MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
|
|
- Indra Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 iinrukini@gmail.com, 2 suharono@saisika.is.ac.id2 Absrak Inflasi merupakan indikaor pening yang dapa memberikan informasi mengenai perkembangan harga barang dan jasa yang dikonsumsi masyaraka. Bank Indonesia melakukan kebijakan moneer berdasarkan kerangka kerja yang dinamakan ITF (inflaion argeing framework) unuk memelihara kesabilan nilai rupiah. Kesabilan nilai rupiah erhadap barang dan jasa ersebu akan ercermin pada inflasi. Peramalan erhadap inflasi menjadi pening agar dapa membanu pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa yang akan daang. Secara umum peramalan inflasi dapa dilakukan dengan pendekaan ime series, pendekaan kausal, dan gabungan anara pendekaan ime series dan kausal. Model dengan pendekaan gabungan yang banyak digunakan unuk peramalan inflasi adalah ARIMAX yang mencakup model Fungsi Transfer dan Model Inervensi aau dikenal juga dengan model regresi dinamis. Selain iu, pendekaan Generalized Auoregresive Condiional Heeroscedasiciy (GARCH) unuk model varians juga elah diaplikasikan pada peramalan inflasi. Salah sau permasalahan uama dalam pemodelan ARIMAX dengan banyak predikor yang berskala merik dan nonmerik adalah belum adanya prosedur sandar (baku) unuk proses pembenukan model. Dalam makalah ini akan dipaparkan prosedur pembenukan model ARIMAX dan deeksi GARCH, variabel predikor yang digunakan erdiri aas variabel berskala merik (yaiu jumlah wisaawan mancanegara), dan variabel berskala nonmerik (yaiu kenaikan bahan bakar minyak (BBM), arif dasar lisrik (TDL), dan kejadian bom Bali). Berdasarkan hasil peneliian, model inervensi adalah model erbaik dengan nilai AIC dan SBC erkecil. Jadi idak selamanya dengan melibakan banyak predikor menghasilkan model yang lebih baik. Hasil deeksi GARCH dengan uji Langrange Muliplier idak diemukan adanya unsur heeroskedasisias pada model ARIMAX baik model fungsi ransfer maupun model inervensi). Kaa kunci: ARIMAX, GARCH, inflasi, merik, non merik A. PENDAHULUAN Inflasi dapa diarikan juga sebagai suau proses meningkanya harga barang dan jasa secara umum, erus menerus dan saling mempengaruhi. Penyebab inflasi dapa dikelompokkan menjadi iga kaegori, yaiu Ekspekasi Inflasi, Volailias Nilai Tukar dan Oupu Gap yang berupa keidakseimbangan anara perminaan dan pasokan (Hasbullah, 2). Ekspekasi inflasi biasanya disebabkan oleh kenaikan arif dasar lisrik (TDL), bahan bakar minyak (BBM), elpiji dan lain-lain. Inflasi memiliki dampak posiif dan negaif erganung pada besar kecilnya ingka inflasi. Karena besarnya pengaruh yang diimbulkan inflasi erhadap perekonomian negara, maka perlu dilakukan peramalan erhadap ingka inflasi pada masa yang akan daang guna Makalah dipresenasikan dalam Seminar Nasional Maemaika dan Pendidikan Maemaika dengan ema Penguaan Peran Maemaika dan Pendidikan Maemaika unuk Indonesia yang Lebih Baik" pada anggal 9 November 23 di Jurusan Pendidikan Maemaika FMIPA UNY
2 menenukan langkah-langkah yang harus disiapkan dalam menghadapi kondisi ekonomi ke depan yang dipengaruhi oleh inflasi. Peramalan inflasi berhubungan dengan peramalan daa runun waku aau ime series. Model ime series yang paling populer dan banyak digunakan dalam peramalan daa ime series univaria adalah model Auoregressive Inegraed Moving Average aau yang dikenal dengan model ARIMA (Makridakis e al., 998). Prosedur Box- Jenkins merupakan prosedur baku (sandar) yang dikenalkan oleh Box-Jenkins (976) unuk mendapakan model ARIMA yang sesuai pada suau daa runun waku. Peneliian-peneliian sebelumnya mengenai peramalan inflasi yang menggunakan eknis model ime series mulivariae dianaranya dilakukan oleh Kismianini dan Dhoriva (2) dampak penurunan harga BBM jenis premium erhadap angka inflasi di koa Yogyakara menggunakan model inervensi dengan sep funcion dan Rokimah (2) yang meramalkan inflasi Jawa Timur dengan pendekaan fungsi ransfer dan arificial neural nework. Sampai hari ini sejauh penulis keahui belum ada peneliian yang melibakan gabungan inpu merik (yaiu jumlah wisaawan mancanegara ) dan nonmerik (yaiu kenaikan bahan bakar minyak (BBM), arif dasar lisrik (TDL) dan kejadian bom Bali), khususnya yang menjelaskan prosedur pembenukan modelnya. Meode pendekaan gabungan yang banyak digunakan dalam peramalan inflasi adalah ARIMAX yang mencakup model fungsi ransfer dan model inervensi. Sebagai salah sau meode dalam analisis daa ime series, ARIMA dan ARIMAX menjadi meode yang dipakai secara luas dalam ekonomerika. Meode ini mensyarakan beberapa kondisi yang harus dipenuhi, anara lain daa harus sasioner, baik sasioner dalam mean aaupun sasioner dalam varians. Selain iu, residual dari model ersebu harus bersifa whie noise yaiu residual mempunyai mean nol dan mempunyai varians yang konsan (Box dan Jenkins, 976). Daa yang mempunyai volailias yang inggi sanga riskan unuk digunakan dalam melakukan peramalan. Dalam prakek, pemodelan ARIMA aau ARIMAX pada suau daa ekonomi seringkali memberikan residual dengan varians yang idak konsan (heerogen). Engle (982) memperkenalkan model Auoregressive Condiional Heeroscedasiciy (ARCH) unuk memodelkan inflasi di Inggris yang mengandung varians yang idak konsan. Kemudian model ARCH disempurnakan menjadi Generalized ARCH (GARCH) oleh Bolerslev (986). Meode ini mampu mengaasi heeroskedasisias dalam daa dere waku. Berdasarkan laar belakang yang elah diuraikan diaas, maka rumusan masalah dalam peneliian ini adalah: Bagaimana prosedur pembenukan model ARIMAX dengan predikor (inpu) daa merik dan nonmerik dan mendeeksi adanya GARCH unuk residual model ARIMAX dengan predikor merik dan nonmerik sera berapa nilai ramalan inflasi Koa Denpasar bulan Januari-Desember 23 berdasarkan model ARIMAX Adapun ujuan yang ingin dicapai dalam peneliian ini adalah: mengkaji dan mengembangkan prosedur pembenukan model ARIMAX dan deeksi GARCH dengan predikor (inpu) daa merik dan nonmerik sera mendapakan nilai ramalan inflasi koa Denpasar bulan Januari-Desember 23. Manfaa yang dapa diambil adalah sebagai masukan kepada pihak erkai, khususnya Bank Indonesia cabang Denpasar, dalam mengambil kebijakan ekonomi berkaian dengan inflasi sera mengembangkan wawasan dan pengeahuan mengenai model ARIMAX dan GARCH. B. METODOLOGI PENELITIAN Pada bab ini akan dijelaskan mengenai meodologi peneliian yang melipui sumber daa, variabel yang digunakan, dan meode analisis yang erdiri aas ahapan-ahapan peneliian yang akan dilakukan. Daa yang digunakan dalam peneliian ini adalah daa sekunder yaiu daa inflasi Koa Denpasar, daa enang jumlah wisaawan mancanegara dan daa enang kejadiankejadian khusus yang diduga menyebabkan kenaikan inflasi, yaiu kenaikan BBM, kenaikan TDL, dan kejadian Bom Bali I dan II. Daa ersebu diamai mulai Januari 2 sampai dengan Desember 2. Pada proses analisis, daa akan dibagi menjadi dua bagian yaiu daa raining unuk pembenukan model dan daa esing unuk validasi dan pemilihan model erbaik. Daa Yogyakara, 9 November 23 MS - 22
3 periode Januari 2 sampai dengan Desember 2 digunakan sebagai daa raining (insample) dan daa periode Januari 2 sampai dengan Desember 2 sebagai daa esing (ousample). Secara umum ada dua variabel yang digunakan dalam peneliian ini, yaiu variabel respon (oupu) dan variabel predikor (inpu). Variabel oupu yang menjadi fokus kajian peneliian adalah inflasi bulanan di Koa Denpasar. Sedangkan variabel inpu peneliian erdiri aas variabel dengan skala merik, yaiu jumlah wisaawan mancanegara yang berkunjung ke Bali, dan variabel dengan skala nonmerik yaiu kejadian kenaikan BBM, kejadian kenaikan TDL, dan kejadian bom Bali I dan II. Semua variabel peneliian ersebu diamai dalam periode bulan. Tabel Deskripsi enang variabel peneliian No. Variabel Keerangan Skala Y Inflasi Koa Denpasar pada bulan ke- Merik (inerval) 2 X Jumlah wisaawan mancanegara yang berkunjung ke Bali pada bulan ke- Merik (rasio) 3 X3 j, Kejadian kenaikan BBM ke-j pada bulan ke- Nonmerik(nominal) 4 X4 j, Kejadian kenaikan TDL ke-j pada bulan ke- Nonmerik(nominal) 5 X5 j, Kejadian bom Bali ke-j pada bulan ke- Nonmerik(nominal) Tabel 2 Deskripsi enang variabel kejadian kenaikan BBM Waku () Inervensi % Kenaikan Tanggal Kejadian b r s X3, 5% Okober 2 8 X3 2, 26,9% 6 Juni 2 25 X3 3, 6,9% 7 Januari X3 4, 6,77% 2 Januari X3 5, 6% Mare 25 7 X3 6, 6% Okober 25 X3 7, 33,3% 24 Mei 28 3 Tabel 3 Deskripsi enang variabel kejadian kenaikan TDL Waku () Inervensi % Kenaikan Tanggal Kejadian b r s X4, 6% X4 2, 6% X4 3, 6% X4 4, 6% X4 5, 6% X4 6, % Januari 23 April 23 Juli 23 Okober 23 Juli 2 Januari 2 Yogyakara, 9 November 23 MS - 22
4 Tabel 4 Deskripsi enang variabel kejadian Bom Bali Waku () Inervensi Tanggal Kejadian b r s 34 X5, Okober 22 7 X5 2, Okober 25 Tahapan pengembangan prosedur unuk pembenukan model ARIMAX erdiri dari prosedur pembenukan model dengan inpu skala merik (dikenal dengan model Fungsi Transfer) dan prosedur pembenukan model dengan inpu skala nonmerik (dikenal dengan model inervensi). Beriku ini adalah ahap-ahap yang akan dilakukan unuk pengembangan prosedur pembenukan model ARIMAX dan deeksi GARCH dengan inpu skala merik dan nonmerik. Tahapan Pembenukan Model ARIMAX dengan Inpu skala merik ( Fungsi Transfer) a. Idenifikasi benuk model - Mempersiapkan dere inpu dan dere oupu - Prewhiening dere inpu dan dere oupu - Penghiungan Crosscorrelaion dan auokorelasi unuk dere inpu dan dere oupu yang elah di-prewhiening. - Penaksiran bobo respon impuls - Peneapan (b, r, s) unuk model fungsi ransfer - Penaksiran awal dere gangguan (noise series) - Penenuan model ARIMA dari dere gangguan n b. Esimasi Parameer Model Fungsi Transfer c. Diagnosa Model Fungsi Transfer Tahapan Pembenukan Model ARIMAX dengan Inpu skala nonmerik (Inervensi) a. Membua variabel dummy unuk masing-masing waku kenaikan harga BBM b. Menenukan nilai (b, r, s) unuk masing-masing inervensi yang erjadi, yaiu meliha efek yang diimbulkan dari masing-masing waku inervensi ersebu c. Esimasi parameer dan uji signifikansi unuk model d. Pemeriksaan diagnosa erhadap residualnya apakah whie noise dan berdisribusi normal. e. Mengulangi langkah (a) sampai langkah (d) unuk variabel inervensi berikunya Tahapan Pembenukan Model ARIMAX dengan Inpu gabungan skala merik dan nonmerik yaiu a. mengesimasi secara serenak (simulan) gabungan dari model inpu merik (model fungsi ransfer) dan model inpu nonmerik (model inervensi) sesuai engan order madel pada ahap dan 2. b. Melakukan Perbandingan Akurasi Hasil dari Model Fungsi Transfer, Model Inervensi dan Model Gabungan c. Idenifikasi Heeroskedasisias (GARCH) pada varians residual model ARIMAX d. Peramalan Model ARIMAX Yogyakara, 9 November 23 MS - 222
5 C. HASIL DAN PEMBAHASAN Pembenukan model ARIMAX dengan inpu skala merik (model fungsi ransfer). i. Prewhiening Variabel Oupu Inflasi Koa Denpasar 7 Time S e ries P lo of Y Auocorrelaion Funcion for Y (wih 5% significance lim is for he auocorrelaions) 6 5,,8,6 Y A uocorrelaion,4,2, -,2 -,4 -,6 - -,8-2 M onh Ja n Jan Jan Jan Jan Jan Jan Ja n Jan Jan Jan Jan Year , Lag Gambar Time series plo inflasi Gambar 2 Plo ACF inflasi Gambar Menunjukkan bahwa daa sudah sasioner, namun ada sau iik eksrim yang diduga dapa mempengaruhi pemodelan. Plo ACF pada Gambar 2 erliha bahwa idak ada lag yang keluar dari baas (idak ada yang signifikan) arinya daa sudah whie noise. Sehingga model ARIMA inflasi Koa Denpasar yaiu ARIMA (,,), Hal ini dikarenakan daanya bersifa random. Persamaan model ARIMA (,,) menggunakan nilai raa-raanya yaiu Y,6244 a, namun residual belum berdisribusi normal. ii.prewhiening Dere Inpu Jumlah Wisaawan Mancanegara 3 Time S eries Plo of X Auocorrelaion Funcion for X (wih 5% significance limis for he auocorrelaions), 2 5,8,6 X 2 5 Auocorrelaion,4,2, -,2 -,4 -,6 5 -,8 -, M o nh Ja n Ja n Ja n Ja n Ja n Ja n Ja n Ja n Ja n Ja n Ja n Ja n Ye a r L a g Gambar 3 Time series plo Wisman Gambar 4 Plo ACF Wisman Auocorrelaion Funcion for D.d.X (wih 5% significance limis for he auocorrelaions) Parial Auocorrelaion Funcion for D.d.X (wih 5% significance limis for he parial auocorrelaions),,,8,8 Auocorrelaion,6,4,2, -,2 -,4 -,6 -,8 -, 24 Lag Parial Auocorrelaion,6,4,2, -,2 -,4 -,6 -,8 -, 24 Lag Gambar 5 Plo ACF Wisman seelah differencing dan Gambar 6 Plo PACF Wisman seelah differencing dan Gambar 5 dan Gambar 6 menunjukkan plo ACF dan PACF daa jumlah wisaawan mancanegara seelah differencing reguler dan differencing musiman. Dengan meliha pola Yogyakara, 9 November 23 MS - 223
6 PACF yang diesdown dan ACF cu off di lag, maka dugaan model ARIMA yang erbenuk adalah model ARIMA (,,)(,,).. Tabel 5 Esimasi dan Uji Signifikansi Parameer Model ARIMA Jumlah Wisaawan Mancanegara Model Parameer Esimasi P_value Kepuusan ARIMA(,,)(,,),792 <, Signifikan Tabel 6 Hasil Uji Whie Noise Residual ARIMA Jumlah Wisaawan Mancanegara Model Lag Chi-Sqr DF P_value Kepuusan ARIMA(,,)(,,) ,53,46 7,29 23, ,4759,3297,4347,4372 Whie Noise Whie Noise Whie Noise Whie Noise Persamaan unuk dere inpu dengan model ARIMA (,,)(,,) yang diperoleh ( B)( B ) x adalah ( B)( B) x ( B ) jadi dan persamaan dere (, 792 B ) ( B)( B ) y oupu adalah. Penenuan nilai (b, r, s) didasarkan pada hasil plo (, 792 B ) Crosscorrelaion Funcion (CCF) analisis korelasi silang anara dere inpu dan dere oupu yang elah dipuihkan yaiu hanya signifikan pada lag, sehingga diduga nilai b=, r=, dan s=. Tabel 7 Hasil Esimasi Parameer Model Fungsi Transfer Parameer Esimasi P_value Lag Variabel Shif,8282 <, y,73866 <, y,35,82 x Berdasarkan Tabel 7 dapa disimpulkan bahwa parameer model fungsi ransfer elah signifikan dengan nilai P_value masing-masing parameer kurang dari,5. Model fungsi ransfer dapa diuliskan dalam persamaan beriku: y x B B a., 35 (,828 )(, 739 ) dengan: y Y Y Y Y 3 x X X X X 3 Yogyakara, 9 November 23 MS - 224
7 Berdasarkan hasil uji whie noise residual fungsi ransfer dan uji korelasi silang dengan dere inpu semua idak signifikan pada araf signifikansi,5 aau nilai P_value lebih besar dari,5 yang berari model fungsi ransfer elah memenuhi asumsi whie noise Pembenukan model ARIMAX dengan inpu skala nonmerik (model inervensi). Efek yang diimbulkan dari kejadian inervensi pada ingka inflasi bisa erjadi saa (bulan) dimana waku inervensi iu erjadi dan ada juga yang erjadi pada (bulan) berikunya. Hal ini akiba dari anggal pada bulan kejadian inervensi, jika anggal kejadian inervensi pada akhir bulan maka efeknya erjadi pada bulan berikunya. Hasil Esimasi dan Uji Signifikansi Parameer Model Inervensi dengan dugaan awal (b, r, s) menunjukkan bahwa unuk variabel inervensi kenaikan BBM pada bulan Januari 23, kenaikan BBM bulan Mei 28, kenaikan TDL bulan April 23, kenaikan TDL bulan Juli 23, kenaikan TDL bulan Okober 23, kenaikan TDL bulan Januari 2, bom Bali I bulan Okober 22 idak signifikan. Unuk kejadian bom Bali II signifikan pada = 7 yang bersamaan dengan kenaikan BBM bulan Okober 25. Selanjunya menguji kembali dengan mengeluarkan variabel inervensi yang idak signifikan dengan dugaan model AR pada lag,4,6,7,9 yang signifikan. Hasil yang diperoleh variabel elah signifikan dengan araf signifikansi % dan makin kecil nilai sandard error nya. Parameer Tabel 8 Esimasi dan Uji signifikansi Parameer Model Inervensi seelah dieliminasi variabel inpu nonmerik yang idak signifikan Esimasi Sandar Error P_value Lag variabel Shif Kepuusan,29594,835,3 Y Signifikan 4,6574,778,334 4 Y Signifikan 7,2496,785,8 7 Y Signifikan 9,653,797,43 9 Y Signifikan,6769,57367,42 X3, Signifikan 2 2,657,58442 <, X3 2, Signifikan 3,446,59347,569 X3 3, Signifikan, -,522,624,639 X3 5, Signifikan 4 2,72,58332,4 X3 6, Signifikan 5 6,49882,58779 <, X3 7, Signifikan,,744,58972,486 X3 7, Signifikan, -,576,5927,755 X3 7, Signifikan 7,8898,56988,9 X4 5, Signifikan Sehingga model inervensi yang diperoleh dapa diulis dalam persamaan beriku: Yogyakara, 9 November 23 MS - 225
8 Y, 6769X 3 2, 657X 3,446 X 3,522 X 3 2,72X 3, 2, 3, 3, 5, 6, 49882X 3,744 X 3, 576X 3,8898 X 4, 29594Y 6, 7, 7, 5,,6579Y, 2496Y,653Y a Pembenukan model ARIMAX dengan inpu skala merik dan nonmerik Hasil esimasi dan uji signifikansi parameer pada model ARIMAX dengan gabungan inpu skala merik dan nonmerik. Pada variabel skala merik yaiu jumlah wisaawan mancanegara (X ) menjadi idak signifikan dan pada skala nonmerik variabel X3,, X3 3,, X3 7, menjadi idak signifikan pada model gabungan. Selanjunya variabel nonmerik yang idak signifikan dikeluarkan dari model kemudian diesimasi dan uji signifikansi lagi hasilnya erliha pada Tabel 9 beriku: Tabel 9 Esimasi dan Uji Signifikansi Parameer Model ARIMAX gabungan seelah dieliminasi variabel inpu nonmerik yang idak signifikan Parameer Esimasi Sandar Error P_value Lag variabel Shif Kepuusan,5554,878 <, Y Signifikan,3265,997,5 4 Y Signifikan 4 -,6377,624,95 7 Y Signifikan 7,7362,6623 <, Y Signifikan 9,39,37,2954 X Tidak Signifikan 2 2,2698,6358 <,5 X3 2, Signifikan 2,33,6346,2 X3 5, Signifikan 3 6,589,64688 <, X3 6, Signifikan, 4,5445,65298,229 X4 5, Signifikan Variabel inpu skala merik yaiu jumlah wisaawan mancanegara (X ) masih eap idak signifikan pada model ARIMAX dengan gabungan inpu skala merik dan nonmerik. Sehingga persamaan model ARIMAX dengan inpu skala merik dan nonmerik yang erbenuk sebagai beriku: Y, 39X 2, 2698X 3 2, 33X 3 6,589X 3,5445X 4 2, 5, 6, 5,,5554Y,3265Y,6377Y, 7362Y a Perbandingan Model Fungsi Transfer, Model Inervensi dan Model Gabungan Hasil analisis dari keiga model ARIMAX, model inervensi merupakan model ARIMAX erbaik dengan meliha krieria AIC, SBC dan Sandard Error Esimasi memiliki nilai erkecil seperi erliha pada Tabel beriku: Tabel Krieria Pemilihan Model ARIMAX Model AIC SBC Sandar Error Esimae Fungsi Transfer 384, ,367,5768 Inervensi 28, ,49, Gabungan (skala merik dan nonmerik) 37, ,5382, Yogyakara, 9 November 23 MS - 226
9 Idenifikasi Heeroskedasisias (GARCH) pada varians residual model ARIMAX yang erpilih Pada analisis sebelumnya unuk model inervensi dan model fungsi ransfer elah memenuhi asumsi yaiu signifikan erhadap parameer, whie noise dan berdisribusi normal. Sedangkan parameer pada model gabungan idak signifikan erhadap parameer yaiu pada variabel X. Langkah selanjunya adalah pendeeksian erhadap adanya heeroskedasisias hanya pada model inervensi dan fungsi rasnfer. Hasil deeksi heeroskedasisias dengan uji Lagrange Muliplier, diperoleh bahwa kedua model bebas dari unsur heeroskedasisias, dimana nilai P_value dari kedua model lebih besar dari,5 Tabel. Hasil Uji Heeroskedasisias dengan uji LM pada model Inervensi Tabel. Hasil Uji Heeroskedasisias dengan uji LM pada model fungsi Transfer Q and LM Tess for ARCH Disurbances Order Q Pr > Q LM Pr > LM Q and LM Tess for ARCH Disurbances Order Q Pr > Q LM Pr > LM D. KESIMPULAN DAN SARAN Dari hasil analisis model ARIMAX yaiu model fungsi ransfer, model inervensi dan gabungan ernyaa model erbaiknya adalah model inervensi. Persamaan model inervensi yang erbenuk adalah: Y, 6769X 3 2, 657X 3,446 X 3,522 X 3 2,72X 3, 2, 3, 3, 5, 6, 49882X 3,744 X 3, 576X 3,8898 X 4, 29594Y 6, 7, 7, 5,,6579Y, 2496Y,653Y a Jadi dalam peneliian ini dapa diarik kesimpulan bahwa idak selamanya model ARIMAX yang melibakan banyak predikor yaiu inpu skala merik dan nonmerik menghasilkan model yang lebih baik. Hasil dari deeksi heeroskedasisias dengan uji Lagrange Muliplier dari kedua model ARIMAX baik model inervensi maupun fungsi ransfer idak ada unsur heeroskedasisias (GARCH). E. DAFTAR PUSTAKA Box, G.E., Jenkins, G., & Reinsel, G.C. (994), Time Series Analysis:Forecasing and Conrol (3rd ed. ). New Jersey Bollerslev, T. (986), A Generalized Auoregressive Condiional Heeroscedasi-ciy. Journal of Economerics, vol.3: Yogyakara, 9 November 23 MS - 227
10 BPS Provinsi Bali, 2-2, Bali Dalam Angka. Engle, R.F. (982), Auoregressive Condiional Heeroscedasiciy wih Esimas of Variance of U.K.Inflaion. Economerics, vol. 5:987-8 Hasbullah, J. (2), Tangguh dengan Saisik akura dalam membaca Realia Dunia, penerbi Nuansa Cendikia Kismianini & Dhoriva(2), Dampak penurunan harga BBM jenis Premium erhadap angka Inflasi koa Yogyakara menggunakan model Inervensi dengan Sep Fungsi Edisi Khusus Seminar Nasional Maemaika, UNY, Yogyakara, 5 Desember 29. Makridakis, S., Weelwrigh, S.C., & McGee.,V.E(999), Meode dan Aplikasi Peramalan. Edisi kedua jilid I penerbi Erlangga Rokimah, N. J. (2), Pendekaan Fungsi Transfer dan Arificial Neural Nework unuk Meramalkan Inflasi Jawa Timur. Tesis S2, Insiu Teknologi Sepuluh Nopember Surabaya Wei, W.W.S. (26), Time Series Analysis Univariae and Mulivariae Mehod, Second Ediion. Pearson Addison Wesley, USA Yogyakara, 9 November 23 MS - 228
Model 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 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 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 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 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 terperinciPeramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS
JURNAL SAINS DAN SENI IS Vol. 4, No., () 2337-3 (2-928X Prin) D-67 Peramalan Inflasi Nasional Berdasarkan Fakor Ekonomi Makro Menggunakan Pendekaan ime Series Klasik dan ANFIS Clara Agusin Sephani, Agus
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 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 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 INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
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 terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
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 terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
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 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 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 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 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 terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
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 Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih terperinciAnalisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender
Analisis Peramalan Jumlah Perminaan Kerudung di Indusri Kecil Kerudung Arin di Surabaya dengan Meode Variasi Kalender Disusun oleh : Sely Enggar Rusiano 307 030 030 Dosen Pembimbing : Dr. Irhamah, M.Si
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 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 terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciPEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 9 PEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL Y.P.Y. Asmara,
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN
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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function) 1
DAMPAK PENURUNAN HARGA BBM JENS PREMUM TERHADAP ANGKA NFLAS D KOTA YOGYAKARTA (Sudi Aplikasi Model nervensi dengan Sep Funcion) Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika FMPA Universias
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 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 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 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 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 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 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 terperinciPERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS Puri Handayani NRP 1314 030 112 Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si. Deparemen
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 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 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 terperincimetodologi penelitian
pendahuluan injauan pusaka meodologi peneliian hasil dan pembahasan kesimpulan Pusaka Meodologi Peningkaan Energi lisrik Kebuuhan energi lisrik Pengembangan sisem energi lisrik Peramalan beban lisrik Slide
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 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 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 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 terperinciPERAMALAN CURAH HUJAN DENGAN WAVELET
PERAMALAN CURAH HUJAN DENGAN WAVELET Garini Widosari 1 T-7 1 Polieknik Negeri Samarinda 1 garini_72@yahoo.com Absrak Peramalan adalah salah sau unsur yang sanga pening dalam pengambilan kepuusan. Peranan
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 terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciPEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA
PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA Fadil Rahman Hakim, Dr. Ir. Achmad Mauludiyano, MT. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri
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 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 terperinciTUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor
TUGAS AKHIR Pendekaan Meode ARIMA Box Jenkins unuk Analisis Peramalan Daa Ekspor Non Migas Indonesia Di Sekor Peranian, Sekor Perindusrian dan Sekor Nurul Laifa Perambangan 307 030 70 Dosen pembimbing
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciPROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, November PROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER Suharono dan
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama: Zahroh Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika
Lebih terperinciPERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA
TUGAS AKHIR SS 145561 PERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA RIZKI FEBRIASTO NRP 1314 030 102 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi
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 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 terperinciPERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS Affanda Abdul Hakim Aminullah NRP 1314 030 048 Dosen Pembimbing : Dr. Brodjol Suijo S.U., M.Si Deparemen
Lebih terperinciBAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat
BAB 1 PENDAHULUAN 1.1 Laar Belakang Sumber Daya Alam (SDA) yang ersedia merupakan salah sau pelengkap ala kebuuhan manusia, misalnya anah, air, energi lisrik, energi panas. Energi Lisrik merupakan Sumber
Lebih terperinciANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS:
ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: UDD PMI KOTA SURABAYA) Oleh: Winda Eka Febriana (0500) Pembimbing: Ir. Dwiamono Agus W., MIKom . LATAR BELAKANG DARAH
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 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 terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciPeramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima- Neural Network untuk Optimasi Persediaan
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-94 Peramalan Kebuuhan Bahan Bakar Premium di Depo Ampenan dengan Meode Hibrida Arima- Neural Nework unuk Opimasi Persediaan Okivianis Kusumaningrum,
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciPERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Mohammad Fariq NRP 1314 030 015 Dosen Pembimbing Dra. Sri Mumpuni Renaningsih,
Lebih terperinciDosen Pembimbing Dr. Brodjol Sutijo Suprih Ulama, M.Si.
TUGAS AKHIR SS 145561 PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS BOBBY AKBAR NRP 1314 030 002 Dosen Pembimbing Dr Brodjol Suijo Suprih Ulama, MSi DEPARTEMEN
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 terperinciPERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN Yuli Wahyuningsih (), Brodjol Suijo S. U (), Suharono () Mahasiswa Jurusan Saisika, FMIPA, Insiu Teknologi
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciPENGGUNAAN 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 terperinciPEMODELAN VOLATILITAS DALAM ANALISIS DATA MAKROEKONOMI STUDI KASUS PADA INFLASI.
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.
Lebih terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
Lebih terperinciPendekatan Fungsi Transfer Sebagai Input Adaptive Neuro-Fuzzy Inference System (ANFIS) dalam Peramalan Kecepatan Angin Rata-Rata Harian di Sumenep
JURNL SINS DN SENI ITS Vol., No., (Sep. 0 ISSN: 0-9 D- Pendekaan Fungsi Transer Sebagai Inpu dapive Neuro-Fuzzy Inerence Sysem (NFIS dalam Peramalan Kecepaan ngin Raa-Raa Harian di Sumenep Yulia Nurviasari
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 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 terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
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 terperinciPemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Metode ARIMA, FFNN, dan Hybrid ARIMA-FFNN
D-444 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) 27-520 (20-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Meode ARMA, FFNN, dan Hybrid ARMA-FFNN Daniar Kusumaning Ayu, Desri Susilaningrum
Lebih terperinciPERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP 1314 030 070 Dosen Pembimbing Dr. Brodjol Suijo
Lebih terperinciModel Dinamis: Autoregressive Dan Distribusi Lag (Studi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domestik Regional Bruto (PDRB))
Model Dinamis: Auoregressive Dan Disribusi Lag (Sudi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domesik Regional Bruo (PDRB)) Dynamic Model : Auoregressive and Disribuion Lag (Case Sudy: Effecs
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 III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Peneliian Jenis peneliian kuaniaif ini dengan pendekaan eksperimen, yaiu peneliian yang dilakukan dengan mengadakan manipulasi erhadap objek peneliian sera adanya konrol.
Lebih terperinciPeramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciPeramalan Kebutuhan Premium dengan Metode ARIMAX untuk Optimasi Persediaan di Wilayah TBBM Madiun
JURNAL AIN DAN ENI IT Vol. 1, No. 1, (ep. 2012 IN: 2301-928X D-230 Peramalan Kebuuhan Premium dengan Meode ARIMAX unuk Opimasi Persediaan di Wilayah TM Madiun Nindia ekar Dini, Haryono, dan uharono Jurusan
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 terperinci2 efek dari pengaruh kejadian luar (exernal even) pada daa ime series (Wei, 2006). Bila y adalah daa ime series yang mengandung variasi kalender, maka
. PERAMALAN VOLUME KENDARAAN MASUK DI TOL DUPAK-WARU MENGGUNAKAN MODEL VARIASI KALENDER Yosua D. Charismawan (1304 100 024) Pembimbing : Ir. Dwiamono Agus W.,M.Ikom ABSTRAK Tol Surabaya-Gempol merupakan
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 terperinciPEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL LIFE ASSURANCE
90 Djojonegoro: PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL
Lebih terperinciPENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA
PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA Maskur Efendi ), Widandi Soeopo 2), Piojo Tri Juwono 2) ) Mahasiswa Magiser
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju-laju
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.. Ruang Lingkup Peneliian Peneliian ini diujukan unuk menenukan meode erbaik yang dapa digunakan dalam meramalkan harga ayam pada enam koa besar di Jawa-Bali. Meode peramalan yang
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 terperinciPERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA
Gunawan: PERAMALAN NILAI NAV RMF, EQUITY, DAN FIXED FUND PT. PRUDENTIAL LIFE 9 PERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA Eric Gunawan ),
Lebih terperinciKata Kunci - GSTAR, Inflasi, Invers Jarak, Korelasi Silang, Seragam. I. PENDAHULUAN II. TINJAUAN PUSTAKA
Pemodelan Inflasi di Koa Semarang, Yogyakara, dan Surakara dengan pendekaan GSTAR Laily Awliaul Faizah, Seiawan Jurusan Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember
Lebih terperinci