disebu meode runun waku Box-Jenkins. ARIMA sanga baik keepaannya unuk peramalan jangka
Lebih terperinciKata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.
METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE
Lebih terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciPENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)
Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT
Lebih terperinciPenerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan
Jurnal Sains Maemaika dan Saisika, Vol. 4, No., Januari 8 ISSN 46-454 prin/issn 65-8663 online Penerapan Model ARCH/GARCH unuk Peramalan Nilai Tukar Peani Ari Pani Desvina, Inggrid Ocaviani Meijer, Jurusan
Lebih terperinciBAB III METODE PENELITIAN
3. METODE PENELITIAN 3.1. Kerangka Pikir BAB III METODE PENELITIAN Peneliian ini diujukan unuk membukikan adanya hubungan dan pengaruh dari nilai ukar Rupiah erhadap Dollar Amerika Serika (exchange rae),
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
Lebih terperinciUJI MULTIKOLINEARITAS DAN PERBAIKAN MULTIKOLINEARITAS
BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIYAH YOGYAKARTA UJI MULTIKOLINEARITAS DAN PERBAIKAN MULTIKOLINEARITAS 6.1. Uji Mulikolinearias Sebagaimana dikemukakan di aas, bahwa salah sau
Lebih terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinciPROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA
PROSES AUOREGRESSIVE CONDIIONAL HEEROSCEDASICIY DENGAN DUGAAN VARIANSI INFLASI INDONESIA Rianiai Monica, Suyono, dan Vera Maya Sani Jurusan Maemaika FMIPA UNJ Absrak Model-model runun waku konvensional,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciPENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH
Penerapan Model Generalized Auoregressive Condiional Heeroscedasic (Garch) PENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciBASIC TIME SERIES. Khususnya pada data time series, salah satu asumsi yang memperoleh perhatian khusus adalah zero conditional mean, atau
LECURE NOES #3&4 BASIC IME SERIES I. Pendahuluan Sebagian besar pembahasan regresi linier yang elah dilakukan mengasumsikan bahwa daa yang digunakan adalah bersifa cross secion. Meskipun regresi linier
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPENERAPAN MODEL AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (ARCH-M) PADA RETURN SAHAM (Studi Kasus Pada PT.
PENERAPAN MODEL AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (ARCH-M) PADA RETURN SAHAM (Sudi Kasus Pada PT. Indosa Tbk) SKRIPSI Oleh : Linda Wiguna J2A 605 068 PROGRAM STUDI MATEMATIKA JURUSAN
Lebih terperinciIV.1. PERANAN SEKTOR PERTAMBANGAN BATUBARA IV.1.1.
BAB IV PERHITUNGAN IV.1. PERANAN SEKTOR PERTAMBANGAN BATUBARA IV.1.1. Sekor Perambangan Baubara Dalam Pembangunan Seperi yang sudah disebukan dalam pembahasan sebelumnya enang sekor perambangan baubara,
Lebih terperinciBAB I PENDAHULUAN. Volatilitas memiliki banyak peranan dalam sektor finansial, satu
BAB I PENDAHULUAN. Laar Belakang Masalah Volailias memiliki banyak peranan dalam sekor finansial, sau dianaranya dalam hal pengamaan perilaku dari harga suau ase finansial. Perilaku dari harga suau ase
Lebih terperinciPERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH
Vol.. No., 03 PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH Ari Pani Desvina, Sari Marlinda, Jurusan Maemaika Fakulas Sains dan Teknologi
Lebih terperinciPENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA
PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA Leopoldus Ricky Sasongko, Lydia Ninuk Rahayu, dan Alberh Roy Koa 3,,3 Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias
Lebih terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hipoesis Peneliian Seperi yang sudah dijelaskan pada bab-bab sebelumnya, peneliian ini mencoba menemukan anomali DOTW pada volailias dan volume saham dengan menggunakan
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
Lebih terperinciPengaruh variabel makroekonomi..., 24 Serbio Harerio, Universitas FE UI, 2009Indonesia
BAB 3 DATA DAN METODOLOGI 3.1 Variabel-Variabel Peneliian 3.1.1 Variabel dependen Variabel dependen yang digunakan adalah reurn Indeks Harga Saham Gabungan yang dihiung dari perubahan logarima naural IHSG
Lebih terperinciUSULAN PENERAPAN METODE KOEFISIEN MANAJEMEN (BOWMAN S) SEBAGAI ALTERNATIF MODEL PERENCANAAN PRODUKSI PRINTER TIPE LX400 PADA PT X
USULAN ENERAAN METODE KOEISIEN MANAJEMEN (BOMAN S) SEBAGAI ALTERNATI MODEL ERENCANAAN RODUKSI RINTER TIE LX400 ADA T X Hendi Dwi Hardiman Jurusan Teknik Manajemen Indusri - Sekolah Tinggi Manajemen Indusri
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciANALISIS DATA DERET WAKTU DENGAN RAGAM GALAT HETEROGEN DAN ASIMETRIK : Studi Indeks Harga Saham Gabungan Periode
ANALISIS DATA DERET WAKTU DENGAN RAGAM GALAT HETEROGEN DAN ASIMETRIK : Sudi Indeks Harga Saham Gabungan Periode 999-008 NIRAWITA UNTARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciISSN : e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3732
ISSN : 355-9365 e-proceeding of Engineering : Vol.3, No. Agusus 016 Page 373 Sifa Asimeris Model Prediksi Generalized Auoregressive Condiional Heerocedasiciy (GARCH) dan Sochasic Volailiy Auoregressive
Lebih terperinciBAB III DATA DAN METODOLOGI PENELITIAN
BAB III DATA DAN METODOLOGI PENELITIAN 3. Daa Pada karya akhir ini proxy unuk mengukur kegiaan perekonomian adalah ingka perubahan GDP real per kuaral dari ahun 3:Q sampai dengan ahun 8:Q dengan ahun dasar.
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan adalah data sekunder runtun waktu (time series) bulanan
III. METODE PENELITIAN A. Jenis dan Sumber Daa Daa yang digunakan adalah daa sekunder runun waku (ime series) bulanan dari 2002:01 sampai dengan 2009:06 yang bersumber dari Laporan dan websie Bank Indonesia
Lebih terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciBAB III METODOLOGI PENELITIAN
perpusakaan.uns.ac.id BAB III METODOLOGI PENELITIAN A. Ruang Lingkup Peneliian Peneliian ini dilaksanakan di Indonesia dengan periode ahun 984 sampai dengan ahun 0. Peneliian ini memfokuskan pada fakor-fakor
Lebih terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER
ANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER Abdul Aziz Dosen Jurusan Maemaika Fakulas Sains Teknologi Universias Islam Negeri (UIN) Maulana Malik Ibrahim Malang e-mail : abdulaziz_uinmlg@yahoo.com
Lebih terperinciBAB IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN Dalam peneliian ini, penulis akan menggunakan life cycle model (LCM) yang dikembangkan oleh Modigliani (1986). Model ini merupakan eori sandar unuk menjelaskan perubahan dari
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciUJI AUTOKORELASI DAN PERBAIKAN AUTOKORELASI
BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIAH OGAKARTA UJI AUTOKORELASI DAN PERBAIKAN AUTOKORELASI 8.1. Uji Auokorelasi a. Penyebab Munculnya Ookorelasi Berkaian dengan asumsi regresi
Lebih terperinciEstimasi Value At Risk Dinamis Menggunakan Metode Block Maxima. Estimation Value at Risk Dynamic Using the Block Maxima
Esimasi Value A Risk Dinamis Menggunakan Meode Block Maxima Esimaion Value a Risk Dynamic Using he Block Maxima Paridi 1, Lienda Noviyani, Budhi Handoko 3 1 Program Sudi Magiser Saisik Terapan FMIPA UNPAD
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciPeramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model
Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO
PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO SKRIPSI Disusun Oleh : SITI LIS INA ATUL HIDAYAH 24010211120006 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Salah sau ujuan didirikannya perusahaan adalah dalam rangka memaksimalkan firm of value. Salah sau cara unuk mengukur seberapa besar perusahaan mencipakan
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciPENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU
Jurnal Sains, Teknologi dan Indusri, Vol. 11, No., Juni, pp. 151-159 ISSN 93-3 prin/issn 07-0939 online PENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU 1 Ari Pani
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
Lebih terperinciKEAKURATAN ARAH PERGERAKAN GDP FOREX DENGAN MENGGUNAKAN ALGORITMA ARCH
Program Sudi MMT-ITS, Surabaya 1 Agusus 009 KEAKURATAN ARAH PERGERAKAN GDP FOREX DENGAN MENGGUNAKAN ALGORITMA ARCH Tania Lisya 1, Mahendrawahi ER, dan Nur Iriawan 3 1 MMT-ITS, Surabaya, Indonesia anialisya@ymail.com
Lebih terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
Lebih terperinciProsiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PERAMALAN VOLUME PENGGUNAAN AIR BERSIH DENGAN METODE WINTERS EPONENTIAL SMOOTHING UNTUK MENENTUKAN VOLUME
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
Lebih terperinciAnalisis Kinerja Beberapa Saham Syariah dengan Menggunakan Model Volatilitas Tak Konstan
Saisika, Vol. 13 No. 1, 5 31 Mei 013 Analisis Kinerja Beberapa Saham Syariah dengan Menggunakan Model Volailias Tak Konsan Endang Soeryana Hasbullah 1, Ismail Bin Mohd, Musafa Mama 3, Sukono 4, & Endang
Lebih terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 91-100 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI BREAKPOINT DAN PEMODELAN AUTOREGRESSIVE STRUCTURAL
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciPEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH. Retno Hestiningtyas dan Winita Sulandari, M.Si. Jurusan Matematika FMIPA UNS
S-9 PEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Retno Hestiningtyas dan Winita Sulandari, M.Si Jurusan Matematika FMIPA UNS ABSTRAK. Pada data finansial sering terjadi keadaan leverage effect,
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinciMODEL GARCH-M UNTUK ESTIMASI VALUE AT RISK (VaR) DATA HARGA SAHAM SKRIPSI. Oleh: EVI SUFIANTI NIM
MODEL GARCH-M UNUK ESIMASI VALUE A RISK (VaR) DAA HARGA SAHAM SKRIPSI Oleh: EVI SUFIANI NIM. 0650075 JURUSAN MAEMAIKA FAKULAS SAIN DAN EKNOLOGI UNIVERSIAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG 0 MODEL
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini adalah penelitian Quasi Eksperimental Design dengan
BAB III METODOLOGI PENELITIAN A. Jenis dan Desain Peneliian Peneliian ini adalah peneliian Quasi Eksperimenal Design dengan kelas eksperimen dan kelas conrol dengan desain Prees -Poses Conrol Group Design
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciEstimasi Fungsi Tahan Hidup Virus Hepatitis di Kabupaten Jember (Estimating of Survival Function of Hepatitis Virus in Jember)
Jurnal ILMU DASAR Vol. 8 No. 2, Juli 2007 : 135-141 135 Esimasi Fungsi Tahan Hidup Virus Hepaiis di Kabupaen Jember (Esimaing of Survival Funcion of Hepaiis Virus in Jember) Mohamad Faekurohman Saf Pengajar
Lebih terperinciModel Koreksi Kesalahan pada Data Runtun Waktu Indeks Harga Konsumen Kota-kota di Papua
Model Koreksi Kesalahan pada Daa Runun Waku Indeks Harga Konsumen Koa-koa di Papua Miha Febby R. Donggori, Adi Seiawan, 3 Hanna Arini Parhusip Prodi Maemaika, Fakulas Sains dan Maemaika, Universias Krisen
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Rancangan Model dan Daa yang akan digunakan Meodologi yang akan digunakan dalam penulisan skripsi ini adalah sudi lieraur, pengolahan daa sekunder dengan menggunakan perangka
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciBAB 1 PENDAHULUAN. Propinsi Sumatera Utara merupakan salah satu propinsi yang mempunyai
BAB 1 PENDAHULUAN 1.1 Laar Belakang Propinsi Sumaera Uara merupakan salah sau propinsi yang mempunyai perkembangan yang pesa di bidang ransporasi, khususnya perkembangan kendaraan bermoor. Hal ini dapa
Lebih terperinciPENDEKATAN PERAMALAN TINGKAT KONSUMSI MINYAK DI INDONESIA DENGAN MENGGUNAKAN METODE BOX-JENKINS
PENDEKATAN PERAMALAN TINGKAT KONSUMSI MINYAK DI INDONESIA DENGAN MENGGUNAKAN METODE BOX-JENKINS Ari Pani Desvina, Abdur Rahman Siddiq Jurusan Maemaika Fakulas Sains dan Teknologi UIN Suska Riau E-mail:
Lebih terperinciPENANGANAN MASALAH HETEROSKEDASITAS DENGAN MODEL ARCH-GARCH DAN MODEL BLACK-SCHOLES MOSES ALFIAN SIMANJUNTAK
PENANGANAN MASALAH HETEROSKEDASITAS DENGAN MODEL ARCH-GARCH DAN MODEL BLACK-SCHOLES MOSES ALFIAN SIMANJUNTAK SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 009 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciPENGUKURAN VALUE AT RISK DENGAN PENDEKATAN AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (ARCH) (Studi Kasus Data Saham PT. Gudang Garam Tbk.
Bulein Ilmiah Mah. Sa. dan Teraannya (Bimaser) Volume 4, No. 3 (ahun), hal 69 78. PENGUKURAN VALUE AT RISK DENGAN PENDEKATAN AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (ARCH) (Sudi Kasus Daa Saham PT.
Lebih terperinciPEMODELAN BOX-JENKINS (ARIMA) UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN
PEMODELAN BOX-JENKINS (ARIMA) UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN Vincenius Iwan Primadiya 1 dan Nur Iriawan 2 1) Program Sudi Magiser Manajemen Teknologi, Insiu Teknologi Sepuluh Nopember e-mail:
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN 4.1 Penenuan Exposure dan Holding Period Pada bab ini, risiko harga komodias energi akan diukur dalam sauan sandard fuures conrac size NYMEX. Unuk minyak menah (ligh swee
Lebih terperinciTREND DALAM RUNTUN WAKTU EKONOMETRI DAN PENERAPANNYA
TREND DALAM RUNTUN WAKTU EKONOMETRI DAN PENERAPANNA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri ogyakara unuk memenuhi sebagian persyaraan guna memperoleh gelar
Lebih terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciBAB 1 PENDAHULUAN. Dalam pelaksanaan pembangunan saat ini, ilmu statistik memegang peranan penting
BAB 1 PENDAHULUAN 1.1. Laar Belakang Dalam pelaksanaan pembangunan saa ini, ilmu saisik memegang peranan pening baik iu di dalam pekerjaan maupun pada kehidupan sehari-hari. Ilmu saisik sekarang elah melaju
Lebih terperinciPERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR
TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN
Lebih terperinciPenentuan Pelebaran Window Time Optimal Pada Data Deret Waktu
1 Penenuan Pelebaran Window Time Opimal Pada Daa Dere Waku (1) Nursya`bani Hendro Prabowo dan (2) Raden Mohamad Aok Deparemen Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Insiu Teknologi Sepuluh
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan di PT Panafil Essenial Oil. Lokasi dipilih dengan perimbangan bahwa perusahaan ini berencana unuk melakukan usaha dibidang
Lebih terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
Lebih terperinciAnalisis Hubungan Produk Domestik Bruto dan Ekspor Indonesia dengan Pendekatan Threshold Vector Error Correction Model (TVECM)
Analisis Hubungan Produk Domesik Bruo dan Ekspor Indonesia dengan Pendekaan Threshold Vecor Error Correcion Model (TVECM) Gama Pura Danu Sohibien 1, Brodjol Suijo Suprih Ulama 2 12) Program Sudi Saisika,
Lebih terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperinci