Model ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
|
|
- Ratna Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 yang akan daang. Secara ime series, pendekaan kausal, dan gabungan anara pendekaan ime series dan kausal. Model dengan pendekaan gabungan yang banyak digunakan dikenal juga dengan model regresi dinamis. Selain iu, pendekaan Generalized Auoregresive Condiional Heeroscedasiciy Peneliian ini akan dijelaskan prosedur pembenukan model ARIMAX dan deeksi GARCH sebagai sudi kasus in-sample adalah model inervensi dengan nilai AIC dan SBC erkecil, sedangkan unuk daa ou-sample Lagrange Muliplier menunjukkan idak diemukan adanya unsur heeroskedasisias pada model ARIMAX. ARIMAX Model And GARCH Deecion 2014 ABSTRACT ime seriesime series Generalized Auoregresive Condiional Heeroscedasiciy in-sample ou-sample Langrange Muliplier in ARIMAX model. *)
2 Model Arimax Dan Deeksi Garch Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 [Rukini] PENDAHULUAN meningkanya harga barang dan jasa secara umum, erus menerus dan saling mempengaruhi. Penyebab dan Oupu Gap yang berupa keidakseimbangan anara perminaan dan pasokan (Hasbullah, 20). erhadap perekonomian negara, maka perlu dilakukan akan daang guna menenukan langkah-langkah yang harus disiapkan dalam menghadapi kondisi ekonomi ime series. Model ime series yang paling populer dan banyak digunakan dalam peramalan daa ime series univaria adalah model Auoregressive Inegraed Moving Average aau yang dikenal dengan model ARIMA (Makridakis e al., 1998). Prosedur mendapakan model ARIMA yang sesuai pada suau Peneliian-peneliian sebelumnya mengenai ime series mulivariae dianaranya dilakukan oleh Kismianini dan Dhoriva (2010) dampak penurunan di Koa Yogyakara menggunakan model inervensi dengan sep funcion dan Rokimah (20) yang Sampai hari ini sejauh penulis keahui belum ada peneliian yang melibakan gabungan inpu merik (yaiu jumlah lisrik (TDL) dan kejadian bom Bali), khususnya yang menjelaskan prosedur pembenukan modelnya. Meode pendekaan gabungan yang banyak digunakan Sebagai salah sau meode dalam analisis daa ime series, ARIMA dan ARIMAX menjadi meode yang dipakai secara luas dalam ekonomerika. Meode ini mensyarakan beberapa kondisi yang harus dipenuhi, anara lain daa harus sasioner, baik sasioner dalam mean aaupun sasioner dalam varians. Selain iu, whie noise yaiu residual mempunyai mean nol dan mempunyai Dalam prakek, pemodelan ARIMA aau ARIMAX pada suau daa ekonomi seringkali memberikan residual dengan varians yang idak konsan (heerogen). Engle (1982) memperkenalkan model Auoregressive Condiional Heeroscedasiciy mengandung varians yang idak konsan. Kemudian model ARCH disempurnakan menjadi Generalized ARCH (GARCH) oleh Bolerslev (1986). Meode ini mampu mengaasi heeroskedasisias dalam elah diuraikan diaas, maka rumusan masalah dalam peneliian ini adalah: Bagaimana prosedur pembenukan model ARIMAX dengan predikor (inpu) gabungan daa merik dan non merik dan model ARIMAX dengan predikor gabungan daa merik dan daa non merik sera berapa nilai ramalan berdasarkan model ARIMAX Meode ARIMA Box-Jenkins Prosedur pembenukan model ARIMA melipui cek diagnosa dan peramalan. (ARIMA) dibagi ke dalam 3 kelompok, yaiu: model auoregressive (AR), moving average (MA), dan model campuran ARMA (auoregressive moving average) yang mempunyai karakerisik dari dua model perama. a. Benuk model AR ( p ) aau model ARIMA ( p,0,0) secara umum adalah : = p -p + a p = a b. Benuk model MA (q) aau model ARIMA (0,0, q ) secara umum adalah: = a 1 a -1 2 a q a -q (2) = a c. Benuk model ARMA ( pq, ) aau model ARIMA ( p,0, q )) secara umum adalah: = p -p + a 1 a -1 2 a q a -q... (3) d. Benuk umum model ARIMA adalah : p (1 B) d = 0 q a...(4)
3 JURNAL EKONOMI KUANTITATIF TERAPAN Tabel 1. Karakerisik ACF dan PACF yang Sasioner Proses ACF PACF Auoregressive orde p Dies down Cus off seelah lag ke-p Moving Average orde q Cus off seelah lag ke-q Dies down ARMA orde (p,q) Dies down Dies down e. Sedangkan gabungan anara model ARIMA non musiman dan ARIMA musiman disebu beriku : p(b s ) p (1 B) d 1 B s ) D = q Q (B s )a...(5) 2) Esimasi Parameer Ada beberapa cara yang dapa digunakan unuk mendapakan parameer-parameer model ARIMA (Wei, 2006), anara lain: Meode Momen; Meode Maximum Likelihood, dan Meode OLS (Ordinary adalah suau parameer pada model ARIMA (mencakup,, dan ) dan adalah nilai esimasi dari parameer ersebu, sera s.e ( ) adalah sandar error dari nilai aksiran sebagai beriku: Hipoesa: H 0 : = 0 H 0 : Saisik uji: ( ) =...(6) s.e( ) Daerah penolakan : Tolak H0 jika a /2; n m aau menggunakan nilai p-value < arinya parameer 3) Pemeriksaan Diagnosik Pemeriksaan diagnosis residual dari model, yaiu whie noise juga berdisribusi normal. Pengujian asumsi whie noise menggunakan uji Ljung- Box dengan hipoesis sebagai beriku: H 0 1 = 2 =... = K = 0 (residual Whie Noise) H : 1 minimal ada sau k 0 (residual idak Whie Noise), dengan k 1, 2,..., K Saisik Uji: K k 1 1 Q n( n 2) ( n k) r 2 k daerah penolakan: Tolak H 0 jika Q > 2 (.K-m), dengan (orde ARMA) aau dengan menggunakan p-value <, arinya model idak sesuai karena residual idak memenuhi asumsi Whie Noise. Pengujian selanjunya yaiu uji asumsi residual berdisribusi normal. Pengujian ini dilakukan dengan menggunakan Kolmogorov Smirnov (Daniel, 1989). Hipoesis yang digunakan adalah : H0 : Fn ( x) F0( x) aau residual berdisribusi normal H1 : Fn ( x) F0( x) aau residual idak berdisribusi normal Saisik uji : D sup F ( x) F ( x)...(8) x n 0 normal; Fn ( x) daa asal; dan n = banyaknya residual. Nilai D hiung dibandingkan dengan nilai D pada abel Kolmogorov- Smirnov dengan deraja bebas n. Daerah penolakan: Tolak H 0 jika Dhiung D a, n aau dapa menggunakan p-value p-value < berari H 0 diolak yang berari residual idak berdisribusi normal. 4) Pemilihan Model Terbaik Unuk menenukan model erbaik dapa digunakan krieria pemilihan model yang berdasarkan residual dan kesalahan peramalan (Wei, 2006). Adapun krieria pemilihan model yang berdasarkan residual pada daa in-sample menggunakan nilai AIC dan SBC. Sedangkan unuk pemilihan model berdasarkan kesalahan peramalan pada daa ou-sample menggunakan nilai RMSE Model ARIMAX inpu unggal ( x ) dan oupu unggal ( y ) adalah (Wei, 2006): y 1 = vx 1 s q y = a...(9) r p Tahapan Pembenukan Model ARIMAX dengan Inpu beriku ini. a. (i) Mempersiapkan dere inpu dan dere oupu inpu dan dere oupu diasumsikan dere inpu x mengikui proses ARMA :
4 Model Arimax Dan Deeksi Garch Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 [Rukini] f x x 1 = q x a dimana a adalah whie noise. Dere a yaiu : f x a =...(11) q x x dan unuk dere b adalah: f x b = y q x (iii)penghiungan Crosscorrelaion Funcion (CCF) dan auokorelasi unuk dere inpu dan dere oupu yang elah di-prewhiening. g ab (k) r ab (k) = s a s b k = 0, ±1, ±2 (iv) Penaksiran bobo respon impuls (v) Peneapan (,,) brs berdasarkan plo CCF noise series) nˆ y vˆ( B) x w s n ˆ = y B b x d r (vii) Penenuan model ARIMA dari dere gangguan n f p n =q q a b. c. 2) Prosedur Pembenukan Model Inervensi Benuk umum dari model inervensi adalah dijabarkan pada Persamaan 16 beriku (Wei, 2006). y k w sj q q I j, a d rj f p j 1 Tahapan Pembenukan Model ARIMAX dengan Inpu Daa Non Merik (Model Inervensi) dijabarkan beriku ini. inervensi (ii) Menenukan model ARIMA menggunakan (b, r, s) inervensi, ada dua meode yang dapa dilakukan yaiu : 1) Meode Eksploraori dimana order (,,) brs didapakan melalui suau besaran saisik unuk mengeksplorasi kemungkinan order (,,) brs yang sesuai dengan meliha plo residual (Y *); dan (,,) brs ime series ersebu. b. Esimasi Parameer Model Inervensi c. Diagnosa Model Fungsi Inervensi 3) Prosedur Pembenukan Model ARIMAX Inpu Gabungan Daa Merik dan Non Merik Tahapan Pembenukan Model ARIMAX Inpu Gabungan Daa Merik dan Non Merik dijabarkan beriku ini. inpu gabungan daa merik dan non merik dapa dilakukan dengan dua kemungkinan: 1) ( pq, ) model inervensi sama maka ahapan esimasi dilakukan dengan (,,) brs ( bi, ri, si) dari model inervensi sera ( pq, ) ( pq, ) ahap esimasi dicobakan unuk masing-masing model yaiu: (,,) brs ( bi, ri, si) dari model inervensi sera ( pq, ) dari (,,) brs dari model ( bi, ri, si) dari model inervensi sera ( pq, ) dari model inervensi. b. Esimasi Parameer Model ARIMAX dengan inpu gabungan daa merik dan non merik c. Diagnosa Model ARIMAX dengan inpu gabungan daa merik dan non meric DATA DAN METODOLOGI Daa yang digunakan dalam peneliian ini adalah daa enang kejadian-kejadian khusus yang diduga kenaikan TDL, dan kejadian Bom Bali I dan II. Daa Desember Pada proses analisis, daa akan dibagi menjadi dua bagian yaiu daa raining unuk pembenukan model dan daa esing unuk validasi 2000 sampai dengan Desember 2013 digunakan
5 JURNAL EKONOMI KUANTITATIF TERAPAN No Keerangan Skala 1 Y Merik (inerval) 2 X1 Merik (rasio) 3 X2 j, Kejadian kenaikan BBM ke-j pada bulan ke- Nonmerik (nominal) 4 X3 j, Kejadian kenaikan TDL ke-j pada bulan ke- Nonmerik (nominal) 5 X4 j, Kejadian bom Bali ke-j pada bulan ke- Nonmerik (nominal) Waku () Inervensi % Kenaikan Tanggal Kejadian 10 X2 1, 16,37% 1Okober X2 2, 30,% 25 X2 3, 28,23% 37 X2 4, 21% 63 X2 5, 30% 1 Mare X2 6, 6% 1 Okober X2 7, 28,73% 24 Mei X2 8, 44 % Waku () Inervensi % Kenaikan Tanggal Kejadian 37 X3 1, 6% 40 X3 2, 6% April X3 3, 6% 46 X3 4, 6% Okober X3 5, 6% 133 X3 6, 10% 157 X3 7, 4 % 160 X3 8, 4% April X3 9, 4% 166 X3 10, 4% Okober 2013 Waku () Inervensi Tanggal Kejadian 34 X4 1, Okober X4 2, Okober 2005 sebagai daa raining (in-sample) dan daa periode esing (ou-sample). Secara umum ada dua variabel yang digunakan dalam peneliian ini, yaiu variabel respon (oupu) dan variabel predikor (inpu bulanan di Koa Denpasar. Sedangkan variabel inpu peneliian erdiri aas variabel daa merik, yaiu ke Bali, dan variabel daa non merik yaiu kejadian kenaikan BBM, kejadian kenaikan TDL, dan kejadian bom Bali. Semua variabel peneliian ersebu diamai dalam periode bulan. Tahapan pengembangan prosedur unuk pembenukan model ARIMAX erdiri dari prosedur pembenukan model dengan inpu daa merik (dikenal dengan model dengan inpu daa nonmerik (dikenal dengan model inervensi). Tahapan-ahapan yang akan dilakukan unuk pengembangan prosedur pembenukan model ARIMAX elah diuraikan sebelumnya. Model yang didapa kemudian dipilih berdasarkan krieria isias varians dari semua model apakah mengandung unsur heeroskedasisias. Langkah erakhir adalah menenukan nilai ramalan berdasarkan model erbaiknya. HASIL DAN PEMBAHASAN Pembenukan Model ARIMA unuk Daa Inflasi Koa Denpasar Plo ime series Denpasar akan digambarkan pada Gambar 1, 2, dan 3. -
6 Model Arimax Dan Deeksi Garch Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 [Rukini] Gambar 1. Time Series Auocorrelaion Lag ******************** 1. *. 2 **** **. 5. * *** 8. *. 9.**. 10. *. 11. *.. *. Parial Auocorrelaions Lag *. 2 **** *. 5. * **. 8.** * *. Model Berdisribusi Whie Noise Parameer Normal AIC SBC ARIMA (2,0,0) v v v ARIMA ([1,2],0,0) v v v ARIMA (0,0,2) - v - er, namun ada sau iik eksrim yang diduga dapa mempengaruhi pemodelan. Plo ACF pada Gambar - belum whie noise. Berdasarkan Plo ACF dan Plo Denpasar seperi disajikan pada Tabel 6. Pada Tabel 6 dimana semua asumsi elah erpenuhi dan memiliki nilai AIC dan SBC erkecil. Tahapan Pengembangan Prosedur Pembenukan model ARIMAX (Inpu Daa Merik) melalui beberapa ahapan beriku. (i) Mempersiapkan dere inpu dan dere oupu. Dere inpu - dies down yang lamba dan berulang pada periode ke-. Hal ini mean -
7 JURNAL EKONOMI KUANTITATIF TERAPAN Auocorrelaions Lag ******************** 1. ****************** 2. ***************** 3. *************** 4. ************* 5. ************ 6. *********** 7. ********** 8. ********* 9. ********. 10. ******. 11. ******.. *******. 13. *****. 14. ****. 15. **. 16. **. 17. * *. 22. *. 23. **. 24. **. ara Seelah Differencing 1 Regule dan Musiman Auocorrelaions Lag ******************** 1 *** *. 6. * *. 9. *. 10. *. 11. *** **********. ga perlu dilakukan differencing 1 reguler kemudian di differencing musiman. Gambar 6 dan Gambar 7 menunjukkan plo ACF differencing 1 reguler dan differencing musiman. Seelah dilakukan proses differencing, plo ACF raa-raa. Melalui plo ACF dan PACF ersebu dapa pola PACF yang dies down dan ACF cu off di lag, maka dugaan model ARIMA yang erbenuk adalah model ARIMA (0,1,0)(0,1,1). Langkah selanjunya adalah esimasi parameer dan diagnosik model dere inpu ARIMA (0,1,0)(0,1,1) mempunyai nilai p-value kurang dari a = 0,05 maka H0 diolak yang berari (0,1, 0)(0,1,1) ara Seelah Differencing 1 Reguler Dan Musiman Parial Auocorrelaions Lag ***. 2. * * *. 9. *. 10. *. 11. *** **********. Model ARIMA (0,1,0)(0,1,1) Parameer Esimasi p-value Kepuusan dalam model. residual model ARIMA (0,1,0)(0,1,1) menunjukkan nilai p-value yang lebih besar dari a = 0,05 maka H 0 aau idak erdapa korelasi anar lag aau residual sudah whie noise. Oleh sebab iu model ARIMA (0,1,0)(0,1,1) layak digunakan dengan Persamaan (17) beriku. (1 B)(1 B) x1 (1 B ) a (1 B)(1 B) x1 (1 0, B ) a (ii) Pemuihan dere inpu dan pemuihan dere oupu Seelah didapakan model ARIMA (0,1,0)(0,1,1) maka pemuihan dere inpu dan dere oupu dapa dienukan yaiu dari Persamaan (18) diperoleh persamaan dere inpu beriku. a q 0,67698 <0,0001 (1 )(1 ) B B x (1 0, B ) (1 B)(1 B ) y b (1 0, B ) Langkah selanjunya seelah pemuihan dere inpu dan dere oupu adalah pengecekan korelasi silang anar dere inpu dan dere oupu yang elah dipuihkan. (iii) Penghiungan korelasi silang anar dere inpu dan dere oupu yang elah dipuihkan.
8 Model Arimax Dan Deeksi Garch Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 [Rukini] Tabel 8. Hasil Uji Whie Noise Residual Model ARIMA(0,1,0)(0,1,1) Lag DF p-value Kepuusan ,33 7,05 8,65 10, ,5023 0,7950 0,9507 0,9879 Whie Noise Whie Noise Whie Noise Whie Noise Gambar. 8 Plo ACF Dari Dere Noise Auocorrelaion Plo of Residuals Lag Covariance Correlaion Sd Error ******************** ******* ****** ** **** **** * ***** ** *** **** **** ********* Pada ahap ini penghiungan korelasi silang dan auokorelasi dilakukan pada masing-masing dere inpu dan dere oupu yang elah dipuihkan. Tujuannya adalah unuk mengeahui apakah ada hubungan dari Dari hasil korelasi silang diharapkan akan diperoleh hasil dimana dere inpu idak mempengaruhi dere oupu. Penenuan nilai (,,) brs didasarkan pada hasil plo Crosscorrelaion Funcion (CCF). Analisis korelasi silang anara dere inpu dan dere oupu 0 dan 1, sehingga diduga nilai b=0, r=0, dan s=1 yang selanjunya. dalam korelasi silang anara dere inpu dan dere oupu yang elah dipuihkan seperi pada Persamaan (20). vbx ˆ( ) 1 (w 0 w 1 B)x1 n komponen noise menggunakan Persamaan (21) beriku. n y vˆ( B) x1 n y (w( w 0 wb 1 B)x1 ) 0 1 n Dengan meliha plo ACF pada dere noise pada Gambar 8, dimana plo ACF cu off di lag 1,2,7,. dugaan MA (1,2,7,). Maka dugaan model dere noise adalah ARIMA (0,1,[1, 2])(0,1,1). Seelah model ARIMA unuk dere noise y 1 = w 0 w 1 B)x1 (1 q 1 B q 2 B2 )(1-q B )a p-value lebih besar dari alpha 0,05. Persamaan model dalam Persamaan (23). y = 0, x1 + 0, x (1 0,81474 B 0, B )(1 0, 764 B ) a...(23) elah memenuhi asumsi whie noise dimana dengan p-value lebih besar dari 0,05. Tabel 4.6 menunjukkan hasil uji normalias p-value
9 JURNAL EKONOMI KUANTITATIF TERAPAN Parameer Esimasi p-value Lag Kepuusan q1 0,81474 <, y q2 0, , y q 0,764 <,0001 y w1-0, , x1 w2-0, , x1 Tabel 10. Hasil Uji Whie Noise Lag DF p-value Kepuusan 6 3,06 3 0,3820 Whie Noise 11,04 9 0,2730 Whie Noise 18 13, ,5771 Whie Noise 24 18, 21 0,6414 Whie Noise 30 25, ,5206 Whie Noise - Tabel 11. Hasil Uji Normalias Residual Model Fungsi Tes p-value Kepuusan Kolmogorov- Smirnov 0, ,86 Berdisribusi Normal Gambar 10. Time Series Saa Kenaikan BBM Pada =10, =18, =25 Dan =37 Denpasar pada bulan ke- dipengaruhi oleh jumlah mancanegara pada bulan ke-(-1) sebesar -0, ) Prosedur Pembenukan Model Inervensi (Inpu Daa Non Merik) Peneuan order (b, r, s) unuk masing-masing meliha plo ime series pada seiap dimana erjadi inervensi ersebu. Pembenukan model ARIMAX (semua Inervensi) Inervensi gabungan dari masing-masing kejadian inervensi dapa diliha pada Tabel. Unuk kejadian bom Bali II pada bulan Okober 2005 idak erliha, Sehingga idak dimasukkan ke dalam model. Hasil 15 dan Gambar 16. 5% memiliki nilai p-value kurang dari 0,05. Sehingga model inervensi yang diperoleh dapa diulis dalam Persamaan 24. Saa Kenaikan BBM Pada =63, =70 dan =101
10 Model Arimax Dan Deeksi Garch Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 [Rukini] Gambar. Time Series Saa Kenaikan TDL Pada =37, =40, =43 dan =46 Saa Kenaikan TDL Pada =7 dan =133 Gambar 14. Time Series Plo Kejadian Bom Bali I dan II Pada =34 dan =70 Bom Bali I (Okober 2002) Kenaikan BBM (Okober 2005) Bom Bali II (Okober 2005) Inervensi Waku () b r s Inervensi Waku () b r s Kenaikan BBM Kenaikan TDL Bom Bali Gambar 15. Plo ACF Residual Model Inervensi Auocorrelaion Plo of Residuals Lag Covariance Correlaion Sd Error ******************** *** **** *** ** * *** *
11 JURNAL EKONOMI KUANTITATIF TERAPAN Gambar 16. Plo PACF Residual Model Inervensi Parial Auocorrelaions Lag Correlaion *** **** ** *** * ** ** * Parameer Esimasi p-value Lag variabel Kepuusan q 0 0,46576 <, Y 0 f 1 0, , Y 0 f -0, , Y 0 w 1 1, , X2 1, 1 w 2 2,79271 <, X2 2, 1 w 3 1, , X2 3, 0 w 4-1, , X2 3, 0 w 5 1, , X2 5, 0 w 6 6,23734 <, X2 6, 0 w 7 1, , X2 7, 1 w 8-1, , X2 7, 1 w 9 1, , X3 5, 0 w 10 1, , X4 1, 1 w 11 1, , X2 8, 1 Y 0, , 42137X2 2, 79271X2 1,58623X2 1, 27270X2 1, 1 2, 1 3, 3, 1,85592X2 6, 23734X2 1, 22027X2 1,16094X2 5, 6, 7, 7, 1 1,167564X3 1, 26131X4 1,90163X2 5, 1, 1 8, 1 a 2 (1 0, 20086B 0, B ) - besarnya pengaruh yang diimbulkan oleh semua (24) Denpasar. Pengaruh erbesar yang diimbulkan dari kenaikan harga BBM adalah pada bulan Okober 2005 yaiu sebesar 6,23734 hal ini karena kenaikan harga BBM pada bulan Okober 2005 sebesar 6%. Pengaruh yang diimbulkan dari inervensi kenaikan TDL sebesar 1,67564, sedangkan pengaruh yang diimbulkan karena kejadian bom Bali I sebesar 1, Tabel 14 menunjukkan hasil uji whie noise semua kejadian inervensi elah memenuhi asumsi whie noise. Pada uji normalias residual model juga elah memenuhi asumsi berdisribusi normal. Dengan p-value sebesar 0,1500 yang lebih besar dari 0,05 seperi erliha pada Tabel 15. 3) Pembenukan model ARIMAX dengan inpu gabungan daa merik dan nonmerik.
12 Model Arimax Dan Deeksi Garch Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 [Rukini] Tabel 14. Hasil Uji Whie Noise Residual Model Inervensi Lag DF p-value Kepuusan 6 5,54 4 0,2362 Whie Noise 9, ,4694 Whie Noise 18 14, ,5789 Whie Noise 24 16, ,7804 Whie Noise 30 21, ,7947 Whie Noise Tabel 15. Hasil Uji Normalias Residual Model Inervensi Tes p-value Kepuusan Kolmogorov-Smirnov 0, ,1500 Berdisribusi Normal Inpu Gabungan Daa Merik dan Parameer Esimasi p-value Lag variabel Kepuusan q 0 0,77837 <, Y 0 f 1 0,47697 <,, Y 0 f 0,69847 <,0001 Y 0 w 1 4,59041E-6 0, X1 0 w 2 2,21040 <, X2 2, 1 w 3 1, , X2 3, 0 w 4 1, , X2 5, 0 w 5 6,71510 <, X2 6, 0 w 6 1, , X2 7, 1 w 7-1, , X2 7, 1 w 8-1, , X3 3, 0 w 9 1, , X3 5, 0 w 10 0, , X4 1, 1 w 11 1, , X2 8, 1 Tabel 17. Hasil Uji Whie Noise Residual Model ARIMAX Dengan Inpu Gabungan Daa Merik Dan Non Merik Lag DF p-value Kepuusan 6 1,46 3 0,6920 Whie Noise 8,42 9 0,4927 Whie Noise 18, ,6203 Whie Noise 24 15, ,7952 Whie Noise 30 22, ,7102 Whie Noise Hasil peneliian yang diperoleh menunjukkan (p,q) order (p,q) dari model inervensi berbeda, sehingga dicobakan unuk masing-masing model. a. Pembenukan model ARIMAX dengan inpu gabungan daa merik dan non merik berdasarkan Model ARIMAX dengan inpu gabungan daa merik dan non merik seelah dikeluarkan variabel daa non p-value 0,1 Tabel 16 menunjukkan hasil uji whie noise residual model ARIMAX dengan inpu gabungan daa merik lag elah memenuhi asumsi whie noise, dimana memiliki nilai p-value lebih besar dari 0,05. Sehingga model yang diperoleh dapa diulis dalam Persamaan (25) beriku. Y 0, X1 2, 2140X2 1, 05282X2 2, 3, 1, 68185X2 6, 71510X2 1, 34984X2 5, 6, 7, 1, 33521X2 1, 48901X3 1, 74742X3 7, 1 3, 5, 0, 96184X4 1, 74865X2 1, 1 8, 1 2 (1 0, 77837B 0, B )(1 0, B ) a Pengujian asumsi kenormalan dengan uji Kolmogorov-Smirnov miliki nilai p-value lebih besar dari 0,05. Sehingga
13 JURNAL EKONOMI KUANTITATIF TERAPAN Tabel 18.Hasil Uji Normalias Residual Model ARIMAX Dengan Inpu Gabungan Daa Merik Dan Non Merik Tes p-value Kepuusan Kolmogorov-Smirnov 0, ,1317 Berdisribusi Normal Inpu Gabungan Daa Merik dan Parameer Esimasi p-value Lag variabel Kepuusan f 1 0, , Y 0 f 2 0, , Y 0 w 1 2,44988E-6 <, X1 0 w 2 1, , X2 1, 1 w 3 2,98848 <, X2 2, 1 w 4 1, , X2 3, 0 w 5-1, , X2 3, 0 w 6 2, , X2 5, 0 w 7 6,50381 <, X2 6, 0 w 8 1, , X2 7, 1 w 9-1, , X2 7, 1 w 10 1, , X3 5, 0 w 11 1, ,07 0 X4 1, 1 w 1, , X2 8, 1 Tabel 20. Hasil Uji Whie Noise Residual Model ARI- MAX Dengan Inpu Gabungan Daa Merik dan Non Merik Lag DF p-value Kepuusan 6 1,93 4 0,7488 Whie Noise 10, ,4381 Whie Noise 18 17, ,3435 Whie Noise 24 22, ,4568 Whie Noise 30 28, ,4243 Whie Noise Tabel 21. Hasil Uji Normalias Residual Model ARI- MAX Dengan Inpu Gabungan Daa Merik dan Non Merik Tes p-value Kepuusan Kolmogorov- Smirnov 0, ,1500 Berdisribusi Normal asumsi berdisribusi normal. b. Pembenukan model ARIMAX dengan inpu gabungan daa merik dan non merik berdasarkan model Inervensi. ARIMAX dengan inpu gabungan daa merik dan non merik berdasarkan model inervensi erliha pada p-value Tabel 20 menunjukkan hasil uji whie noise residual model ARIMAX dengan inpu gabungan daa merik lag elah memenuhi asumsi whie noise, dimana memiliki nilai p-value lebih besar dari 0,05. Y 0, X1 1,54260X2 2,98848X2 1, 1 2, 1 1,80873X2 1,53507X2 2, 07939X2 3, 3, 5, 6,50381X2 1,11309X2 1, 02743X2 6, 7, 7, 1 1, 47657X3 1,38938X4 1, 78885X2 5, 1, 1 8, 1 a 2 (1 0, 77837B 0, B ) Pengujian asumsi kenormalan dengan uji Kolmogorov-Smirnov memiliki nilai p-value lebih besar dari 0,05. Sehingga asumsi berdisribusi normal. Idenifikasi Heeroskedasisias pada Varians Residual Model ARIMAX Keempa model ersebu elah memenuhi asumsi whie noise dan berdisribusi normal. Langkah selanjunya adalah pendeeksian erhadap adanya heeroskedasisias pada keempa model ersebu. Hasil deeksi heeroskedasisias dengan uji Lagrange Muliplier keempa model idak diemukan adanya unsur heeroskedasisias, dimana nilai p-value lebih besar dari alpha (0,05).
14 Model Arimax Dan Deeksi Garch Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 [Rukini] Tabel 22. Hasil Uji Heeroskedasisias Dengan Uji LM Pada Model Inervensi Q and LM Tess for ARCH Disurbances Order Q Pr > Q LM Pr > LM Tabel 23. Hasil Uji Heeroskedasisias Dengan Uji Q and LM Tess for ARCH Disurbances Order Q Pr > Q LM Pr > LM Tabel 24. Hasil Uji Heeroskedasisias Dengan Uji LM Pada Model Gabungan Berdasarkan Fungsi Transfer Q and LM Tess for ARCH Disurbances Order Q Pr > Q LM Pr > LM Tabel 25. Hasil Uji Heeroskedasisias Dengan Uji LM Pada Model Gabungan Berdasarkan Model Inervensi Inervensi Q and LM Tess for ARCH Disurbances Order Q Pr > Q LM Pr > LM Tabel 26. Krieria Pemilihan Model ARIMAX Berdasarkan Daa In-Sample Model AIC SBC Inervensi Inervensi Tabel 27. Krieria Pemilihan Model ARIMAX Berdasarkan Daa Ou-Sample Model RMSE 0,0981 Inervensi 0,2301 0,5049 Inervensi 0,3997 Bulan Ramalan Akual Bulan Ramalan Akual 1,25 1,26 1,52 - Februari 0,61 0,37 Agusus 0,29 - Mare 0,56 0,32 Sepember 0,15 - April 0,26 0,13 Okober 0,78 - Mei -0,03 - Nopember -0,21-0,52 - Desember 0,99 - Pemilihan Model Terbaik Hasil analisis dari keiga model ARIMAX, model inervensi merupakan model ARIMAX erbaik berdasarkan daa in-sample dengan meliha krieria AIC, SBC memiliki nilai erkecil seperi erliha pada Tabel 26. Sedangkan unuk daa ou-sample, model erbaik didasarkan pada nilai RMSE erkecil. Berdasarkan Tabel 27 model erbaik unuk daa ou-sample adalah
15 JURNAL EKONOMI KUANTITATIF TERAPAN SIMPULAN Berdasarkan rumusan masalah dan pembahasan analisis yang elah dilakukan, maka kesimpulan yang dapa diperoleh adalah sebagai beriku, berdasarkan model ARIMAX yang elah diperoleh, Model ARIMAX erbaik berdasarkan daa in-sample adalah model inervensi dengan nilai AIC dan SBC erkecil. Sedangkan berdasarkan daa ou-sample, model Denpasar pada bulan ke-(-1) dipengaruhi oleh jumlah -0, Berdasarkan model inervensi yang diperoleh, pengaruh erbesar yang mempengaruhi kenaikan BBM erjadi pada bulan Okober 2005 yaiu sebesar 6, Hal ini karena besarnya presenase kenaikan BBM pada bulan ersebu sebesar 6%. Pengaruh erbesar kedua yang mempengaruhi ingka yaiu sebesar 2,79271, dimana kenaikan BBM pada Koa Denpasar yang dipengaruhi oleh kenaikan TDL unsur heeroskedasisias. SARAN Saran yang dapa diberikan berdasarkan hasil ingka suku bunga, kurs dolar AS dan lain sebagainya, agar hasil dari model yang diperoleh unuk peramalan REFERENSI Time Series Analysis:Forecasing and Conrol (3rd ed. ). Bollerslev, T. (1986), A Generalized Auoregressive Condiional Heeroscedasi-ciy. vol.31: BPS Provinsi Bali, , Bali Dalam Angka Engle, R.F. (1982), Auoregressive Condiional Heerosce-. Economerics, vol. 50: Tangguh dengan Saisik akura dalam membaca Realia Dunia, penerbi Nuansa Cendikia. Dampak penurunan harga BBM menggunakan model Inervensi dengan Sep Fungsi Edisi Khusus Seminar Nasional Maemaika, UNY, Yogyakara, 5 Desember Meode dan Aplikasi Peramalan. Edisi kedua jilid I penerbi Erlangga Pendekaan Fungsi Transfer dan Ari- Timur. Tesis S2, Insiu Teknologi Sepuluh Nopember Surabaya Wei, W.W.S. (2006), Time Series Analysis Univariae and Mulivariae Mehod, Second Ediion. Pearson Addison Wesley, USA Nuviasari, E. (2009), Analisis Inervensi Muli Inpu Fungsi Sep dan Pulse unuk Peramalan kunjungan Wisaawan ke Indonesia, Tesis S2 Saisika, ITS, Surabaya. Sanoso, Teguh (2011), Aplikasi Model GARCH pada Daa In- id, 19 Mei 2013 Suharono (2007), Teori dan Aplikasi Model Inervensi Fungsi Pulse,, 7, No. 2, hal Sumaryano (2009), Volailias Harga Eceran Beberapa Komodias Pangan Uama dengan Menggunakan Model ARCH dan GARCH. No.2, Okober 2009: Diakses dari pse.libang.depan.go.id pada 21 Agusus 2013 Widarjono, A. (2002), Aplikasi Model ARCH Kasus Tingka Kajian Ekonomi Negara Berkembang Hal
MODEL 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 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 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 terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih 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 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 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 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 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 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 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 terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih 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 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 terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih 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 terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih 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 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 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 terperincimetodologi penelitian
pendahuluan injauan pusaka meodologi peneliian hasil dan pembahasan kesimpulan Pusaka Meodologi Peningkaan Energi lisrik Kebuuhan energi lisrik Pengembangan sisem energi lisrik Peramalan beban lisrik Slide
Lebih 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 terperinciPenerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan
Jurnal Sains Maemaika dan Saisika, Vol. 4, No., Januari 8 ISSN 46-454 prin/issn 65-8663 online Penerapan Model ARCH/GARCH unuk Peramalan Nilai Tukar Peani Ari Pani Desvina, Inggrid Ocaviani Meijer, Jurusan
Lebih 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 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 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 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 Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciPeramalan 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 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 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 terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih 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 terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih 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 terperinciAnalisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender
Analisis Peramalan Jumlah Perminaan Kerudung di Indusri Kecil Kerudung Arin di Surabaya dengan Meode Variasi Kalender Disusun oleh : Sely Enggar Rusiano 307 030 030 Dosen Pembimbing : Dr. Irhamah, M.Si
Lebih terperinciAnalisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang
Analisis Peramalan Jumlah Penumpang Kerea Api Penaaran Tujuan Surabaya-Malang Oleh. Andria Prima Diago 08.00.0 Dosen Pembimbing. r. Dwiamono Agus, M.komp Andria Prima Diago 08.00.0 nsiu Teknologi Sepuluh
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciBAB III 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 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 terperinciANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS:
ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: UDD PMI KOTA SURABAYA) Oleh: Winda Eka Febriana (0500) Pembimbing: Ir. Dwiamono Agus W., MIKom . LATAR BELAKANG DARAH
Lebih terperinciPERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS Puri Handayani NRP 1314 030 112 Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si. Deparemen
Lebih terperinciPENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA
PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA Leopoldus Ricky Sasongko, Lydia Ninuk Rahayu, dan Alberh Roy Koa 3,,3 Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias
Lebih terperinciDosen Pembimbing Dr. Brodjol Sutijo Suprih Ulama, M.Si.
TUGAS AKHIR SS 145561 PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS BOBBY AKBAR NRP 1314 030 002 Dosen Pembimbing Dr Brodjol Suijo Suprih Ulama, MSi DEPARTEMEN
Lebih terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperinciPERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS Affanda Abdul Hakim Aminullah NRP 1314 030 048 Dosen Pembimbing : Dr. Brodjol Suijo S.U., M.Si Deparemen
Lebih terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciBAB 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 terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.. Ruang Lingkup Peneliian Peneliian ini diujukan unuk menenukan meode erbaik yang dapa digunakan dalam meramalkan harga ayam pada enam koa besar di Jawa-Bali. Meode peramalan yang
Lebih 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 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 terperinciPERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO
PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO SKRIPSI Disusun Oleh : SITI LIS INA ATUL HIDAYAH 24010211120006 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciBAB III METODE PENELITIAN
3. METODE PENELITIAN 3.1. Kerangka Pikir BAB III METODE PENELITIAN Peneliian ini diujukan unuk membukikan adanya hubungan dan pengaruh dari nilai ukar Rupiah erhadap Dollar Amerika Serika (exchange rae),
Lebih terperinciPERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP 1314 030 070 Dosen Pembimbing Dr. Brodjol Suijo
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-299
JURNAL SAINS DAN SENI ITS Vol. 4, No., (5) 337-35 (3-98X Prin) D-99 Esimasi Value a Risk (VaR) Porofolio Saham yang Tergabung dalam Indeks LQ45 Periode Agusus 4 sampai Januari 5 Menggunakan Meode Copula
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 terperinciPERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Mohammad Fariq NRP 1314 030 015 Dosen Pembimbing Dra. Sri Mumpuni Renaningsih,
Lebih 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 terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
Lebih 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 terperinciKata Kunci - GSTAR, Inflasi, Invers Jarak, Korelasi Silang, Seragam. I. PENDAHULUAN II. TINJAUAN PUSTAKA
Pemodelan Inflasi di Koa Semarang, Yogyakara, dan Surakara dengan pendekaan GSTAR Laily Awliaul Faizah, Seiawan Jurusan Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember
Lebih terperinciARIMA (Autoregressive Integrated Moving Average)
ARIMA (Auoregressive Inegraed Moving Average) I. Prinsip Dasar dan Tujuan Analisis. Prinsip Dasar ARIMA sering juga disebu meode runun waku Box-Jenkins. ARIMA sanga baik keepaannya unuk peramalan jangka
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciBAB 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 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 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 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 terperinciPERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN Yuli Wahyuningsih (), Brodjol Suijo S. U (), Suharono () Mahasiswa Jurusan Saisika, FMIPA, Insiu Teknologi
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciPEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL LIFE ASSURANCE
90 Djojonegoro: PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL
Lebih 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 terperinciPERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA
TUGAS AKHIR SS 145561 PERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA RIZKI FEBRIASTO NRP 1314 030 102 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PADA PT
PERAMALAN JUMLAH PENUMPANG PADA PT. ANGKASA PURA I (PERSERO) KANTOR CABANG BANDAR UDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA DENGAN METODE WINTER S EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA SKRIPSI Diajukan
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih 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 terperinciTUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor
TUGAS AKHIR Pendekaan Meode ARIMA Box Jenkins unuk Analisis Peramalan Daa Ekspor Non Migas Indonesia Di Sekor Peranian, Sekor Perindusrian dan Sekor Nurul Laifa Perambangan 307 030 70 Dosen pembimbing
Lebih terperinciBAB III 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 terperinciPemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Metode ARIMA, FFNN, dan Hybrid ARIMA-FFNN
D-444 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) 27-520 (20-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Meode ARMA, FFNN, dan Hybrid ARMA-FFNN Daniar Kusumaning Ayu, Desri Susilaningrum
Lebih 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 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 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 terperinciPendekatan Fungsi Transfer Sebagai Input Adaptive Neuro-Fuzzy Inference System (ANFIS) dalam Peramalan Kecepatan Angin Rata-Rata Harian di Sumenep
JURNL SINS DN SENI ITS Vol., No., (Sep. 0 ISSN: 0-9 D- Pendekaan Fungsi Transer Sebagai Inpu dapive Neuro-Fuzzy Inerence Sysem (NFIS dalam Peramalan Kecepaan ngin Raa-Raa Harian di Sumenep Yulia Nurviasari
Lebih terperinciBAB 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 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 terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function) 1
DAMPAK PENURUNAN HARGA BBM JENS PREMUM TERHADAP ANGKA NFLAS D KOTA YOGYAKARTA (Sudi Aplikasi Model nervensi dengan Sep Funcion) Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika FMPA Universias
Lebih terperinciPEMODELAN VOLATILITAS DALAM ANALISIS DATA MAKROEKONOMI STUDI KASUS PADA INFLASI.
Prosiding Seminar Nasional Peneliian, Pendidikan dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 29 PEMODELAN VOLATILITAS DALAM ANALISIS DATA MAKROEKONOMI STUDI KASUS PADA INFLASI.
Lebih 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 terperinciPENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH
Penerapan Model Generalized Auoregressive Condiional Heeroscedasic (Garch) PENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH
Lebih terperinciBAB 2 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 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 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 terperinciPENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA
PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA Maskur Efendi ), Widandi Soeopo 2), Piojo Tri Juwono 2) ) Mahasiswa Magiser
Lebih terperinciPrediksi Permintaan BBM di PT. Pertamina Region V dengan Metode Peramalan Data Time Series Hirarki
Prediksi Perminaan BBM di PT. Peramina Region V dengan Meode Peramalan Daa Time Series Hirarki Prania Dian Uari dan 2 Suharono Mahasiswa Jurusan Saisika FMIPA-ITS (38 57) 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciContagions Effect Kurs 5 Negara ASEAN (Association of Southeast Asian Nations) Menggunakan Vector Autoregressive (VAR)
JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) 2337-3520 (230-928X Prin) D-8 Conagions Effec Kurs 5 Negara ASEAN (Associaion of Souheas Asian Naions) Menggunakan Vecor Auoregressive (VAR) Mirna Chairany,
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 terperinciPENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU
Jurnal Sains, Teknologi dan Indusri, Vol. 11, No., Juni, pp. 151-159 ISSN 93-3 prin/issn 07-0939 online PENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU 1 Ari Pani
Lebih terperinciPeramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima- Neural Network untuk Optimasi Persediaan
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-94 Peramalan Kebuuhan Bahan Bakar Premium di Depo Ampenan dengan Meode Hibrida Arima- Neural Nework unuk Opimasi Persediaan Okivianis Kusumaningrum,
Lebih terperinci