Metode Cochrane-Orcutt untuk Mengatasi Autokorelasi pada Regresi Ordinary Least Squares
|
|
- Yuliani Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Metode Cochrane-Orcutt untuk Mengatasi Autokorelasi pada Regresi Ordinary Least Squares The Cochrane-Orcutt Method for Solution of Autocorrelation in Ordinary Least Squares Regression M. Fathurahman Program Studi Statistika FMIPA Universitas Mulawarman Abstract In ordinary least squares regression modeling, one of the important assumes is uncorrelated among error variables or it have no autocorrelation. If error variables of OLS regression model correlated, then estimator of parameter OLS regression model not best linear unbiased estimator (BLUE) because they have no minimum variance among the other estimators. Consequently, estimating interval and testing of parameter OLS regression model must be wrong and it can not be used for evaluation regression result. The purpose of this research is investigating the Cochrane-Orcutt method for solution of autocorrelation in OLS regression and applied to banking data. The result of research show that, the Cochrane-Orcutt method can be used for solution of autocorrelation in OLS regression and applied to banking data. Keywords: Autocorrelation, Bank, OLS, Regression, the Cochrane-Orcutt method. Pendahuluan Regresi merupakan salah satu teknik analisis data dalam statistika yang dapat menjelaskan dan mengevaluasi hubungan antara suatu variabel respon dengan satu atau lebih variabel predictor serta dapat digunakan untuk memprediksi variabel respon (Kutner, Nachtsheim dan Neter, 2004). Salah satu model regresi yang paling banyak digunakan adalah regresi ordinary least square atau regresi OLS (Montgomery, Jennings dan Kulahci, 2008). Regresi ini banyak digunakan, karena analisis matematis dalam pemodelannya relatif mudah dan banyak paket program komputer (software) statistik yang memberikan kemudahan untuk menganalisisnya. Dalam pemodelan regresi OLS terdapat salah satu asumsi penting yang harus dipenuhi adalah tidak terjadi korelasi diantara variabel error modelnya atau tidak terjadi autokorelasi. Autokorelasi merupakan salah satu pelanggaran terhadap asumsi regresi OLS. Jika terjadi autokorelasi pada model regresi OLS, maka akan mengakibatkan penaksir parameter model regresi yang diperoleh menjadi tidak best linear unbiased estimator (BLUE) karena tidak mempunyai variansi yang minimum diantara penaksir yang lain, sehingga menyebabkan hasil penaksiran interval dan pengujian parameter model regresi OLS menjadi tidak benar dan tidak dapat digunakan untuk evaluasi hasil regresi (Gujarati (2003), Widarjono (2007)). Penelitian ini bertujuan mengkaji metode Cochrane-Orcutt untuk mengatasi autokorelasi pada regresi OLS, khususnya untuk model regresi OLS yang menggunakan satu variabel prediktor dan diaplikasikan pada data perbankan. Regresi OLS Regresi OLS adalah suatu model regresi linier yang menggunakan metode OLS untuk mendapatkan taksiran modelnya. Metode OLS adalah suatu metode penaksiran parameter model regresi yang meminimumkan jumlah kuadrat error. Model regresi OLS dengan satu variabel prediktor dapat ditulis seperti pada persamaan berikut (Kutner, dkk. (2004), Montgomery dkk (2008)):, (1) dengan adalah variabel prediktor pada pengamatan ke-t, adalah variabel respon pada pengamatan ke-t, adalah parameter model dan adalah variabel error pada pengamatan ke-t. Penaksir OLS untuk parameter dan adalah seperti pada persamaan berikut (Sembiring, (2003), Draper dan Smith (1992)). (2) dengan: ( )( ) ( ) (3) Berdasarkan Persamaan (2) dan Persamaan (3) diperoleh taksiran model regresi OLS seperti pada persamaan berikut (Sembiring, 2003). ( ) (4) Autokorelasi Secara harfiah autokorelasi dapat diartikan sebagai adanya hubungan antara anggota observasi satu dengan observasi lain yang berlainan waktu. Program Studi Statistika FMIPA Universitas Mulawarman 33
2 Dalam kaitannya dengan asumsi pada regresi OLS, autokorelasi adalah hubungan antara satu variabel error dengan variabel error yang lain. Autokorelasi seringkali terjadi pada data time series dan dapat juga terjadi pada data cross section tetapi jarang (Widarjono, 2007). Adapun dampak dari adanya autokorelasi pada regresi OLS adalah walaupun estimator OLS masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi yang minimum dan menyebabkan perhitungan standar error tidak bisa dipercaya kebenarannya. Selain itu interval estimasi maupun pengujian hipotesis yang didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil regresi. Akibat dari dampak adanya autokorelasi dalam model regresi menyebabkan estimator OLS tidak menghasilkan estimator yang BLUE dan hanya menghasilkan estimator OLS yang LUE (Gujarati (2003), Widarjono, (2007)). Uji Lagrange Multiplier Uji ini merupakan salah satu uji yang dapat digunakan untuk mendeteksi autokorelasi regresi OLS. Uji Lagrange Multiplier diperkenalkan oleh Breusch (1978) dan Godfrey (1978) sehingga uji Lagrange Multiplier disebut juga dengan uji Breusch-Godfrey. Adapun langkah-langkah yang dilakukan untuk mendeteksi autokorelasi pada model regresi OLS menggunakan uji Lagrange Multiplier adalah ((Gujarati (2003), Widarjono (2007)): 1. Melakukan estimasi parameter model regresi OLS berdasarkan Persamaan (1) dan mendapatkan error modelnya. 2. Melakukan identifikasi terhadap error, yaitu mengidentifikasi error mengikuti proses autoregressive (AR), moving average (MA) atau proses campuran AR dan MA (ARMA). 3. Jika diasumsikan error yang diperoleh dari langkah 1 mengikuti proses AR orde p atau AR(p) seperti pada persamaan berikut. (5) 4. Melakukan regresi error dengan semua variabel prediktor dan lag dari error pada persamaan (5). 5. Menghitung nilai koefisien determinasi (R 2 ) berdasarkan model regresi pada Persamaan (5). 6. Jika sampel besar, maka menurut Breusch (1978) dan Godfrey (1978) dapat diperoleh statistik uji dari model regresi pada langkah 4 yang mengikuti distribusi Chi-Square dengan derajat bebas p. Sehingga statistik uji untuk uji Lagrange Multiplier adalah: ( ) (6) dengan: = Chi-Square hitung. n = Besar sampel. p = Banyaknya lag. = Koefisien determinasi. Metode Cochrane-Orcutt Metode Cochrane-Orcutt ini merupakan salah satu metode yang dapat digunakan untuk mengatasi masalah autokorelasi pada regresi OLS, khususnya bila struktur autokorelasi tidak diketahui (Gujarati (2003), Widarjono (2007)). Andaikan error ( ) pada Persamaan (5) diasumsikan mengikuti proses autoregressive orde 1 atau disingkat AR(1), seperti pada Persamaan (7) berikut (Kutner, dkk. (2004), Montgomery dkk (2008), Widarjono (2007)):, (7) dengan memenuhi asumsi regresi OLS, maka terjadi autokorelasi pada regresi OLS pada Persamaan (1). Untuk mengatasi autokorelasi pada Persamaan (1) yang mempunyai error seperti pada Persamaan (5) menggunakan metode Cochrane-Orcutt adalah diawali dengan menghitung menggunakan nilai estimasi error. Menurut Montgomery dkk (2008) dan Kutner dkk (2004) nilai estimasi untuk dapat dihitung menggunakan persamaan berikut. (8) dengan adalah estimator untuk. Selanjutnya perhitungan dilakukan dengan cara iterasi sampai diperoleh nilai estimasi bagi yang tidak mengandung masalah autokorelasi. Analisis Deret Waktu Analisis deret waktu diperkenalkan pada tahun 1970 oleh George E.P. Box dan Gwilym M. Jenkins. Deret waktu (time series) merupakan serangkaian data pengamatan yang terjadi berdasarkan indeks waktu secara berurutan dengan interval waktu tetap. Analisis deret waktu adalah salah satu prosedur statistika yang diterapkan untuk meramalkan struktur probabilistik keadaan yang terjadi di masa yang akan datang dalam rangka pengambilan keputusan (Aswi dan Sukarna, 2006). Beberapa model deret waktu yang mungkin dihasilkan dari pengidentifikasian data deret waktu dapat berupa model autoregressive (AR), integrated (I) dan moving average (MA) atau kombinasi dari dua komponen model (ARI, IMA, ARMA) atau kombinasi dari tiga komponen model (ARIMA). Berikut ini diberikan bentuk umum dari model AR, MA dan ARMA (Wei, 2006). Bentuk umum model AR orde p, AR(p) adalah seperti pada persamaan berikut. (9) Bentuk umum model MA orde q, MA(q) adalah seperti pada persamaan berikut. (10) Bentuk umum model ARMA(p,q) adalah seperti pada persamaan berikut. (11) Untuk mengetahui suatu deret waktu mengikuti model AR(p), MA(q) dan ARMA(p,q) 34 Program Studi Statistika FMIPA Universitas Mulawarman
3 dapat digunakan diagram fungsi autokorelasi (FAK) dan diagram fungsi autokorelasi parsial (FAKP). Adapun bentuk FAK dan FAKP suatu deret waktu mengikuti model AR(p), MA(q) dan ARMA(p,q) adalah sebagai berikut (Wei, 2006): 1. Model AR(p) mempunyai bentuk FAK turun secara eksponensial menuju nol dengan bertambahnya k (dies down) dan bentuk FAKP terpotong setelah lag p (cut off after lag p). 2. Model MA(q) mempunyai bentuk FAK cut off after lag p dan bentuk FAKP dies down. 3. Model ARMA(p,q) mempunyai bentuk FAK dies down dan bentuk FAKP juga dies down. Kredit Kredit berasal dari bahasa Latin credere yang artinya percaya. Pengertian kredit menurut Undang Undang Perbankan Nomor 10 Tahun 1998 adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjam meminjam antara bank dengan pihak lain yang mewajibkan pihak peminjam melunasi utangnya setelah jangka waktu tertentu dengan pemberian bunga. Dalam penyaluran kredit kepada debitur senantiasa ditemui adanya permasalahan kredit sehingga menimbulkan kredit macet, Kredit macet adalah kredit yang setelah jatuh tempo tidak dapat dilunasi oleh debitur sebagaimana mestinya sesuai dengan perjanjian. Kredit macet merupakan bagian dari pengelolaan kredit bank, karena kredit bermasalah itu sendiri merupakan risiko yang dihadapi bisnis perbankan. Hampir semua bank memiliki kredit macet. Bahkan dalam beberapa kasus kredit macet di Indonesia berakhir ke penutupan beberapa bank. Kredit macet bagi dunia perbankan merupakan penyakit berbahaya yang dapat membuat lumpuhnya suatu bank. Non Performing Loan (NPL) merupakan persentase jumlah kredit bermasalah terhadap total kredit yang dikeluarkan bank. Jika suatu bank memiliki tingkat NPL yang tinggi, maka bank tersebut akan menderita kerugian bahkan menjadi bangkrut. Masyarakat akan pindah ke bank yang memiliki kinerja yang lebih baik. Perilaku penawaran kredit perbankan tidak hanya dipengaruhi oleh dana yang tersedia yang bersumber dari dana pihak ketiga (DPK), tetapi juga dipengaruhi oleh persepsi bank terhadap prospek usaha debitur dan kondisi perbankan itu sendiri seperti Loan to Deposit Ratio (LDR). Bank yang memiliki LDR sangat kecil berarti bank tersebut tidak menjalankan fungsi intermediasi dengan baik. ( &sid=4&nav=artikel.detail&id=92&title=bank%20 Sehat). Metode Data yang digunakan dalam penelitian ini adalah data dalam Fathurahman dan Haeruddin (2011) yang disesuaikan dengan variabel-variabel yang digunakan, yaitu LDR sebagai variabel prediktor yang dinotasikan dengan X dan NPL sebagai variabel respon yang dinotasikan Y. Data selengkapnya terdapat pada lampiran. Untuk mengatasi autokorelasi pada model regresi OLS menggunakan metode Cochrane- Orcutt, langkah-langkah yang dilakukan adalah sebagai berikut: 1. Menggunakan metode OLS untuk mendapatkan estimasi model regresi dan nilai estimasi dari error berdasarkan Persamaan (1). 2. Meregresikan error ke-t dengan error ke-(t-1) untuk mendapatkan nilai menggunakan Persamaan (7). 3. Melakukan transformasi terhadap variabel regresi kemudian meregresikannya variabel regresi tersebut seperti persamaan berikut. ( ) ( ) (12) Persamaan (12) dapat ditulis menjadi persamaan berikut. (13) dengan ( ). 4. Sampai langkah ini belum bisa diketahui apakah yang diperoleh, sudah merupakan nilai terbaik atau tidak. Untuk itu dimasukkan nilai ( ) dan yang diperoleh dari Persamaan (13) ke Persamaan (1), sehingga diperoleh nilai error, seperti pada persamaan berikut. (14) 5. Meregresikan Persamaan (14) dan diperoleh persamaan berikut. (15) Nilai merupakan hasil langkah kedua dalam mengestimasi nilai Langkah ini perlu dilanjutkan hingga ketiga dan seterusnya, sampai diperoleh nilai yang kecil, atau sudah bersifat konvergen. Hasil dan Pembahasan Setelah dilakukan estimasi parameter model regresi OLS diperoleh hasil seperti pada tabel berikut. Tabel 2. Hasil estimasi parameter dan uji F Variabel Koefisien F p-value Konstanta 15,384 65,8 0,000 X -0,153 Tabel 3. Hasil estimasi parameter dan uji t Variabel Koef. SE Koef. t p-value Konstanta X 15,384-0,153 1,246 0,019 12,34-8,11 0,000 0,000 Program Studi Statistika FMIPA Universitas Mulawarman 35
4 Berdasarkan Tabel 2 dan Tabel 3, diperoleh model regresi OLS yang menyatakan hubungan antara LDR dengan NPL seperti pada persamaan berikut. Y = 15,384 0,153X (16) Interpretasi dari model regresi OLS menurut Persamaan (16) adalah jika LDR bertambah 1%, maka akan menurunkan NPL sebesar 0,153% dan jika LDR dianggap tetap (konstan), maka nilai LDR sebesar 15,384%. Kemudian dari Tabel 2 dan Tabel 3, terlihat bahwa LDR berpengaruh sangat signifikan terhadap NPL. Hal ini ditunjukkan oleh hasil uji F dan uji t masing-masing mempunyai p- value (0,000) kurang dari dari α (0,01 maupun 0,05). Selanjutnya dilakukan pendeteksian autokorelasi pada model regresi OLS Persamaan (10) menggunakan uji Lagrange Multiplier. Sebagai langkah awal dilakukan perhitungan error berdasarkan Persamaan (16) dan melakukan identifikasi terhadap error, yaitu mengidentifikasi error mengikuti proses autoregressive (AR), moving average (MA) atau proses campuran AR dan MA (ARMA). Berdasarkan Gambar 1.a dan Gambar 1.b, terlihat bahwa error mengikuti proses AR(1). Hal ini ditunjukkan oleh bentuk FAK pada Gambar 1.a adalah dies down dan bentuk FAKP pada Gambar 1.b cut off after lag 1 seperti pada Gambar 1 berikut. 1.a 1.b Gambar 1. Bentuk FAK dan FAKP error Karena sudah teridentifikasi error mengikuti proses AR(1), maka dengan menggunakan bantuan software EViews dapat dihitung nilai statistik uji dan p-value untuk uji Lagrange Multiplier seperti pada Tabel 4 berikut. Tabel 4. Hasil pendeteksian autokorelasi Statistik Uji p-value 50,36 0,000 Berdasarkan Tabel 4, terlihat bahwa terjadi autokorelasi dalam model regresi OLS pada Persamaan (16). Hal ini ditunjukkan oleh nilai statistik uji Lagrange Multiplier (50,36) lebih besar dari nilai Chi-Square tabel (5,991) dan p-value (0,000) lebih kecil dari nilai α (0,01 maupun 0,05). Setelah diketahui terjadi autokorelasi dalam model regresi OLS pada Persamaan (13), maka dilakukan penyembuhan atau menghilangkan autokorelasi menggunakan metode Cochrane- Orcutt yang diawali dengan menghitung error berdasarkan Persamaan (16), hasil yang diperoleh seperti pada Lampiran. Kemudian mendapatkan nilai dengan meregresikan error ke-t dengan error ke-(t-1) berdasarkan Persamaan (7) dan diperoleh nilai sebesar 0,876 berdasarkan Persamaan (8). Selanjutnya berdasarkan Persamaan (1), Persamaan (12) dan Persamaan (13) diperoleh hasil estimasi dan pengujian parameter regresi OLS seperti pada Tabel 5 dan Tabel 6 berikut. Tabel 5. Hasil estimasi parameter dan uji F Variabel Koefisien F p-value Konstanta X* 1,513-0,102 6,43 0,014 Tabel 6. Hasil estimasi parameter dan uji t Variabel Koef. SE Koef. t p-value Konstanta 1,513 0,347 4,36 0,000 X* -0,102 0,04-2,54 0,014 SE = Standard Error. Berdasarkan Tabel 5 dan Tabel 6, diperoleh model regresi OLS baru yang menyatakan hubungan antara LDR dengan NPL seperti pada persamaan berikut. Y* = 1,513 0,102X * (17) Interpretasi dari model regresi OLS menurut Persamaan (17) adalah jika LDR bertambah 1%, maka akan menurunkan NPL sebesar 0,102% dan jika LDR dianggap tetap (konstan), maka nilai LDR sebesar 1,513%. Kemudian dari Tabel 5 dan Tabel 6, terlihat bahwa LDR secara signifikan berpengaruh terhadap NPL. Hal ini ditunjukkan oleh hasil uji F dan uji t masing-masing mempunyai p-value (0,014) lebih kecil dari α (5%). Selanjutnya dilakukan pendeteksian autokorelasi dalam model regresi OLS pada Persamaan (17) menggunakan uji Lagrange Multiplier. Hasil yang diperoleh adalah seperti pada tabel berikut. Tabel 7. Hasil pendeteksian autokorelasi Statistik Uji p-value 3,12 0,209 Berdasarkan Tabel 7, terlihat bahwa tidak terjadi autokorelasi dalam model regresi OLS pada Persamaan (17). Hal ini ditunjukkan oleh nilai statistik uji Lagrange Multiplier (3,12) lebih kecil dari nilai Chi-Square tabel (5,991) dan p-value (0,209) lebih besar dari nilai α (0,01maupun 0,05). Kemudian dari Tabel 7 dapat diketahui bahwa nilai sebesar 0,876 merupakan nilai estimasi terbaik bagi karena dapat menghilangkan atau mengatasi autokorelasi dalam model regresi OLS pada Persamaan (16). Kesimpulan Berdasarkan hasil dan pembahasan, maka dapat disimpulkan bahwa metode Cochrane-Orcutt dapat mengatasi autokorelasi pada regresi OLS dan aplikasinya pada data perbankan. 36 Program Studi Statistika FMIPA Universitas Mulawarman
5 Daftar Pustaka Aswi dan Sukarna Analisis Deret Waktu: Teori dan Aplikasi, Makasar: Andira Publisher. Breusch, T.S Testing for Autocorrelation in Dynamic Linear Models, Australian Economic Paper, Vol. 17. hal Draper, N. dan Smith, H Analisis Regresi Terapan. Edisi Kedua. Terjemahan oleh Bambang Sumantri. Jakarta: Gramedia Pustaka Utama. Fathurahman, M. dan Haeruddin. 2011, Pemodelan Regresi Linier untuk Data Deret Waktu, Eksponensial, Vol. 2, No. 2, hal Godfrey, L.G Testing against General Autoregressive and Moving Average Error Model when the Regressors Include Lagged Dependent Variables, Econometrica, Vol. 46. hal Gujarati, N.D Basic Econometrics. Fourth Edition. New York: McGraw-Hill/Irwin. Kutner, M.H., Nachtsheim, C.J, dan J. Neter Applied Linear Regression Models. Fourth Edition. New York: McGraw-Hill/Irwin. Montgomery D.C, Jennings, C.L dan M. Kulahci Introduction to Time Series Analysis and Forecasting. Hoboken New Jersey: John Wiley and Sons., Inc. Sembiring, R.K Analisis Regresi. Edisi Kedua. Bandung: Institut Teknologi Bandung. Undang Undang Perbankan Nomor 10 Tahun Wei, W.W.S. (2008). Time Series Analysis: Univariat and Multivariate Methods,Second Edition, Addison Wesley Boston: Pearson Education, Inc. Widarjono, A Ekonometrika: Teori dan Aplikasi untuk Ekonomi dan Bisnis. Edisi Kedua. Yogyakarta: Ekonisia Fakultas Ekonomi Universitas Islam Indonesia. sid=4&nav=artikel.detail&id=92&title=bank% 20Sehat. Diakses: 7 September Program Studi Statistika FMIPA Universitas Mulawarman 37
6 Lampiran Data Hasil Penelitian t X Y e t X Y e t X* Y* e* t X* Y* e* Sumber: Fathurahman dan Haeruddin (2012) diolah. Keterangan: X = LDR. Y = NPL. e = Error. 38 Program Studi Statistika FMIPA Universitas Mulawarman
REGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
Lebih terperinciPemodelan Regresi Linier untuk Data Deret Waktu. Linear Regression Modeling for Time Series Data
Pemodelan Regresi Linier untuk Data Deret Waktu Linear Regression Modeling for Time Series Data M. Fathurahman dan Haeruddin Program Studi Statistika FMIPA Universitas Mulawarman Samarinda Abstract Regression
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih 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 terperinciKata Kunci: Autokorelasi, Heteroskedastisitas, Metode Kuadrat Terkecil, Metode Newey West
Judul : Penerapan Metode Newey West dalam Mengoreksi Standard Error ketika Terjadi Heteroskedastisitas dan Autokorelasi pada Analisis Regresi Nama : Zakiah Nurlaila NIM : 1208405019 Pembimbing : 1. Made
Lebih terperinciIII. METODE PENELITIAN. Variabel-variabel yang digunakan dalam penelitian Analisis Pengaruh Tingkat
III. METODE PENELITIAN Variabel-variabel yang digunakan dalam penelitian Analisis Pengaruh Tingkat Suku Bunga Deposito (3 Bulan) Dan Kredit Macet (NPL) Terhadap Loan To Deposit Ratio (LDR) Bank Umum Di
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 terperinciBAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
Lebih terperinciBAB III METODE PENELITIAN. Objek dari penelitian ini adalah perilaku prosiklikalitas perbankan di
BAB III METODE PENELITIAN A. Objek Penelitian Objek dari penelitian ini adalah perilaku prosiklikalitas perbankan di Indonesia pada tahun 2007M01 2016M09. Pemilihan pada periode tahun yang digunakan adalah
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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Deret Fourier Dalam bab ini akan dibahas mengenai deret dari suatu fungsi periodik. Jenis fungsi ini sering muncul dalam berbagai persoalan fisika, seperti getaran mekanik, arus
Lebih terperinciBAB III METODE PENELITIAN. (time series data). Dalam penelitiaan ini digunakan data perkembangan pertumbuhan ekonomi,
BAB III 3.1. Jenis dan Sumber Data METODE PENELITIAN 3.1.1. Jenis Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder yang digunakan adalah data yang dicatat secara
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciBAB III METODE PENELITIAN. tercatat secara sistematis dalam bentuk data runtut waktu (time series data). Data
24 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data 3.1.1 Jenis Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder atau kuatitatif. Data kuantitatif ialah data yang diukur dalam
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 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 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 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 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 terperinciMETODE PENELITIAN. deposito berjangka terhadap suku bunga LIBOR, suku bunga SBI, dan inflasi
III. METODE PENELITIAN Variabel-variabel yang digunakan dalam penelitian ini adalah tingkat suku bunga deposito berjangka terhadap suku bunga LIBOR, suku bunga SBI, dan inflasi pada bank umum di Indonesia.
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan kajian mengenai Faktor-Faktor Yang Mempengaruhi
III. METODE PENELITIAN A. Ruang Lingkup Penelitian Penelitian ini merupakan kajian mengenai Faktor-Faktor Yang Mempengaruhi Produk Domestik Bruto Usaha Mikro Kecil dan Menengah (UMKM) di Indonesia Tahun
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
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 terperinciIII. METODE PENELITIAN. Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari
III. METODE PENELITIAN Metode penelitian merupakan langkah dan prosedur yang akan dilakukan dalam pengumpulan data atau informasi empiris guna memecahkan permasalahan dan menguji hipotesis penelitian.
Lebih terperinciMETODE PENELITIAN. keperluan tertentu. Jenis data ada 4 yaitu data NPL Bank BUMN, data inflasi, data
IV. METODE PENELITIAN A. Jenis dan Sumber Data Data adalah semua hasil observasi atau pengukuran yang telah dicatat untuk suatu keperluan tertentu. Jenis data ada 4 yaitu data NPL Bank BUMN, data inflasi,
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciPERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK
PERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK Reza Mubarak ) dan Suhartono ) ) Program Pasca Sarjana Jurusan Statistika, Institut
Lebih terperinciMETODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Lebih terperinciIII. METODE PENELITIAN. tingkat harga umum, pendapatan riil, suku bunga, dan giro wajib minimum. Data
47 III. METODE PENELITIAN A. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder, yang terdiri dari satu variabel terikat yaitu Ekses Likuiditas dan empat variabel
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 terperinciPeramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS
Jurnal EKSPONENSIAL Volume 3, Nomor, Mei 2 ISSN 8-7829 Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2 Dengan Metode ARIMA BOX-JENKINS Forecasting The Number
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Hubungan antar variabel sering menjadi objek yang akan diamati bentuknya dalam sebuah pemodelan. Dua buah variabel yang diduga mempunyai hubungan sebab akibat, atau
Lebih terperinciPREDIKSI KURS RUPIAH TERHADAP EURO MENGGUNAKAN MODEL REGRESI SPLINE TERSEGMEN
PREDIKSI KURS RUPIAH TERHADAP EURO MENGGUNAKAN MODEL REGRESI SPLINE TERSEGMEN Iswan Rahman 1, Raupong 2, M. Saleh AF. 3 1 Mahasiswa Departemen Matematika FMIPA Universitas Hasanuddin 2,3 Staff Pengajar
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian ini merupakan jenis penelitian deskriptif-korelasional (kausal) yang menjelaskan adakah hubungan dan seberapa besar pengaruh tiap-tiap variabel
Lebih terperinciPERBANDINGAN TRANSFORMASI BOX-COX DAN REGRESI KUANTIL MEDIAN DALAM MENGATASI HETEROSKEDASTISITAS
E-Jurnal Matematika Vol. 4 (1), Januari 2015, pp. 8-13 ISSN: 2303-1751 PERBANDINGAN TRANSFORMASI BOX-COX DAN REGRESI KUANTIL MEDIAN DALAM MENGATASI HETEROSKEDASTISITAS Ni Wayan Yuni Cahyani 1, I Gusti
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 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
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 terperinciBAB III METODE PENELITIAN. Statistik). Data yang diambil pada periode , yang dimana di dalamnya
BAB III METODE PENELITIAN 3.1. Metode Penelitian 3.1.1. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder sendiri artinya adalah data yang tidak dikumpulkan
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 terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciBAB IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN 4.1 Sampel, Sumber Data dan Pengumpulan Data Penelitian kali ini akan mempergunakan pendekatan teori dan penelitian secara empiris. Teori-teori yang dipergunakan diperoleh
Lebih terperinciPENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 25 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
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 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 terperinciIII. METODE PENELITIAN. Penelitian ini menggunakan data time series tahunan Data
40 III. METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunakan data time series tahunan 2002-2012. Data sekunder tersebut bersumber dari Badan Pusat Statistik (BPS) Lampung. Adapun data
Lebih terperinciPertemuan 4-5 ANALISIS REGRESI SEDERHANA
Pertemuan 4-5 ANALISIS REGRESI SEDERHANA Metode Kuadrat Terkecil (OLS) Persoalan penting dalam membuat garis regresi sampel adalah bagaimana kita bisa mendapatkan garis regresi yang baik yaitu sedekat
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Abstract
Estimasi Parameter (Mika Asrini) ESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Mika Asrini 1, Winita Sulandari 2, Santoso Budi Wiyono 3 1 Mahasiswa
Lebih terperinciPEMODELAN RETURN SAHAM PERBANKAN MENGGUNAKAN EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (EGARCH)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2016, Halaman 91-99 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN RETURN SAHAM PERBANKAN MENGGUNAKAN EXPONENTIAL GENERALIZED
Lebih terperinciOleh: Ningrum Astriawati Prodi Teknika, Akademi Maritim Yogyakarta
PENERAPAN ANALISIS REGRESI LINIER BERGANDA UNTUK MENENTUKAN PENGARUH PELAYANAN PENDIDIKAN TERHADAP EFEKTIFITAS BELAJAR TARUNA DI AKADEMI MARITIM YOGYAKARTA Oleh: Ningrum Astriawati Prodi Teknika, Akademi
Lebih terperinciBAB IV PENUTUP. berkorelasi secara contemporaneous. Korelasi galat contemporaneous terjadi
76 BAB IV PENUTUP A. Kesimpulan Model Seemingly Unrelated Regression (SUR) merupakan perluasan dari analisis regresi linear yang berupa sistem persamaan yang terdiri dari beberapa persamaam regresi yang
Lebih terperinciPEMODELAN UPAH MINIMUM KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHINYA MENGGUNAKAN REGRESI RIDGE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 123-132 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN UPAH MINIMUM KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder yaitu
III. METODE PENELITIAN A. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yaitu berkaitan dengan data yang waktu dikumpulkannya bukan (tidak harus) untuk memenuhi
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 terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
Lebih terperinciBAB III METODE PENELITIAN. Ruang lingkup penelitian ini adalah menganalisis pengaruh antara upah
40 BAB III METODE PENELITIAN A. Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah menganalisis pengaruh antara upah minimum, Indeks Pembangunan Manusia (IPM), dan pengangguran terhadap tingkat
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 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 terperinciBAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat
BAB II KAJIAN PUSTAKA 2.1 Konsep Dasar Runtun Waktu Data runtun waktu (time series) merupakan data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat berupa
Lebih terperinciBAB III METODOLOGI PENELITIAN. Agriculture, Manufacture Dan Service di Indonesia Tahun Tipe
BAB III METODOLOGI PENELITIAN A. Ruang Lingkup Penelitian Penelitian ini merupakan analisis mengenai Pengaruh Produk Domestik Bruto (PDB), Penanaman Modal Dalam Negeri (PMDN) Dan Penanaman Modal Asing
Lebih terperinciPENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS
e-jurnal Matematika Vol. 2, No. 1, Januari 2013, 54-59 PENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS NI KETUT TRI UTAMI 1, I KOMANG GDE SUKARSA 2, I PUTU EKA NILA
Lebih terperinciPERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 26 34 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA NADIA UTIKA PUTRI, MAIYASTRI, HAZMIRA
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciPERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder deret waktu
III. METODE PENELITIAN A. Jenis dan Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder deret waktu (time-series data) bulanan dari periode 2004:01 2011:12 yang diperoleh dari PT.
Lebih terperinciIII. METODOLOGI PENELITIAN. Data yang digunakan dalam penulisan ini adalah data sekunder berupa data
III. METODOLOGI PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penulisan ini adalah data sekunder berupa data tahunan dari periode 2003 2012 yang diperoleh dari publikasi data dari Biro
Lebih terperinciIII. METODE PENELITIAN. Pusat Statistik (BPS) Kota Bandar Lampung yang berupa cetakan atau publikasi
III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari publikasi dinas atau instansi pemerintah, diantaranya adalah publikasi dari
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder (time series) yang diperoleh dari beberapa lembaga dan instansi pemerintah,
Lebih terperinciESTIMASI PARAMETER MODEL SEEMINGLY UNRELATED REGRESSION (SUR) DENGAN RESIDU BERPOLA AUTOREGRESSIVE ORDE SATU MENGGUNAKAN METODE PARK
i ESTIMASI PARAMETER MODEL SEEMINGLY UNRELATED REGRESSION (SUR) DENGAN RESIDU BERPOLA AUTOREGRESSIVE ORDE SATU MENGGUNAKAN METODE PARK oleh KHAMSATUL FAIZATI M0108052 SKRIPSI ditulis dan diajukan untuk
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
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 terperinciMETODE PENELITIAN. Berdasarkan sifat penelitiannya, penelitian ini merupakan sebuah penelitian
III. METODE PENELITIAN A. Ruang Lingkup Penelitian Berdasarkan sifat penelitiannya, penelitian ini merupakan sebuah penelitian deskriptif. Definisi dari penelitian deskriptif adalah penelitian yang menggambarkan
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Penelitian ini ditujukan untuk membuktikan apakah ada hubungan dan pengaruh dari tingkat suku bunga kredit, nilai tukar rupiah terhadap dollar Amerika,
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 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 METODE PENELITIAN. Jenis penelitian ini adalah explanatory research. Menurut. Singarimbun&Efendi (1995) explanatory research adalah penelitian
33 BAB III METODE PENELITIAN 3.1 Jenis Penelitian Jenis penelitian ini adalah explanatory research. Menurut Singarimbun&Efendi (1995) explanatory research adalah penelitian pengujian hipotesis. Penelitian
Lebih terperinciTingkat Efisiensi Metode Regresi Robust dalam Menaksir Koefisien Garis Regresi Jika Ragam Galat Tidak Homogen
Tingkat Efisiensi Metode Robust dalam Menaksir Garis Jika Ragam Galat Tidak Homogen Harmi Sugiarti dan Andi Megawarni e-mail: harmi@mailutacid dan mega@mailutacid Abstract This paper aims to compare the
Lebih terperinciIII. METODE PENELITIAN. Modal Kerja, Inflasi, dan Pertumbuhan Ekonomi Provinsi Lampung. Deskripsi
III. METODE PENELITIAN Variabel-variabel yang digunakan dalam penelitian ini adalah Suku Bunga Kredit Modal Kerja, Inflasi, dan Pertumbuhan Ekonomi Provinsi Lampung. Deskripsi tentang satuan pengukuran,
Lebih terperinciBAB III METODOLOGI PENELITIAN. 1. Apakah investasi mempengaruhi kesempatan kerja pada sektor Industri alat
43 BAB III METODOLOGI PENELITIAN A. Tujuan Penelitian Berdasarkan masalah-masalah yang telah peneliti rumuskan, maka tujuan penelitian ini adalah untuk mengetahui: 1. Apakah investasi mempengaruhi kesempatan
Lebih terperinciIII. METODE PENELITIAN. Jenderal Pengelolaan Utang, Bank Indonesia dalam berbagai edisi serta berbagai
51 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari publikasi dinas atau instansi pemerintah, diantaranya adalah publikasi
Lebih terperinci3. METODE. Kerangka Pemikiran
25 3. METODE 3.1. Kerangka Pemikiran Berdasarkan hasil-hasil penelitian terdahulu serta mengacu kepada latar belakang penelitian, rumusan masalah, dan tujuan penelitian maka dapat dibuat suatu bentuk kerangka
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 terperinciBAB I PENDAHULUAN. dari tiga motif. Motif pertama adalah motif transaksi. Ada dua hal yang
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Permintaan akan uang yang terjadi di masyarakat merupakan cerminan dari tiga motif. Motif pertama adalah motif transaksi. Ada dua hal yang mempengaruhi permintaan
Lebih terperinciBAB 3 SMOOTH TRANSITON AUTOREGRESSIVE. waktu nonlinear yang merupakan perluasan dari model Autoregressive (AR).
BAB 3 SMOOTH TRANSITON AUTOREGRESSIVE 3.1. Model Smooth Transition Autoregressive Model Smooth Transition Autoregressive adalah salah satu model runtun waktu nonlinear yang merupakan perluasan dari model
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciBAB I Pendahuluan. 1. Mengetahui pengertian penelitian metode regresi. 2. Mengetahui contoh pengolahan data menggunakan metode regresi.
BAB I Pendahuluan 1.1. Latar belakang Sepanjang sejarah umat manusia, orang melakukan penelitian tentang ada tidaknya hubungan antara dua hal, fenomena, kejadian atau lainnya. Dan ada tidaknya pengaruh
Lebih terperinciPENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013
La Pimpi //Paradigma, Vol. 17 No. 2, Oktober 2013, hlm. 35-46 PENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013 1) La Pimpi 1 Staf Pengajar Jurusan Matematika, FMIPA,
Lebih terperinciIII. METODE PENELITIAN
21 III. METODE PENELITIAN 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Desa Babakan Kecamatan Dramaga Kabupaten Bogor. Pemilihan tersebut dengan pertimbangan bahwa wilayah tersebut merupakan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini menggunakan data sekunder tahunan Data sekunder
III. METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunakan data sekunder tahunan 2001-2012.Data sekunder tersebut bersumber dari Badan Pusat Statistik (BPS) Lampung Dalam Angka, dan Dinas
Lebih terperinciPEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim
TE 091399 TUGAS AKHIR- 4 SKS PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA Oleh Nur Hukim Dosen Pembimbing Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D Ir. Achmad
Lebih terperinciMsi = x 100% METODE PENELITIAN
20 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis dan sumber data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Biro Pusat Statistik (BPS), Perpustakaan IPB,
Lebih terperinciBAB III METODE PENELITIAN Jenis Data dan Metode Pengumpulan Data. merupakan data sekunder yang bersumber dari data yang dipublikasi oleh
BAB III METODE PENELITIAN 3.1. Jenis Data dan Metode Pengumpulan Data Jenis data yang digunakan pada penelitian ini adalah data panel dan merupakan data sekunder yang bersumber dari data yang dipublikasi
Lebih terperinciBAB II TINJAUAN PUSTAKA. Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi
BAB II TINJAUAN PUSTAKA Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi linear, metode kuadrat terkecil, restriksi linear, multikolinearitas, regresi ridge, uang primer, dan koefisien
Lebih terperinciPEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH. Retno Hestiningtyas dan Winita Sulandari, M.Si. Jurusan Matematika FMIPA UNS
S-9 PEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Retno Hestiningtyas dan Winita Sulandari, M.Si Jurusan Matematika FMIPA UNS ABSTRAK. Pada data finansial sering terjadi keadaan leverage effect,
Lebih terperinciIII. METODE PENELITIAN. Laporan Kebijakan Moneter, Laporan Perekonomian Indonesia, Badan Pusat
49 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari data publikasi Bank Indonesia berupa Statistik Ekonomi Moneter, Laporan
Lebih terperinciMETODE PENELITIAN. Ruang lingkup penelitian ini adalah menganalisis faktor-faktor yang
43 III. METODE PENELITIAN A. Jenis dan Sumber Data Ruang lingkup penelitian ini adalah menganalisis faktor-faktor yang mempengaruhi nilai tukar mengambang seperti uang beredar, suku bunga Indonesia(BI
Lebih terperinci