Time series Linier Models
|
|
- Handoko Kurniawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Time series Linier Models We have learned simple extrapolation techniques for deterministic and stochastic time series models. In addition, we also have learned stationery and non stationery time series data. We will develop models that can explain the movement of time series data by relating the data with : (i). Previous data (autoregressive) and / or (ii). Current and past random deviation (moving average)
2 The models focus on linear models for practical reason, simple and easy. These models can be used to analyze stationery data and not stationery data but homogeneous. The models that we are studying assume that the parameters are time invariant More specifically the models that we are analyzing: (i). Moving average models for stasionery process (ii). Autoregresive models - for stasionery process (iii). Mixed between moving average and autoregressive models - for stasionery process (iv). Integrated models between moving average and autoregresive - for stasionery process.
3 Moving average models Moving Average model order q, MA(q), assumes that each observation is a weighted average of deviation (disturbances) of the last q periodes. Mathematically, MA(q) is represented as: y t = μ + e t e t-1 - θ e t θ q e t-q While θ 1,θ...θ q the parameters that can be positive or negative
4 Dalam hal ini, diasumsikan pula bahwa: e t i i d N ( 0, σ e ); kovarians γ k = 0, k 0 atau E(e t ) = 0; E(e t ) = Var (e t ) = σ e ; E(e t e t-k ) = 0 Dengan asumsi ini, mean dari proses moving average tidak tergantung pada waktu yaitu E(y t ) = μ. Apakah MA (q) stasioner? Proses MA (q) dapat ditentukan melalui q + parameter yaitu: μ, σ e, θ 1, θ,..., θ q. Bagaimana karakteristik dari θ i?
5 Secara khusus, varians dari proses moving average dapat dilihat sebagai: Var (y t ) = γ 0 = E(y t - μ) = E( e t e t-1 - θ e t θ q e t-q ) = E( et + θ 1 e t-1 + θ e t θ q e t-q ) = σ e + θ 1 σ e + θ σ e θ q σ = σ e (1+ θ 1 + θ θ q ); Hasil ini menggunakan fakta bahwa e t iid dan E(e t e t-k ) = 0
6 Perhatikan bahwa besaran var (y t ) tergantung pada besar Σθ i yang cenderung besar kalau tidak kita batasi. Oleh karena itu, jika y t merupakan suatu realisasi dari proses random yang stasioner, maka Σθ i <. Untuk model MA(q) dan q tidak besar, persyaratan tersebut mudah dipenuhi. Bagaimana untuk MA dengan order yang sangat besar (q ). Hal ini bisa dipenuhi bila θ i mengecil seiring dengan membesarnya indeks i. Jika persyaratan terakhir ini terpenuhi, maka akan diperoleh bahwa Σθ i akan konvergen ke suatu nilai. Dari diskusi ini dapat ditarik kesimpulan bahwa bila kita mengharapkan y t dari suatu model MA, model ini akan stasioner jika θ i mengecil pada saat indeks i membesar.
7 The simplest moving average models MA (1) y t = μ + e t e t-1 Mean: μ, Variance: σ e (1 + θ 1 ) Lag 1 Covariance: γ 1 = E [(y t -μ) (y t-1 -μ)] = E [(e t e t-1 ) (e t-1 e t- )] = E [ e t e t-1 e t e t- e t-1 e t-1 + θ 1 e t-1 e t- ] = E(e t-1 ) = σ e for k ; γ k = E [(e t e t-1 )( e t-k e t-k-1 )] = 0
8 Autocorelation Function (ACF) of MA (1) ρ k = γ k / γ 0 = / (1 + θ 1 ); untuk k = 1 = 0; for k > 1 Remark: For k>1, Covariance and ACF of MA(1) is zero. It means, MA(1) only has memory for 1 period only; that is, y t only correlates with y t-1 or y t+1.
9 Observe the following MA (1): y t = + e t e t-1 ρ 1 = / ( 1 + θ 1 ) = + 0.8/1+0.8 = 0.8/1.64 = 0.5 ρ k = 0; k > 1 Moving Average order, MA() y t = μ + e t e t-1 - θ e t- The mean, E(y t )=μ and the Var (y t ) = γ 0 = σ e (1+θ 1 + θ ).
10 While, lag k covariance: k=1, γ 1 = E [( e t e t-1 - θ e t- ) ( e t-1 e t- - θ e t-3 )] = E(e t-1 ) + θ 1 θ E(e t- ) = -θ 1 (1-θ ) σ e k =, γ = E [( e t e t-1 - θ e t- ) ( e t- e t-3 - θ e t-4 )] k >, γ k = 0 = - θ E(e t- ) = - θ σ e
11 ACF: ρ 1 = γ 1 / γ 0 = ( 1- θ ) / ( 1+ θ 1 + θ ) ρ = γ / γ 0 = - θ / ( 1+ θ 1 + θ ) ρ k = 0 ; k Illustration: MA (): y t = + e t e t e t- μ =, θ 1 = -0.6; θ = 0.3 ρ 1 = (1- θ )/(1+ θ 1 + θ ) = 0.6 (1-0.3)/(1.45) = 0.4/1.45 = 0.9 ρ = - θ / (1+ θ 1 + θ ) = -0.3/1.45 = -0.1 ρ k = 0; k >
12 Moving Average Order q y t = μ + e t e t-1 - θ e t θ q e t-q mean, y t = E(y t ) = μ variance, y t = var(y t ) = γ 0 = σ e ( 1 + θ 1 +θ +...+θ q ) covariance, γ k = - θ k + θ 1 θ k θ q-k θ q ACF: ρ k = γ k / γ 0 ρ k = (-θ k + θ 1 θ k θ q-k θ q ) / (1 + θ 1 +θ +...+θ q ) k = 1,,..., q ρ k = 0; k > q
13 Pengamatan 1. untuk MA(1); hanya satu fungsi autokorelasi yang tidak nol. untuk MA(); hanya dua fungsi autokorelasi yang tidak nol 3. untuk MA(q); sebanyak q fungsi autokorelasi yang pertama yang tidak nol 4. fungsi autokorelasi dapat digunakan untuk menentukan order dari proses moving average.
14 Autoregresive models Untuk model autoregresive order p, pengamatan y t dibentuk dari rata-rata tertimbang pengamatanpengamatan masa lalu, p periode ke belakang dan deviasi periode sekarang. Proses tersebut dinyatakan sebagai AR(p) dan modelnya: y t y t-1 + φ y t φ p y t-p + δ + e t
15 Properties of Autoregresive Models Bila proses autoregresive stasioner, maka mean, E(y t ) = E (y t-1 ) = E (y t- ) =... = E (y t-p ) = μ tidak tergantung pada waktu. (Apakah AR(p) Stasioner?). Akibatnya, E(y t ) = E(φ 1 y t-1 + φ y t φ p y t-p + δ + e t ) μ μ + φ μ +... φ p μ + δ atau μ = δ / (1 - φ 1 - φ φ p ) Supaya nilai μ berhingga, dan untuk menjaga stasioneritas, φ 1 + φ +... φ p < 1
16 Comments: Ingat pada diskusi terdahulu,model Random-Walk dengan tren y t = y t-1 + δ + e t Model ini dapat juga kita lihat sebagai model autoregresive dengan φ 1 = 1. Akan tetapi, karena prosesnya cenderung naik (δ>0) maka μ akan besar sekali dan bisa mendekati. Sehingga y t tidak stasioner.
17 Autoregresive Order 1, AR (1) y t = (φ 1 y t-1 + δ + e t ) mean, E(y t ) E(y t-1 ) + δ Untuk proses yang stasioner, μ μ + δ atau μ = δ /(1 -φ 1 ) dan agar mean μ berhingga, syaratnya φ 1 < 1
18 Dengan mengasumsikan δ = 0 (tanpa tren) akibatnya μ = 0 juga var(y t ) = γ 0 = E(y t -μ ) = E(φ 1 y t-1 + e t ) = E(φ 1 y t-1 + e t + φ 1 y t-1 e t ) γ 0 γ 0 + σ e atau γ 0 = σ e / (1- φ 1 )
19 Kovarians y t γ 1 = E(y t-1. y t ) = E [y t-1 (φ y t-1 + e t )] = E (φ 1 y t-1 ) σ e / (1- φ 1 ) γ = E(y t-. y t ) = E [y t- (φ 1 y t-1 + e t )] = E (y t- (φ 1 y t- ) + φ 1 e t-1 + e t )]; karena y t-1 y t- + e t - 1 E(y t- ) = φ 1 γ 0 = φ 1 σ e ( 1 -φ 1 ) Secara analog, untuk k > γ k = φ k 1 γ 0 k σ e / (1- φ 1 ) Dengan demikian, fungsi autokorelasi dari AR(1), ρ 0 = 1 dan ρ k = γ k / γ 0 k
20 Observe the following AR (1): y t = 0.9 y t e t Fungsi autokorelasi, ρ 0 = 1 ρ 1 = 0.9 ρ = φ 1 = 0.81 ρ 3 3 = 0.79 : : ρ = k (0.9)k See Fig: 17.5
21 AR () y t y t-1 +φ y t- + δ + e t mean dari y t, E(y t ) E(y t-1 ) + φ E(y t- ) + δ μ μ + φ μ + δ μ = δ (1 - φ 1 - φ ) -1 Syarat stasioner: φ 1 + φ < 1 Varians, γ 0 γ 1 + φ γ + σ e Kovarians, γ 1 γ 0 + φ γ 1 γ γ 1 + φ γ 0 : γ k γ k-1 + φ γ k- ; k
22 Fungsi autokorelasi, ρ 1 (1 - φ ) -1 ρ = φ +φ 1 (1 - φ ) -1 ρ k ρ k-1 + φ ρ k- ; k Ilustrasi AR () y t = 0.9 y t y t- + + e t Fungsi autokorelasi: ρ 1 (1 - φ ) -1 = 0.9 ( ) -1 =0.53 ρ = φ +φ 1 (1 - φ ) -1 = (1+0.7) -1 =-0.4 ρ 3 ρ + φ ρ 1 = 0.9(-0.4) + (-0.7)(0.53) = See Fig.: 17.7
23 Comments 1. Pada model MA, fungsi autokorelasi dapat digunakan untuk menentukan order dari proses MA tersebut.. Sedangkan pada model AR, fungsi autokorelasi tidak dapat dengan mudah menentukan order dari proses AR Tersebut. 3. Oleh sebab itu, perlu dicari cara lain untuk menentukan order dari AR. Fungsi Autokorelasi parsial Fungsi autokorelasi parsial diharapkan dapat membantu menentukan order dari proses AR Untuk mengetahui fungsi autokorelasi parsial seperti apa, ikuti diskusi berikut.
24 Untuk AR(p), kovarians dapat dinyatakan: γ 0 γ 1 + φ γ φ p γ p + σ e γ 1 γ 0 + φ γ φ p γ p-1 : γ p γ p-1 + φ γ p φ p γ 0 : k > p; γ k γ k-1 + φ γ k φ p γ k-p Dan fungsi autokorelasi dinyatakan: ρ 1 + φ ρ φ p ρ p-1 : ρ p ρ p-1 + φ ρ p φ p : ρ k ρ k-1 + φ ρ k φ p ρ k-p Persamaan tersebut diatas disebut persamaan Yule-Walker.
25 Bila ρ 1,... ρ p diketahui, maka φ 1,... φ p dapat dicari. Tetapi, kita tidak tahu berapa order p? Untuk itu perlu disiasati sebagai berikut: 1. Misalkan, kita duga p =1, maka ρ 1 Bila φ 1 terhitung 0, berarti AR paling tidak berorder 1 Nyatakan a 1 sebagai estimasi dari φ 1. Proses dilanjutkan, misal p =, maka diperoleh φ 1 dan φ Nyatakanlah estimasi dari φ dengan a 3. Proses dilanjutkan terus, diperoleh a 1, a, a 3,..... Series ini disebut fungsi parsial autokorelasi 4. Bila AR berorder p maka a j = 0 untuk j > p; a j N (0, 1/T); Tes: a j > / T
26 ARMA (p,q) models Adakalanya proses random yang stasioner tidak dapat dimodel melalui AR (p) atau MA (q) karena proses tersebut mempunyai karakteristik dua-duanya. Oleh karenanya, proses yang semacam ini perlu didekati dengan model campuran antara autoregresive dan moving average yang dikenal dengan model ARMA (p,q) Model ini dinyatakan dalam bentuk: y t y t φ p y t-p + δ + e t e t θ q e t-q Karena diasumsikan prosesnya stasioner, maka meannya akan konstan sepanjang masa dan μ μ φ p μ + δ atau μ = δ (1 - φ φ p ) -1 dengan syarat φ 1 + φ... + φ p < 1
27 Untuk ARMA (1,1), modelnya: y t y t-1 + δ + e t e t-1 Bagaimana mencari varians dan kovariannya? Untuk memudahkan, diasumsikan δ = 0 sehingga? Varians, γ 0 = E(y t. y t ) = E[(φ 1 y t-1 + e t -θ 1 e t-1 ) ] γ 0 + σ e + θ 1 σ e -φ 1 θ 1 E( y t-1. e t-1 ) γ 0 (1- φ 1 )= σ e (1 + θ 1 -φ 1 θ 1 ) karena E( y t-1. e t-1 )= σ e atau γ 0 = (1 + θ 1 -φ 1 θ 1 ) (1 - φ 1 ) -1 σ e
28 Kovarians, γ 1 = E(y t-1. y t ) = E( y t-1 (φ 1 y t-1 + e t -θ 1 e t-1 ) γ 0 σ e = (1 - φ 1 θ 1 )(φ 1 )(1 - φ 1 ) -1 σ e (setelah dijabarkan) γ = E[ y t- (φ 1 y t-1 + e t -θ 1 e t-1 )] γ 1 Secara analog, untuk k, γ k γ k-1 Fungsi autokorelasi, ρ 1 = γ 1 / γ 0 = (1- φ 1 θ 1 )(φ 1 )(1+ θ 1 -φ 1 θ 1 ) -1 dan untuk k ρ k ρ k-1 Komentar Fungsi autokorelasi bermula dari ρ 1 kemudian menyusut secara geometris. Ini membawa sifat MA (1) yang hanya ingat satu periode saja.
29 Illustration: ARMA (1,1) : y t = 0.8 y t e t 0.9 e t-1 ρ 1 = γ 1 / γ 0 = (1- φ 1 θ 1 )(φ 1 )(1+ φ 1 -φ 1 θ 1 ) -1 = (1-0.8(+0.9))( )( (0.8)(09)) -1 ρ ρ 1 = 0.8 ρ 1 Fungsi autokorelasinya dapat dilihat pada Gambar Terlihat bahwa ρ 1 < 0 dan untuk k 0, ρ k menurun secara geometris.
30 Another Example, ARMA (1,1): y t = 0.8 y t e t 0.9 e t-1 Fungsi autokorelasinya dapat dilihat pada Gambar Tampak bahwa ρ 1 < 0, ρ = 0, ρ 3 < 0 dan seterusnya karena φ 1 berharga negatif. Bagaimana kalau proses yang akan dianalisis merupakan proses yang tidak stasioner. Apakah pendekatan dengan menggunakan ARMA masih dapat digunakan?
31 Simplification in writing Models: AR, MA dan ARMA Karena notasi matematik untuk model AR,MA dan ARMA cenderung tidak terkontrol (boros), maka dicari upaya untuk memudahkan penulisan model tersebut dengan memperkenalkan operator B sebagai berikut. e t-1 = B e t e t- = B e t : e t-n = B n e t Dengan operator B ini, model MA (q) dapat dinyatakan dalam bentuk sederhana: y t = μ + e t e t-1 - θ e t θ q e t-q = μ + (1 B - θ B θ q B q )e t y t = μ + θ (B)e t ; θ(b): fungsi polinomial operator B.
32 Sedangkan, model AR(p) dapat dinyatakan dalam: y t y t-1 + φ y t φ p y t-p + δ + e t (1 - φ 1 B - φ B φ p B p ) y t = δ + e t φ(b) y t = δ + e t Dengan cara yang sama, ARMA (p,q) dapat dinyatakan dalam bentuk sederhana: y t y t φ p y t-p + δ + e t e t θ q e t-q φ(b) y t = δ + θ (B) e t
33 ARIMA Models: Homogeneous Non Stasioner Process Berhubung model ARMA hanya dapat digunakan untuk memodel proses yang stasioner, maka perlu dicari model lain yang dapat memodel proses yang tidak stasioner yang sering muncul pada data-data time series. Istilah dan notasi Bila y t tidak stasioner, tetapi w t = Δ d y t stasioner maka y t disebut tidak stasioner homogen order d. Sedangkan Δy t = y t - y t-1 ; Δ y t = Δy t - Δy t-1 ; dst. Bila w t = Δ d y t stasioner dan w t merupakan suatu proses ARMA(p,q), dikatakan bahwa y t adalah proses ARIMA (p,d,q) singkatan dari autoregresive integrated moving average order (p,d,q).
34 Sedangkan model dari proses ARIMA(p,d,q) dinyatakan dalam: φ(b) Δ d y t = δ + θ(b) e t φ(b) = 1 - φ 1 B - φ B φ p B p θ (B) = 1 B - θ B θ q B q Kadangkala, series w t = Δ d y t tidak merupakan campuran antara AR dan MA. Dalam hal demikian, modelnya dapat dinyatakan sebagai ARIMA (p,d,0) yaitu tanpa MA atau dapat dinyatakan sebagai ARIMA (0,d,q) yaitu tanpa AR. Mean dari model ARIMA (p,d,q) dinyatakan dalam μ w = δ(1 - φ 1 - φ φ p ) -1 ; dengan w t = Δ d y t
35 Dari rumusan tersebut, bila δ 0, y t cenderung punya tren. Misalkan saja, bila d =1 dan δ > 0, y t, cenderung punya tren naik. Hal ini terlihat pada Gambar Gambar ini menunjukkan adanya tren linier yang deterministik. Sedangkan Gambar 17.1 menunjukkan adanya tren yang tidak deterministik karena slopnya cenderung meningkat. Model ini bisa jadi terbentuk dari proses ARIMA dengan d = dan δ > 0 (setelah di difference dua kali, baru tren nya hilang).
36 ARIMA Model specification: Pada intinya, setiap data timeseries tidak stasioner yang homogen dapat dimodel dengan ARIMA (p,d,q). Persoalannya adalah bagaimana menentukan order dari p, d dan q. Penentuan order tesebut dapat dibantu dengan mengamati fungsi autokorelasi dan fungsi autokorelasi parsial dari time series tersebut.
37 Tahapan identifikasi timeseries y t yang tidak stasioner 1. Amati ρ k dari w t = Δ d y t Bila ρ k mendekati nol pada saat k membesar, maka w t sudah stasioner dan y t homogen tingkat d. Amati ρ k dari y t Bila ρ k = 0 untuk k > q, maka bagian MA nya berorde q. 3. ρ k dari AR menyusut secara geometris 4. Karakteristik ARMA: ρ k mengikuti MA pada periode q-p yang pertama, kemudian mengikuti karakteristik AR.
38 Comments: 1. In general, it is not easy to determine order p and q, especially for the higher order. For ARMA with low order like AR(1), AR(), MA(1), MA() and ARMA (1,1), the identification process is relatively easy. Alternatively, determining p and q by trial and error can be done. After p and q are determined, then the model will be tested whether the model is good or not.
Introduction to Stochastic Time Series Models
Introduction to Stochastic Time Series Models We have learned several simple extrapolation techniques for Deterministic Time Series Models We will study more complex extrapolation techniques that assume
Lebih terperinciARIMA and Forecasting
ARIMA and Forecasting We have learned linear models and their characteristics, like: AR(p), MA(q), ARMA(p,q) and ARIMA (p,d,q). The important thing that we have to know in developing the models are determining
Lebih terperinciApplication of ARIMA Models
Application of ARIMA Models We have learned how to model using ARIMA Stages: 1. Verify whether the data we are analyzing is a stationary data using ACF or other methods 2. If the data is not stationer,
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu
Lebih terperinciII. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang
II. TINJAUAN PUSTAKA 2.1 Analisis Deret Waktu (time series) Time series merupakan serangkaian observasi terhadap suatu variabel yang diambil secara beruntun berdasarkan interval waktu yang tetap (Wei,
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 terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
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 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 terperinciMetode Deret Berkala Box Jenkins
METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model
Lebih terperinciKAJIAN TEORI. atau yang mewakili suatu himpunan data. Menurut Supranoto (2001:14) Rata rata (μ) dari distribusi probabilitas
6 BAB II KAJIAN TEORI A. Statistik Dasar 1. Average (Rata-rata) Menurut Spiegel,dkk (1996:45) rata-rata yaitu sebuah nilai yang khas atau yang mewakili suatu himpunan data. Menurut Supranoto (2001:14)
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 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 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 terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciBAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan (Forceasting) 2.1.1 Pengertian Peramalan Untuk memajukan suatu usaha harus memiliki pandangan ke depan yakni pada masa yang akan datang. Hal seperti ini yang harus dikaji
Lebih terperinciModel Time Series Auto Regressive untuk Menentukan Nilai Tukar mata Uang Rupiah terhadap Dollar Amerika
Model Time Series Auto Regressive untuk Menentukan Nilai Tukar mata Uang Rupiah terhadap Dollar Amerika Adi Asriadi dan Taryo 12 Juni 2005 Abstraksi Tujuan utama dari makalah ini adalah untuk menentukan
Lebih terperinciBAB 2. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah sesuatu kegiatan situasi atau kondisi yang diperkirakan akan
Lebih terperinciPENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.
PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini
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 terperinciTEORI DASAR DERET WAKTU M A T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R
TEORI DASAR DERET WAKTU M A 5 2 8 3 T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R DERET WAKTU Deret waktu sendiri tidak lain adalah himpunan pengamatan
Lebih terperinciANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI
ANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciMATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip
MAA KULIAH MEODE RUNUN WAKU Oleh : Entit Puspita Nip 08 JURUSAN PENDIDIKAN MAEMAIKA FAKULAS PENDIDIKAN MAEMAIKA DAN ILMU PENGEAHUAN ALAM UNIVERSIAS PENDIDIKAN INDONESIA 00 //00 Entit Puspita BEBERAPA KONSEP
Lebih terperinciBAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan datang. Peramalan adalah proses untuk memperkirakan kebutuhan di masa datang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada
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 terperinciPengenalan Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 30 April 2012
Pengenalan Analisis Deret Waktu (Time Series Analysis) ) MA 208 Statistika Dasar 0 April 202 Utriweni Mukhaiyar Ilustrasi Berikut adalah data rata-rata curah hujan bulanan yang diamati dari Stasiun Padaherang
Lebih terperinciPEMODELAN 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 terperinciVERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING RANGE
VERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING RANGE (Studi Kasus : Kecepatan Rata-rata Angin di Badan Meteorologi Klimatologi dan Geofisika Stasiun Meteorologi Maritim Semarang) SKRIPSI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih 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 terperinciPREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32
PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32 Nanang WIdodo Penelid Staslun Pengamat Dlrgantara Watukosek, LAPAN ABSTRACT The time series of the monthly number
Lebih terperinciDiktat - Time Series Analysis. Siana Halim
Diktat - Time Series Analysis Siana Halim 19th January 2006 Prakata Diktat Time series ini merupakan rangkuman dari buku Box, G.E.P, Jenkins, G.M, Time Series Analysis, forecasting and Control, Revised
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Desain Penelitian Desain penelitian mempunyai peranan yang sangat penting, karena keberhasilan suatu penelitian sangat dipengaruhi oleh pilihan desain atau model penelitian.
Lebih terperinciPENERAPAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Oleh LIANA KUSUMA NINGRUM M0105047 SKRIPSI ditulis dan diajukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan
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 terperinciMODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI
MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciThe analysis was focused on heteroscedasticities that based on the magnitude of a regressor that caused non constant residual variances.
Model ARCH dan GARCH On earlier discussion, we have talked about the possibility of having heteroscedasticity in a model. We also have discussed how to overcome this problem to have more efficient parameter
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 terperinciSeasonal ARIMA adalah model ARIMA yang mengandung faktor musiman.
Definisi Seasonal ARIMA adalah model ARIMA yang mengandung faktor musiman. Musiman berarti kecenderungan mengulangi pola tingkah gerak dalam periode musim, biasanya satu tahun untuk data bulanan. Karena
Lebih terperinciTIME SERIES DENGAN K-STAT &EVIEWS
TIME SERIES DENGAN K-STAT &EVIEWS Oleh Prana Ugiana Gio Video Cara Mendownload Aplikasi Olah Data K-Stat : https://www.youtube.com/watch?v=cnywqjes6hq Menggunakan Aplikasi Olah Data K-Stat secara Online:
Lebih terperinciBAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Time Series atau runtun waktu adalah serangkaian data pengamatan yang berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan
Lebih terperinciPERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH
PERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Oleh RETNO HESTININGTYAS M0106061 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG SKRIPSI Disusun Oleh : NOVIA DIAN ARIYANI 24010211120016 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB III PEMBAHARUAN PERAMALAN. Pada bab ini akan dibahas tentang proses pembaharuan peramalan.
BAB III PEMBAHARUAN PERAMALAN Pada bab ini akan dibahas tentang proses pembaharuan peramalan. Sebelum dilakukan proses pembaharuan peramalan, terlebih dahulu dilakukan proses peramalan dan uji kestabilitasan
Lebih terperinciANALISIS INTERVENSI FUNGSI STEP
ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 2011) SKRIPSI Diajukan Sebagai Syarat untuk Memperoleh Gelar Sarjana Sains Pada Jurusan Statistika
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 terperinciDAFTAR ISI ABSTRAK... KATA PENGANTAR... UCAPAN TERIMA KASIH... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN...
DAFTAR ISI Halaman ABSTRAK... KATA PENGANTAR... UCAPAN TERIMA KASIH... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN... i ii iii v ix x xi BAB I PENDAHULUAN... 1 1.1 Latar Belakang Masalah...
Lebih terperinciPEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH
JIMT Vol. 12 No. 2 Desember 2016 (Hal 149-159) ISSN : 2450 766X PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH 1 Y. Wigati, 2 Rais, 3 I.T.
Lebih terperinciNon Linear Estimation and Maximum Likelihood Estimation
Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation We have studied linear models in the sense that the parameters are
Lebih terperinciPERBANDINGAN MODEL ARCH/GARCH MODEL ARIMA DENGAN MODEL FUNGSI TRANSFER
PERBANDINGAN MODEL ARCH/GARCH MODEL ARIMA DENGAN MODEL FUNGSI TRANSFER (Studi Kasus Indeks Harga Saham Gabungan dan Harga Minyak Mentah Dunia Tahun 2013 sampai 2015) SKRIPSI Oleh: DEBY FAKHRIYANA 24010212130041
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 terperinciAUTOKORELASI PADA BAGAN KENDALI
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 88 96 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND AUTOKORELASI PADA BAGAN KENDALI NILA CHOIROTUNNISA, MAIYASTRI, YUDIANTRI ASDI Program Studi Matematika,
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 terperinciPENGGUNAAN METODE ARIMA DALAM MERAMAL PERGERAKAN INFLASI
PENGGUNAAN METODE ARIMA DALAM MERAMAL PERGERAKAN INFLASI Hartati FMIPA Universitas Terbuka e-mail: hartati@ecampus.ut.ac.id ABSTRACT Inflation is a problem which haunts the economy of each country. Its
Lebih terperinciUNIVARIATE ARIMA ( Box Jenkin Methodology ) MODELLING WORKSHOP ANALISIS RESIKO UNTUK BISNIS. Oleh : Maman Setiawan, SE, MT
UNIVARIATE ARIMA ( Box Jenkin Methodology ) MODELLING WORKSHOP ANALISIS RESIKO UNTUK BISNIS Oleh : Maman Setiawan, SE, MT 28 29 September 2004 PROGRAM PENGEMBANGAN KOMPETENSI BISNIS DIVISI PENGKAJIAN DAN
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 DATA MINING Data Mining adalah analisis otomatis dari data yang berjumlah banyak atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya
Lebih terperinciPENDUGAAN PARAMETER MODEL AUTOREGRESSIVE PADA DERET WAKTU
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 28 37 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER MODEL AUTOREGRESSIVE PADA DERET WAKTU NELFA SARI Program Studi Matematika, Fakultas
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 terperinciMODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE
MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan
Lebih terperinciANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun )
ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 2011) Amelia Crystine 1, Abdul Hoyyi 2, Diah Safitri 3 1 Mahasiswa Jurusan Statistika FSM UNDIP
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 terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih 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 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 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 terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Sumber Data Penelitian ini menggunakan data sekunder yang diperoleh dari BEI. Data yang digunakan dalam penelitian ini merupakan data harian yang dimulai dari 3 Januari 2007
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciPERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA
PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA Tanti Octavia 1), Yulia 2), Lydia 3) 1) Program Studi Teknik Industri, Universitas
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii NASKAH SOAL TUGAS AKHIR... iv HALAMAN PERSEMBAHAN... v INTISARI... vi KATA PENGANTAR... vii UCAPAN TERIMA KASIH... viii
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPenerapan Analisa Time Series Terhadap Nilai Matematika di SMAS Alfa Centauri Bandung.
Penerapan Analisa Time Series Terhadap Nilai Matematika di SMAS Alfa Centauri Bandung. Imam Nulhakim, Utriweni Mukhaiyar Institut Teknologi Bandung, Jl.Tamansari no 64, Bandung; imamnul@gmail.com Jl.Tamansari
Lebih terperinciPERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika Vol. 1, No. 6 (2013), pp. 579 589. PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS Raisa Ruslan, Agus Salim Harahap, Pasukat Sembiring Abstrak. Dalam
Lebih terperinciPrediksi Harga Saham dengan ARIMA
Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan
Lebih terperinciPETUNJUK PRAKTIKUM MATAKULIAH : METODE RUNTUN WAKTU
PETUNJUK PRAKTIKUM MATAKULIAH : METODE RUNTUN WAKTU Disusun Oleh : ENTIT PUSPITA NIP : 132086616 JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR PERTUMBUHAN KREDIT DOMESTIK
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR PERTUMBUHAN KREDIT DOMESTIK oleh PITANINGSIH NIM. M0110064 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
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 terperinciArtikel Ilmiah. Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs.
Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor dengan Metode Autoregressive Integrated Moving Average (ARIMA) (Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah Provinsi Jawa Tengah) Artikel
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Teknologi informasi telah berkembang dengan relatif pesat. Di era
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi informasi telah berkembang dengan relatif pesat. Di era informasi seperti sekarang ini kebutuhan akan informasi semakin meningkat, terutama dengan
Lebih terperinciEKONOMETRI TIME SERIES SANJOYO
EKONOMETRI TIME SERIES SANJOYO TOPIK - TOPIK 1. Pengertian Dasar 2. Pengujian Stasioneritas 3. ARMA & ARIMA 4. ARCH & GARCH 5. VAR 6. COINTEGRATION & ECM 7. SIMULTAN EQUATION ARMA & ARIMA(1) Metodologi
Lebih terperinciBAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation
BAB II LANDASAN TEORI Pada Bab II akan dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya yaitu peramalan data runtun waktu (time series), konsep dasar
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
Lebih terperinciPERBANDINGAN UJI PORTMANTEAU UNTUK KORELASI DIRI SISAAN PADA MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KURNIA SEKAR NEGARI
PERBANDINGAN UJI PORTMANTEAU UNTUK KORELASI DIRI SISAAN PADA MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KURNIA SEKAR NEGARI DEPARTEMEN STATISTIKA 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 terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciPEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA
Jurnal Matematika UNAND Vol. 3 No. 3 Hal. 59 67 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA ANNISA UL UKHRA Program Studi Matematika,
Lebih terperinciANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG
ANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG Anik Rufaidah 1), Muhamad Afif Effindi 2) 1, 2) Sekolah Tinggi Teknik Qomaruddin Gresik Jalan Raya No. 01 Bungah Gresik 61152 e-mail: anikrufaidah99@gmail.com
Lebih terperinciTREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA)
TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) Jerhi Wahyu Fernanda, Wisnaningsih S, Emilia Boavida,, Prodi Rekam Medis Informasi Kesehatan Institut Ilmu Kesehatan
Lebih terperinciDalam kasus-kasus terjadinya heteroskedastisitas, var(e i. ) = σ i2
Heteroscedasticity Before discussing ARCH (AutoRegressive Conditional Heteroscedasticity) and GARCH (Generalized AutoRegressive Conditional Heteroscedasticity) models, we need to review the concept of
Lebih terperinci