Pengaruh Aggregasi terhadap Parameter Long Memory Time Series (Studi Kasus : Data Saham LQ 45)
|
|
- Verawati Oesman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) ( X Prin) D-7 Pengaruh Aggregasi erhadap Parameer Long Memory Time Series (Sudi Kasus : Daa Saham LQ 45) Moch. Koesniawano dan Heri Kuswano Jurusan Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60 heri_k@saisika.is.ac.id Absrak Proses idenifikasi erhadap fenomena Long Memory idaklah mudah. Berbagai ala idenifikasi seperi plo ACF dan berbagai saisik ui lain masih sanga lemah. Beberapa peneliian mengungkapkan bahwa beberapa model nonlinear dapa dengan mudah eridenifikasi sebagai Long Memory yang sering dikenal sebagai Spurious Long Memory. Oleh karena iu, dalam ugas akhir ini akan disimulasikan pengaruh flow aggregaion dan sock aggregaion sebagai alernaif cara unuk mendeeksi Long Memory. Saham digunakan sebagai sudi kasus karena proses pencaaannya sama dengan penerapan dari sock aggregaion dan beberapa peneliian menyaakan bahwa harga mulak dari reurn saham sering erangkap sebagai fenomena Long Memory, namun idak sediki peneliian yang memodelkan reurn saham dengan model nonlinear, conohnya seperi ESTAR, sehingga simulasi dibangun dengan membangkikan daa Long Memory dan ESTAR sebagai Spurious Model dengan ukuran sampel 2000 dan 5000, lalu diaggregasi masing-masing dengan kedua enis aggregasi hingga 0 level aggregasi. Hasil simulasi menunukkan bahwa emporal aggregaion erbuki dapa mendeeksi Long Memory dan membedakannya dengan ESTAR dari pola parameer inegrasinya. Pada daa ESTAR, kedua aggregasi menunukkan bahwa nilai parameernya idak berpola aau random seiring naiknya level aggregasi, sedangkan unuk Long Memory memiliki pola khusus unuk seiap enis aggregasi. Tiga saham yang diadikan sudi kasus yaiu BMRI, BBNI, dan BBRI lebih baik dimodelkan dengan ARFIMA daripada ESTAR karena menghasilkan forecas yang akurasinya lebih baik. Kaa Kunci Long Memory, Spurious Long Memory, Aggregasi, ARFIMA, ESTAR. I. PENDAHULUAN agian dari ime series yang memiliki dependensi angka Bpanang dikenal dengan Long Memory. Proses idenifikasi Long Memory idak mudah. Plo ACF Shor Memory dapa menyerupai Long Memory [], kemudian banyak model nonlinear dapa dengan mudah digolongkan ke dalam Long Memory [2], yang dikenal sebagai Spurious Long Memory. Beberapa saisik ui yang dikembangkan unuk mendeeksi Long Memory seperi Hurs es, R/S es, V/S es masih lemah membedakan Long Memory dan Spurious Long Memory [3]. Oleh karena iu, mengembangkan penguian yang dapa membedakan Real Long Memory dari Spurious Long Memory masih sanga pening dalam rangka unuk memiliki pilihan model yang epa dan beruung pada hasil peramalan yang akura. Alernaif lain unuk mendeeksi Long Memory adalah dengan menggunakan prinsip aggregasi yang erbagi menadi 2 enis yaiu flow aggregaion dan sock aggregaion. Peneliian sebelumnya yang elah dikembangkan dengan flow aggregaion yang dilakukan oleh [4] dapa dierapkan dan erbuki berhasil secara simulasi unuk mengidenifikasikan fenomena Long Memory. Peneliian enang performa sock aggregaion belum pernah dilakukan. Pada kenyaaannya, kedua aggregasi ersebu memiliki prosedur sampling yang berbeda sehingga konsekuensinya idak bisa begiu saa digeneralisasi bahwa performa dari sock aggregaion sama dengan flow aggregaion. Salah sau penerapan sifa sock aggregaion adalah saham. Volailias pendapaan saham baik dielaskan dengan proses Long Memory [5]. Dependensi angka panangnya secara umum erdeeksi dalam kuadra aau harga mulak dari nilai balik modal (reurn). Di sisi lain, model-model nonlinier seperi ESTAR yang ergolong Spurious Long Memory uga sering digunakan unuk pemodelan reurn saham. Oleh karena iu, pada peneliian ini akan diaplikasikan eori aggregasi unuk mengidenifikasi apakah daa saham ersebu ergolong fenomena Long Memory. Daa saham yang diadikan kasus adalah saham-saham yang ergolong dalam indeks LQ 45. Tuuan yang ingin dicapai dalam ugas akhir ini adalah mendapakan hasil simulasi pengidenifikasian Long Memory dan Spurious Long Memory (ESTAR) dengan prinsip flow aggregaion dan sock aggregaion, mengeahui perbandingan pola parameer yang dihasilkan dari kedua aggregasi ersebu, dan dapa menerapkannya unuk kepeningan pemodelan dan peramalan harga saham LQ 45. Baasan masalah pada peneliian ini yaiu daa yang digunakan unuk mengeahui kekuaan meode aggregasi ini adalah daa bangkian dengan menggunakan sofware R dan esimaor parameer yang digunakan adalah GPH karena fakor kesederhanaan. Sedangkan unuk daa saham yang diadikan conoh kasus adalah 3 saham unggulan dari indeks LQ 45. Selanunya akan dilakukan pemodelan dengan sifa
2 JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) ( X Prin) D-8 Long Memory dan model ESTAR sebagai Spurious Long Memory, kemudian dipilih model erbaik hingga dilakukan peramalan 3 periode ke depan unuk masing-masing daa saham. II. TINJAUAN PUSTAKA A. Esimaor GPH (Geweke Porer-Hudak) Esimaor yang digunakan adalah GPH yang diperkenalkan oleh [6]. m ~ ~ 0,5 ( X X ) log I = dˆ GPH = () m ~ ~ 2 X X ( ) = dimana esimaor ini dapa dimunculkan dengan menggunakan model: log I = log c f 2d X ~ + logξ B. Temporal Aggregaion Variabel aggrega Y diamai sebagai beriku: Jika X adalah sock variable, maka Y = X T. Jika X adalah flow variable, maka n n i T Y X B X T T x = n i = n, =,, y; y = n i= 0 i= n, =,, C. Model ESTAR G( s ;γ, c) adalah fungsi ransisi yang mengaur pergerakan dari sau rezim ke rezim yang lain dan s adalah variabel ransisi sehingga s = y -l. Menuru [7] variabel ransisi umumnya dipilih unuk lag sau periode yaiu l =. Variabel γ menenukan deraa kelengkungan fungsi ransisi dan c adalah parameer hreshold. Jika fungsi ransisi berupa fungsi eksponensial, maka fungsi ransisi eksponensial dapa diulis sebagai G( s ; γ, c) = + exp( γ ( s c) ) (2) Fungsi ransisi ersebu sering dinamakan ESTAR. Fungsi ini asimeris karena idak erganung pada faka bahwa variabel ransisi bergerak di aas aau di bawah hreshold. Parameer mengonrol deraa nonlinier. D. Model ARFIMA Model ARFIMA secara umum sama dengan model ARIMA. Perbedaan ARFIMA dengan model ARIMA erleak pada parameer pembedanya yaiu : d φ B B Z = θ + θ B a dimana p ( )( ) 0 q ( ) ( B) d = Γ r= 0 Γ( r d ) ( r + ) Γ( d ) E. Pemilihan Model Terbaik RMSE = n r B n ( Z Zˆ ) = dimana n adalah banyaknya sampel yang diramalkan. Model erbaik adalah model yang mempunyai nilai RMSE erkecil. III. METODOLOGI PENELITIAN A. Sumber Daa Daa yang digunakan dalam peneliian ini adalah daa sekunder, yaiu daa 3 saham yang ermasuk ke dalam indeks LQ 45, yaiu BMRI, BBNI, dan BBRI yang diambil mulai periode Januari 200 hingga 3 Desember 20. B. Langkah Analisis Bagian Perama (Analisis Daa Simulasi). Membangkikan daa simulasi Long Memory dan ESTAR dengan n = 2000 dan n = Unuk Long Memory, daa dibangkikan masing-masing dengan parameer d unuk nilai d = 0,; 0,2; 0,3; 0,4. 2. Seiap daa bangkian diaggregasi baik dengan properi sock aggregaion maupun flow aggregaion, masingmasing dengan level aggregasi sebesar m, dimana m bernilai, 2,..., Seiap daa hasil aggregasi pada langkah nomor 2, akan diesimasi nilai paramaer d dan sandar deviasinya dengan esimaor GPH dengan bandwih opimum 0,5 dan 0,8. 4. Langkah nomor hingga 4, diulang sebanyak 000 kali sehingga erdapa 000 nilai esimasi d besera sandar deviasinya. 5. Membua vekor db dan sb. Masing-masing vekor berukuran 0x. Seiap komponen dari vekor db didapakan dari nilai raa-raa hasil esimasi parameer d unuk iap level aggregasi m. Begiu pula dengan vekor sb didapakan dari raa-raa sandar deviasi d hasil esimaor GPH. 6. Unuk properi sock aggregaion, pada seiap nilai parameer d dibua selang kepercayaan 95% unuk iap level aggregasi (m =, 2,..., 0) baik unuk n = 2000 maupun n = Melakukan hal sama seperi langkah nomor 6 namun unuk properi flow aggregaion. 8. Membandingkan hasil selang kepercayaan unuk seiap level aggregasi m > dengan selang kepercayaan saa m =. 9. Jika selang kepercayaan masih beririsan, maka disimpulkan bahwa pada seiap level aggregasi menghasilkan parameer d yang sama, namun ika ada minimal sau selang kepercayaan yang idak beririsan, maka dinyaakan bahwa daa aggregasi menghasilkan 2 (3) (4)
3 JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) ( X Prin) D-9 nilai d yang berbeda dengan daa aslinya. 0. Membandingkan hasil simulasi anara sock aggregaion dan flow aggregaion dan disimpulkan meode aggregasi erbaik unuk idenifikasi proses Long Memory. Bagian Kedua (Analisis Daa Saham). Mengunduh daa harga saham harian dari 3 saham erbesar yang ermasuk indeks LQ 45 dari periode Januari 200 hingga 3 Desember Seiap daa saham dibua plo ACF dan PACF sebagai pendugaan secara visual indikasi proses Long Memory. 3. Membua periodogram unuk masing-masing daa saham 4. Pada masing-masing daa saham akan diaggregasi dengan properi sock aggregaion dengan level aggregasi m =,2,...,0. 5. Pada seiap level aggregasi akan diesimasi nilai d dan diamai polanya. 6. Melakukan pemodelan unuk seiap daa saham dengan ARFIMA sebagai pendekaan sifa Long Memory dan model ESTAR sebagai pendekaan Spurious Long Memory. 7. Memilih model erbaik unuk keiga daa saham berdasarkan nilai RMSE erkecil. 8. Melakukan cek diagnosa apakah model yang dihasilkan unuk masing-masing daa saham memenuhi asumsi residual berdisribusi normal dan whie noise. 9. Melakukan peramalan unuk 3 ahap ke depan unuk masing-masing model yaiu periode 2-4 Januari 202. Gambar. 95% Confidence Inerval Flow Aggregaion n = 2000 Gambar 2. 95% Confidence Inerval Flow Aggregaion n = 5000 IV. ANALISIS DAN PEMBAHASAN A. Simulasi Flow Aggregaion Berdasarkan Gambar dan Gambar 2, didapakan kesimpulan bahwa pada bandwih 0,5 erliha bahwa seiring dengan naiknya level aggregasi, parameer d yang dihasilkan idak berubah diunukkan dengan beririsannya selang kepercayaan. Berbeda kondisi dengan bandwih 0,8 yang memiliki bias yang lebih besar dan selang kepercayaannya idak beririsan. B. Simulasi Sock Aggregaion Gambar 3. dan Gambar 4. elas menunukkan bahwa sock aggregaion dalam mendeeksi Long Memory akan menghasilkan pola nilai d yang monoon urun seiring dengan naiknya level aggregasi uamanya hingga level 5. Gambar 3. 95% Confidence Inerval Sock Aggregaion n = 2000 Gambar 4. 95% Confidence Inerval Sock Aggregaion n = 5000
4 JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) ( X Prin) D-0 Tabel. Bias Esimasi GPH m N = 2000 N = Gambar 5. 95% Confidence Inerval Sock Aggregaion ESTAR n = 2000 Gambar 6. 95% Confidence Inerval Sock Aggregaion ESTAR n = 5000 C. Simulasi Sock Aggregaion pada Model ESTAR Model ESTAR yang dibangkikan yaiu :. ESTAR : ESTAR (γ = 25, c = 0.06) 2. ESTAR 2 : ESTAR (γ = 25, c = 0.07) 3. ESTAR 3 : ESTAR (γ = 25, c = 0.08) Hasil selang kepercayaan 95% sebagaimana yang diampilkan pada Gambar 5. dan Gambar 6. elas menunukkan bahwa idak adanya rend erenu dari esimasi parameer d seiring dengan naiknya level aggregasi. D. Pemilihan Bandwih Berdasarkan peneliian yang dilakukan oleh [8] dan [9], esimaor GPH sanga dipengaruhi oleh pemilihan bandwih yang epa. Pemilihan bandwih mempengaruhi bias esimasi yang dihasilkan. Berdasarkan hasil simulasi, beriku adalah bias yang dihasilkan oleh GPH dengan bandwih 0,5 dan 0,8. Tabel menunukkan nilai bias yang dihasilkan esimaor GPH saa menggunakan bandwih 0,5 dan 0,8. Berdasarkan nilai bias ersebu dapa diambil 2 kesimpulan, yaiu bias yang dihasilkan GPH saa menggunakan bandwih 0,5 lebih kecil daripada bandwih 0,8 kemudian berambahnya umlah sampel dapa memperkecil bias yang dihasilkan. E. Aplikasi ke Daa Saham LQ 45 Saham LQ 45 yang diadikan bahan sudi kasus dalam ugas akhir ini adalah saham BMRI, BBNI, dan BBRI. Keiga enis indeks saham ersebu diambil daanya mulai awal Januari 200 hingga akhir Desember 20. Bagian yang dianalisis adalah absolu dari nilai reurn harga saham, bukan harga saham secara langsung sebab kenyaaannya invesor lebih erarik mengeahui informasi pergerakan reurn saham daripada harga saham iu sendiri [5], [0], []. Beriku adalah saian deskripsi series daa reurn saham dari masingmasing indeks saham. Pada deskripsi series saham yang diunukkan pada Gambar 7 adalah daa saham yang semula diransformasi dalam benuk logarima naural unuk mengaasi saionariy dalam varians, kemudian seelah iu baru didapakan nilai reurnnya. Meliha plo ACF dari keiga series ersebu, erliha bahwa plo ACF erkesan urun melamba namun idak seperi biasanya, meskipun urun melamba namun berbenuk hiperbolik naik urun. Hal ersebu memunculkan 2 kemungkinan, yaiu daa series ersebu non sasioner aau daa ersebu sebenarnya mengikui fenomena Long Memory. F. Idenifikasi Daa dengan Temporal Aggregaion Beriku adalah proses idenifikasi dengan menggunakan sock aggregaion hingga 0 level. Tabel 2. menunukkan esimasi parameer d dari keiga series hingga 0 level aggregasi. Berdasarkan kesimpulan simulasi dengan sock aggregaion, ika daa ersebu bersifa Long Memory, maka esimasi d akan monoon urun seiring dengan naiknya level aggregasi dan seringnya hingga level 5 aggregasi namun Hasil aggregasi ersebu menunukkan bahwa idak sepenuhnya keiga series ersebu menyerupai sifa Long Memory. Hal ini disebabkan karena pada daa real reurn saham banyak sekali inervensi yang idak diumpai seperi saa melakukan simulasi. Oleh karena iu, dalam pemodelan naninya akan dicoba kemungkinan kedua model
5 JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) ( X Prin) D- Tabel 3. Pemodelan Series Series Model RMSE BMRI ARFIMA(, , ) ESTAR(γ = 37.8, c = ) BBNI ARFIMA(4, , 0) ESTAR(0.022, , 43.3) BBRI ARFIMA(, , ) 0.02 ESTAR(0.938, , 9.98) Tabel 4. Forecas Saham Model ARFIMA BMRI BBNI BBRI Acual Forecas Acual Forecas Acual Forecas RMSE Tabel 5. Forecas Saham Model ESTAR BMRI BBNI BBRI Acual Forecas Acual Forecas Acual Forecas RMSE Gambar 7. Deskripsi Series Daa Reurn Saham BMRI, BBNI, dan BBRI Tabel 2. Esimasi Nilai d dengan m Level Aggregasi M BMRI BBNI BBRI yaiu model ARFIMA sebagai Long Memory dan ESTAR sebagai Spurious Long Memory unuk dibandingkan error erkecilnya. G. Model dan Ramalan Daa Saham Beriku ini adalah hasil pemodelan dan peramalan keiga series ersebu. Berdasarkan hasil pemodelan yang dipaparkan pada Tabel 3. dapa erliha bahwa fiing model yang baik unuk daa series BBNI dan BBRI adalah ARFIMA, namun unuk series BMRI adalah ESTAR. Namun nilai RMSE yang dihasilkan memiliki selisih yang sanga kecil sehingga unuk peramalan (forecas) dari keiga series ersebu akan digunakan semua modelnya dan dibandingakan kembali nilai RMSE unuk mengeahui model manakah yang menghasilkan forecas yang lebih akura. Beriku adalah hasil forecas reurn saham 3 ahap ke depan. Tabel 4. adalah forecas reurn saham menggunakan model ARFIMA sedangkan Tabel 5. adalah forecas reurn saham menggunakan model ESTAR. Hasil kedua abel ersebu dibandingkan acual reurn dan ramalannya dan perbandingan ersebu diwakili dengan nilai RMSE. Berdasarkan hasil Tabel 4. dan Tabel 5. menunukkan bahwa model ARFIMA lebih akura ramalannya daripada model ESTAR anpa erkecuali unuk series BMRI karena meskipun fiing model daanya lebih baik menggunakan ESTAR, namun hasil ramalannya lebih akura ika menggunakan
6 JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) ( X Prin) D-2 model ARFIMA. V. KESIMPULAN/RINGKASAN Berdasarkan analisis dan pembahasan yang elah dilakukan, beriku beberapa kesimpulan yang diperoleh adalah pengidenifikasian sifa Long Memory dalam suau series daa dapa dilakukan dengan aggregasi baik flow aggregaion maupun sock aggregaion. Flow aggregaion dalam mendeeksi Long Memory akan menghasilkan pola parameer inegrasi yang nilainya secara saisik sama aau idak berbeda meskipun daa ersebu diaggregasi, sedangkan unuk sifa sock aggregaion menghasilkan pola unuk parameer inegrasinya memiliki rend urun unuk raa-raa hingga level 5 aggregasi. Berdasarkan hasil simulasi, kedua meode aggregasi ini menghasilkan perilaku yang sama dalam parameernya unuk Spurious Long Memory (sudi kasus ESTAR), yaiu random, idak memiliki rend urun aau naik ika seriesnya diaggregasi. Pemodelan dari absolu reurn saham dari keiga series erpilih yaiu BMRI, BBNI, dan BBRI didapakan bahwa model ARFIMA lebih baik dalam fiing model kecuali pada series BMRI yang menunukkan bahwa ESTAR lebih baik dalam fiing model. Namun keika dilakukan forecasing 3 ahap ke depan, hasilnya sama-sama menunukkan bahwa model ARFIMA memberikan hasil forecas yang lebih baik dan akura dari pada ESTAR pada keiga series anpa erkecuali BMRI yang dalam fiing modelnya menyaakan ESTAR lebih baik. [7] S.J. Taylor, Consequences for opion pricing of a long memory in volailiy. Unpublished Manuscrip. Deparmen of Accouning and Finance, Lancaser Universiy, (2000). [8] L.R. Souza, Specral Properies Of Temporally Aggregaed Long Memory Process. Brazilian Journal of Probabiliy and Saisics, Vol. 22, No. 2, (2008) [9] L.R. Souza, Temporal Aggregaion And Bandwidh Selecion In Esimaing Long Memory. Journal of Time Series Analysis Vol. 28, No. 5, (2003) [0] T.,Anderson, T. Bollerslev, F.X. Diebold, and P. Labys, Modeling and Forecasing Realized Volailiy. Economerica 7, (2003) [] P. Sibbersen, Long memory versus srucural change: An overview. Saisical Papers 45, (2004) UCAPAN TERIMA KASIH Penulis M.K. mengucapkan erimakasih kepada Dr. rer. pol. Heri Kuswano, S. Si, M. Si. yang elah membimbing dengan baik dan sabar sehingga Penulis dapa menyelesaikan urnal ini dengan baik, sera kepada Dr. Brodol Suio, S.U., M. Si. dan Dr. Irhamah, S. Si, M. Si yang elah banyak memberikan koreksi dan saran erhadap penulisan urnal ini. DAFTAR PUSTAKA [] F. X. Diebold and C.A. Inoue, Long Memory And Regime Swiching. Journal of Economerics, Vol. 05, No., (200) [2] H. Kuswano and P. Sibbersen, A Sudy On Spurious Long Memory In Nonlinear Time Series Models. Applied Mahemaical Science, Vol. 2, No.55, (2008) [3] H. Kuswano and P. Sibbersen, Tesing long memory agains ESTAR nonlineariies. Discussion Paper no. 427, Leibniz Hannover Universiy, Germany, (2009). [4] H. Kuswano, A New Tes Agains Spurious Long Memory Using Temporal Aggregaion. Journal of Saisical Compuaion and Simulaion, i-firs Published on 7 January 20. DOI: 0.080/ (20). [5] Z. Ding, R.F. Engle, and C.W.J. Granger, A Long Memory Propery Of Sock Marke Reurns And A New Model. Journal of Empirical Finance, (993) [6] J. Geweke and S. Porer-Hudak, The Esimaion And Applicaion Of Long Memory Time Series Models. Journal of Time Series Analysis 4, (983)
Pengaruh Aggregasi Terhadap Parameter Long Memory Time Series (Studi Kasus : Data Saham LQ 45)
Pengaruh Aggregasi Terhadap Parameter Long Memory Time Series (Studi Kasus : Data Saham LQ 45) Moch. Koesniawanto dan Heri Kuswanto Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut
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 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 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 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 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 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 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 NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciISSN : e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3732
ISSN : 355-9365 e-proceeding of Engineering : Vol.3, No. Agusus 016 Page 373 Sifa Asimeris Model Prediksi Generalized Auoregressive Condiional Heerocedasiciy (GARCH) dan Sochasic Volailiy Auoregressive
Lebih 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 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 terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciPeramalan 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 terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
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 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 terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
Lebih 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 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 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 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 terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
Lebih terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciPeramalan Return Saham Bank Central Asia Menggunakan Self Exciting Threshold Autoregressive Genetic Algorithm
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Prin) D-71 Peramalan Reurn Saham Bank Cenral Asia Menggunakan Self Exciing Threshold Auoregressive Geneic Algorihm Tesalonika Puri dan
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih 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 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 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 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 terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
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 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 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 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 terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih 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 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 terperinciIdentifikasi Spurious Long Memory Dengan Menggunakan Metode Window Parzen
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 016 Idenifikasi Spurious Long Memory Dengan Menggunakan Meode Window Parzen Gumgum Darmawan 1, Berho Tanular, 3 Zulhanif, 4 Resa Sepiani Ponoh
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 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 terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Air merupakan kebuuhan pokok bagi seiap makhluk hidup di dunia ini ermasuk manusia. Air juga merupakan komponen lingkungan hidup yang pening bagi kelangsungan hidup
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 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 terperinciJURNAL TEKNIK POMITS Vol. 2, No. 2, (2013) ISSN: ( Print) D-108
JURNAL TEKNIK POMITS Vol., No., (013) ISSN: 337-3539 (301-971 Prin) D-108 Simulasi Peredaman Gearan Mesin Roasi Menggunakan Dynamic Vibraion Absorber () Yudhkarisma Firi, dan Yerri Susaio Jurusan Teknik
Lebih terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinciPemodelan 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 terperinciPENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC TMP C CILACAP
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC
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 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 terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
Lebih 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 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 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 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 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 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 terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV HAMILTON *
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV HAMILON * BERLIAN SEIAWAY, YANA ADHARINI DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus IPB
Lebih terperinciAsimetri GARCH dan simulasi Monte Carlo pada peramalan GBP/USD
Asimeri GARCH dan simulasi Mone Carlo pada peramalan GBP/USD Yun Hariadi Dep. Dynamical Sysem Modeling Bandung Fe Insiue, Bandung Indonesia yh@dynsys.bandungfe.ne Yohanes Surya The Mochar Riady Cener for
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih 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 terperinciBAB 2 TINJAUAN TEORI
7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER
ANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER Abdul Aziz Dosen Jurusan Maemaika Fakulas Sains Teknologi Universias Islam Negeri (UIN) Maulana Malik Ibrahim Malang e-mail : abdulaziz_uinmlg@yahoo.com
Lebih terperinciBAB II PERTIDAKSAMAAN CHERNOFF
BAB II PERTIDAKSAMAAN CHERNOFF.1 Pendahuluan Di lapangan, yang menjadi perhaian umumnya adalah besar peluang dari peubah acak pada beberapa nilai aau suau selang, misalkan P(a
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 91-100 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI BREAKPOINT DAN PEMODELAN AUTOREGRESSIVE STRUCTURAL
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
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 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 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 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 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 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 terperinciBAB III METODOLOGI PENELITIAN
perpusakaan.uns.ac.id BAB III METODOLOGI PENELITIAN A. Ruang Lingkup Peneliian Peneliian ini dilaksanakan di Indonesia dengan periode ahun 984 sampai dengan ahun 0. Peneliian ini memfokuskan pada fakor-fakor
Lebih terperinciPeramalan Beban Listrik di Jawa Timur Menggunakan Metode ARIMA dan Adaptive Neuro Fuzzy Inference System (ANFIS)
JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) D-9 Peramalan Beban Lisrik di Jawa Timur Menggunakan Meode ARIMA dan Adapive Neuro Fuzzy Inference Sysem () Indana La Zulfa dan Suharono Jurusan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis dan Pendekaan Peneliian Jenis peneliian yang digunakan dalam peneliian ini adalah peneliian evaluasi dan pendekaannya menggunakan pendekaan kualiaif non inerakif (non
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 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 terperinciBAB 1 PENDAHULUAN. Kabupaten Labuhan Batu merupakan pusat perkebunan kelapa sawit di Sumatera
BAB 1 PENDAHULUAN 1.1 Laar Belakang Kabupaen Labuhan Bau merupakan pusa perkebunan kelapa sawi di Sumaera Uara, baik yang dikelola oleh perusahaan negara / swasa maupun perkebunan rakya. Kabupaen Labuhan
Lebih terperinciProyeksi Penduduk Provinsi Riau Menggunakan Metode Campuran
Saisika, Vol. 10 No. 2, 129 138 Nopember 2010 Proyeksi Penduduk Provinsi Riau 2010-2015 Menggunakan Meode Campuran Ari Budi Uomo, Yaya Karyana, Tei Sofia Yani Program Sudi Saisika, Universias Islam Bandung
Lebih terperinciPenerapan Model DSARFIMA untuk Peramalan Beban Konsumsi Listrik Jangka Pendek di Jawa Timur dan Bali
JURNAL SAINS DAN SENI ITS Vol., (Sep, 0 ISSN: 30-98X D-4 Penerapan Model DSARFIMA unuk Peramalan Beban Konsumsi Lisrik Jangka Pendek di Jawa Timur dan Bali Pramono Dwi Uomo, Heri Kuswano, dansuharono Jurusan
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 terperinciIII. METODE PENELITIAN
26 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penilaian perkembangan kinerja keuangan PT. Goodyear Indonesia Tbk dilakukan dengan maksud unuk mengeahui sejauh mana perkembangan usaha perusahan yang
Lebih terperinciJumlah penjualan bulanan Produk X
BAB 4 HASIL DAN PEMBAHASAN 4.1 Eksraksi Hasil Pengumpulan Daa Hasil pengumpulan daa yang didapa pada periode Januari 006 sampai dengan Desember 009 disajikan dalam benuk abel seperi di bawah ini. Daa yang
Lebih terperinciPROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA
PROSES AUOREGRESSIVE CONDIIONAL HEEROSCEDASICIY DENGAN DUGAAN VARIANSI INFLASI INDONESIA Rianiai Monica, Suyono, dan Vera Maya Sani Jurusan Maemaika FMIPA UNJ Absrak Model-model runun waku konvensional,
Lebih 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 IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN Dalam peneliian ini, penulis akan menggunakan life cycle model (LCM) yang dikembangkan oleh Modigliani (1986). Model ini merupakan eori sandar unuk menjelaskan perubahan dari
Lebih 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 terperinciPengaruh variabel makroekonomi..., 24 Serbio Harerio, Universitas FE UI, 2009Indonesia
BAB 3 DATA DAN METODOLOGI 3.1 Variabel-Variabel Peneliian 3.1.1 Variabel dependen Variabel dependen yang digunakan adalah reurn Indeks Harga Saham Gabungan yang dihiung dari perubahan logarima naural IHSG
Lebih 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 terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinciADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI
ADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI Yusep Suparman Universias Padjadjaran yusep.suparman@unpad.ac.id ABSTRAK.
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Persediaan Persediaan adalah barang yang disimpan unuk pemakaian lebih lanju aau dijual. Persediaan dapa berupa bahan baku, barang seengah jadi aau barang jadi maupun
Lebih terperinci