1. Inisialisasi a0, b0, 0, dan z0. 2. Pembangkitan.
|
|
- Adi Santoso
- 7 tahun lalu
- Tontonan:
Transkripsi
1 LAMPIRAN 23
2 Lampiran 1. Skema MCMC unuk model ARCH(1) non-cenral Suden- 1. Inisialisasi a0 b0 0 dan z0. 2. Pembangkian. Disribusi poserior bersyara unuk diberikan oleh. Dalam kasus ini bisa dibangkikan secara langsung dari disribusi normal yaiu. dengan dan 3. Pembangkian. Disribusi poserior bersyara unuk diberikan oleh z g( z a b R R ) p( z ) fig 1 24
3 25 dengan ) 2( ) ( 1 2 ) ( T br a br a R a a R b exp 1 ) (1 exp ) ( T z br a R az R b R R b a z g Dalam hal ini poserior z idak mengikui suau disribusi erenu maka parameer z dibangkikan dengan menggunakan meode IC-MH dengan proposalnya yaiu ) ( ~ * IG z dan rasio penerimaannya yaiu: ) ( ) ( 1 1 * * R R b a z g R R b a z g z z r. 4. Pembangkian Disribusi poserior bersyara unuk v diberikan oleh. Diambil logarima disribusi poserior bersyara unuk : Nilai dibangkikan menggunakan meode IC-MH dengan proposal unuk yaiu dan probabilias penerimaannya yaiu. Dicari modus poserior dari arinya bahwa. Dalam kasus ini dan dienukan dengan menggunakan meode yang didasarkan pada ingkah laku disribusi di sekiar modus. Lebih lanju diperoleh bahwa derivaif perama dan kedua dari beruru-uru yaiu:
4 Kemudian dan. Namun bisa bernilai posiif karena iu diambil dengan. 26
5 Lampiran 2. Skema MCMC unuk model ARCH(1) Skewed Suden- 1. Inisialisasi a0 b0 0 dan z0. 2. Membangkikan nilai acak a b kz R. Disribusi poserior bersyara unuk a diberikan oleh Diambil logarima disribusi poserior bersyara unuk a: Nilai a dibangkikan menggunakan meode IC-MH dengan proposal unuk a yaiu dan probabilias penerimaannya yaiu. Dicari modus poserior dari arinya bahwa. Diperoleh bahwa derivaif perama dan kedua dari beruru-uru yaiu 27
6 Kemudian dan. Namun bisa bernilai posiif karena iu diambil dengan. 3. Membangkikan nilai acak b a k Z R Disribusi poserior bersyara unuk a diberikan oleh Diambil logarima disribusi poserior bersyara unuk b: 28
7 Nilai b dibangkikan menggunakan meode IC-MH dengan proposal unuk b yaiu dan probabilias penerimaannya yaiu. Dicari modus poserior dari arinya bahwa. Diperoleh bahwa derivaif perama dan kedua dari beruru-uru yaiu Kemudian dan. Namun bisa bernilai posiif karena iu diambil dengan. 29
8 4. Membangkikan nilai acak k a b Z R Disribusi poserior bersyara unuk k diberikan oleh Diambil logarima disribusi poserior bersyara unuk k: dengan dan. Dalam kasus ini bisa dibangkikan secara langsung dari disribusi normal yaiu dimana: dan 5. Membangkikan nilai-nilai acak a b k R z Disribusi poserior bersyara unuk diberikan oleh dengan =1...T Nilai dibangkikan menggunakan meode IC-MH dengan proposalnya yaiu dan rasio penerimaannya yaiu. 30
9 6. Membangkikan nilai acak k a bz R Disribusi poserior bersyara unuk v diberikan oleh Diambil logarima disribusi poserior bersyara unuk : Nilai dibangkikan menggunakan meode IC-MH dengan proposal unuk yaiu dan probabilias penerimaannya yaiu. 7. Kembali ke langkah 2 31
10 Lampiran 3. Kode Malab unuk Esimasi Model ARCH(1) noncenral Suden- 3.1 Kode Uama funcion hasil=archnc_mcmc(rhp) % Tujuan: Mengesimasi parameer-parameer dalam model ARCH(1) % R_ = sigma_ * z^0.5 * (miu+xhi_) xhi_~n(01) % sigma_^2 = a + b*r_{-1}^2 % % Algorima: MCMC % % Masukan: R = Reurns = 100*[(log(S_)-log(S_{-1}))- 1/T*sum((log(S_)- log(s_{-1}))] % dimana S_ = nilai kurs pada saa % HP = Hyperparameer = [lambda alpha_b bea_b miu_c var_c alpha_nu bea_nu] unuk prior % a ~ exp(lambda) b ~ bea(alpha_bbea_b) % c ~ Normal(miu_cvar_c) % dan nu ~ Gamma(alpha_nu bea_nu) % % Keluaran: hasil.draws = draws % I: Inisialisasi T = lengh(r); R2 = R.^2; % prior unuk a lamd = HP(1); % prior unuk b alp = HP(2); be = HP(3); %prior unuk c muc=hp(4); varc=hp(5); % prior unuk nu alpnu = HP(6); benu = HP(7); % nilai awal a = 0.1; b = 0.1; nu = 20; z = 1./gamrnd(nu/22/nuT1); % banyaknya replikasi Nis = 15000; BI = 5000; N = Nis-BI; % alokasi penyimpanan sampel av = zeros(n1); bv = zeros(n1); cv = zeros(n1); nuv = zeros(n1); zv = zeros(t1); vol = zeros(t1); % Algorima MCMC. Sep 1: Membangkikan Ranai Markov ic for is = 1:Nis % --- pembangkian nilai acak mu Vc = 1/(T+1/varc); Mc = Vc*(R(1)*sqr((1-b)/(a*z(1)))... +sum(r(2:t).*((a+b*r2(1:t-1)).*z(2:t)).^(-0.5))+muc/varc); c = normrnd(mcsqr(vc)11); 32
11 % --- pembangkian nilai acak z alpz = (nu+1)/2; bez1 = 0.5*((1-b)*R(1)^2+a*nu)/a; bez2 = (R2(2:T)+(a+b*R2(1:T-1)).*nu)./(2*(a+b*R2(1:T-1))); bez = [bez1; bez2]; % pembangkian proposal zprop = 1./gamrnd(alpz1./bez); % mengevaluasi probabilias penerimaan gzold1 = (sqr(1-b)*c*r(1)./(a*z(1))^(-0.5)); gzold2 = (c*r(2:t)./(sqr(a+b*r2(1:t... -1).*sqr(z(2:T))))); gzold = [gzold1; gzold2]; gznew1 gznew2 gznew = (sqr(1-b)*c*r(1)*(a*zprop(1))^(-0.5)); = (c*r(2:t)./(sqr(a+b*r2(1:t... -1).*sqr(zprop(2:T))))); = [gznew1; gznew2]; raio = exp(gznew-gzold); % pembaharuan u = rand(t1); minra = min(1raio); ind = find(u<=minra); z(ind) = zprop(ind); % mencari raa-raa dan variansi unuk proposal bersyara hpv = [alpnu benu]; mv = bisecion_nu(hpvz); % raa-raa d2v = 0.5*T/mv-T/4*psi(1mv/2)-(alpnu-1)/mv^2; Dv = min( d2v); s2v = -1/Dv; %variansi % algorima IC-MH % pembangkian proposal nu* pr = runcnormrnd(1mvsqr(s2v)2.140); % mengevaluasi probabilias penerimaan log_pv = 0.5*pr*T*log(pr/2)-T*gammaln(pr/2)-pr/2... *sum(log(z)+1./z)+(alpnu-1)*log(pr)-benu*pr; pos_pr = exp(log_pv); log_pv = 0.5*nu*T*log(nu/2)-T*gammaln(nu/2)-nu/2... *sum(log(z)+1./z)+(alpnu-1)*log(nu)-benu*nu; pos_o = exp(log_pv); raio = pos_pr/pos_o; ap = min(1raio); % pembangkian variabel acak seragam u = rand(1); % pembaruan if u <= ap nu = pr; % --- pembangkian sampel a % mencari raa-raa dan variansi unuk disribusi proposal hp1 = lamd; m_a = bisecion_nc(rr2abchp1z'a'); % raa-raa d2a = 1/(2*m_a^2)+0.5*sum(1./(m_a+b*R2(1:T-1)).^2) *(1-b)*R2(1)/(m_a^3*z(1))-(0.25*c*R(1)*(1... -b)^2./((1-b)/m_a*z(1))^(0.5)*m_a^(4)*z(1)^2)... +c*r(1)*(1-b)./sqr((1-b)./m_a*z(1))*m_a^(3)*z(1)... -sum(r2(2:t)./((m_a+b*r2(1:t-1)).^3.*z(2:t))) *sum(c*R(2:T)./(m_a+b*R(1:T... -1).^(2.5).*sqr(z(2:T)))); Da = min( d2a); s2_a = -1/Da; % variansi % algorima IC-MH % pembagkian proposal a* 33
12 pr = runcnormrnd(1m_asqr(s2_a)1e-41); % mengevaluasi probabilias penerimaan log_pa = -0.5*log(pr)-0.5*sum(log(pr+b*R2(1:T-1))) *(1-b)*R2(1)/(pr*z(1))... +sqr(1-b/pr*z(1)*c*r(1)) *sum((R2(2:T)./((pr+b*R2(1:T-1)).*z(2:T)))... +(c*r(2:t)./(sqr(pr+b*r2(1:t-1)).*sqr(z(2:t)))))... -lamd*pr; % F(pr) pos_pr = exp(log_pa); log_pa = -0.5*log(a)-0.5*sum(log(a+b*R2(1:T-1))) *(1-b)*R2(1)/(a*z(1))-... +sqr(1-b/a*z(1)*c*r(1)) *sum((R2(2:T)./((a+b*R2(1:T-1)).*z(2:T)))... +(c*r(2:t)./(sqr(a+b*r2(1:t-1)).*sqr(z(2:t)))))... -lamd*a; % F(a) pos_o = exp(log_pa); raio = pos_pr/pos_o; ap = min(1raio); % pembangkian variabel acak seragam u = rand(1); % pembaruan if u <= ap a = pr; % --- pembangkian nilai acak b % mencari raa-raa dan variansi unuk disribusi proposal mup = alp; Vp = be; hp1 = [mup Vp]; m_b = bisecion_nc(rr2abchp1z'b'); % raa-raa d2b = -0.5/(1-m_b)^2+0.5*sum((R2(1:T-1).^2)./((a+m_b*R2(1:T... -1)).^2))-0.25*c*R(1)/((1... -m_b/a*z(1)).^(1.5)*a^2*z(1)^2)... -sum(((r2(1:t-1).^2).*(r2(2:t)))..../((a+m_b*r2(1:t-1)).^3.*z(2:t))) *sum(R2(1:T-1).^(2)*c.*R(2:T)./(a+m_b*R(1:T... -1).^(2.5).*sqr(z(2:T))))... -(alp-1)/(m_b^2)-(be-1)/(1-m_b)^2; Db = min( d2b); s2_b = -1/Db; % variansi % algorima IC-MH % pembangkian proposal b* pr = runcnormrnd(1m_bsqr(s2_b)01); % mengevaluasi probabilias penerimaan log_pb = 0.5*log(1-pr)-0.5*sum(log(a+pr*R2(1:T-1))) *(1-pr)*R2(1)/(a*z(1))... +sqr(1-pr/a*z(1))*c*r(1) *sum((R2(2:T)./(a+pr*R2(1:T-1).*z(2:T)))... +c*r(2:t)./sqr(a+pr*r2(1:t-1)).*sqr(z(2:t)))... +(alp-1)*log(pr)+(be-1)*log(1-pr); % F(pr) pos_pr = exp(log_pb); log_pb = 0.5*log(1-b)-0.5*sum(log(a+b*R2(1:T-1))) *(1-b)*R2(1)/(a*z(1))... +sqr(1-b/a*z(1))*c*r(1) *sum((R2(2:T)./(a+b*R2(1:T-1).*z(2:T)))... +c*r(2:t)./sqr(a+b*r2(1:t-1)).*sqr(z(2:t)))... +(alp-1)*log(b)+(be-1)*log(1-b); %F(b) pos_o = exp(log_pb); raio = pos_pr/pos_o; ap = min(1raio); % pembangkian variabel acak seragam u = rand(1); % pembaruan if u <= ap b = pr; 34
13 % pengesimasian sigma vol = [a/(1-b); a+b*r2(1:t-1)]; % simpan a b c dan nu if is > BI av(is-bi1) = a; bv(is-bi1) = b; cv(is-bi1) = c; nuv(is-bi1) = nu; zv = ((is-bi-1)*zv+z)/(is-bi); vol = ((is-bi-1)*vol+vol)/(is-bi); oc % Algorima MCMC. Sep 2: Menghiung raa-raa Mone Carlo draws = [av bv cv nuv]; MP = mean(draws); SP = sd(draws); % ===== Inegraed Auocorrelaion Time (IACT) ============================ % Berapa banyak sampel yang harus dibangkikan unuk mapakan sampel % yang indepen (seberapa cepa konvergensi simulasi) resulsiat = IACT(draws); IAT = [resulsiat.iac]; % ===== Uji Konvergensi Geweke ============================================ idraw1 = round(.1*n); resulcv = momeng(draws(1:idraw1:)); meansa = [resulcv.pmean]; nsea = [resulcv.nse1]; idraw2 = round(.5*n)+1; resulcv = momeng(draws(idraw2:n:)); meansb = [resulcv.pmean]; nseb = [resulcv.nse1]; CD = (meansa - meansb)./sqr(nsea+nseb); oneail = 1-normcdf(abs(CD)01); pv = 2*oneail; % ===== 95% Highes Poserior Densiy (HPD) Inerval ====================== resulshpd = HPD(draws0.05); LB = [resulshpd.lb]; UB = [resulshpd.ub]; % % ===== Numerical Sandard Error (NSE) ==================================== resulsnse = NSE(draws); NSEd = [resulsnse.nse]; %====================== Pengauran Penceakan Hasil ======================= %----- Saisik Parameer in.cnames = char('a''b''c''nu'); in.rnames = char('parameer''mean''sd''lb''ub''iact''nse''g-cd''p- Value'); in.fm = '%16.6f'; mp = [MP; SP; LB; UB; IAT; NSEd; CD; pv]; fprinf(1'esimasi menggunakan MCMC dan Uji Diagnosik\n'); mprin(mpin); hasil.vol hasil.zv hasil.av = vol; = zv; = av; 35
14 hasil.bv = bv; hasil.cv = cv; hasil.nuv = nuv; hasil.draws = draws; %========== Calculae Marginal likelihood by Gelfand-Dey (1994) =========== hea = draws'; [nparndraw] = size(hea); mvn_mean = mean(hea2); mvn_cov = cov(hea'); inv_mvn_cov = inv(mvn_cov); %----- POSTERIOR % domain runcae_val = zeros(1ndraw); for i = 1:ndraw draw_elemen = hea(:i); runcae_val(i) = (draw_elemen-mvn_mean)' * inv_mvn_cov... * (draw_elemen-mvn_mean); criical_value = chi2inv(0.99npar); runcae_index = runcae_val > criical_value; source_pdf_log = mvn_pdf_log(heamvn_mean(:ones(ndraw1))mvn_cov)... - log(0.99); source_pdf_log(runcae_index) = -inf; %----- PRIOR % a prior_pdf_a_log = log(lamd)-lamd*av'; % b prior_pdf_b_log = -bealn(alpbe)+(alp-1).*log(bv')+(be-1).*log(1-bv'); % c prior_pdf_c_log = -1/2*log(2*pi*varc) - 1/2*(cv'-muc).^2/varc; % nu prior_pdf_nu_log = -gammaln(alpnu)+alpnu.*log(benu)+(alpnu-1).*log(nuv')- benu.*nuv'; % LOG TOTALLY PRIOR prior_pdf_log = sum(prior_pdf_a_log) + prior_pdf_b_log... + prior_pdf_c_log + prior_pdf_nu_log; % LIKELIHOOD likelihood_log = zeros(1ndraw); for i = 1:ndraw likelihood_log(i) = ARCHnc_likelihood(Rzdraws(i:)); GD_log = source_pdf_log - prior_pdf_log - likelihood_log; consan = max(gd_log); ML_GD = -consan - log(mean(exp(gd_log - consan))) 3.2 Kode bisecion funcion mv = bisecion_nu(hpvz) % Tujuan : Mencari akar dari F (v)= 0 menggunakan meode bagi dua % % % Masukan : hpv = nilai prior v % z = [z_1 z_2 z_3.z_t] %
15 % keluaran : mv = akar penyelesaian eps_sep = 1e-2; bb = 2.1; ba = 100; if difffnu(hpvzbb) == 0 % derivaif perama mv = bb; reurn; elseif difffnu(hpvzba) == 0 mv = ba; reurn; elseif difffnu(hpvzbb)*difffnu(hpvzba) > 0 error( 'difffnu(a) and difffnu(b) do no have opposie signs' ); while abs(ba - bb) >= eps_sep x = (ba + bb)/2; if difffnu(hpvzx) == 0 mv = x; reurn; elseif difffnu(hpvzx)*difffnu(hpvzba) < 0 bb = x; else ba = x; mv=x; 3.3 Kode bisecion NCT funcion mab = bisecion_nc(rr2abchp1zpar) % Tujuan : Mencari akar dari F (a)=0 aau F (b)=0 menggunakan meode % bagi dua % % % Masukan : R = reurns % R2 = reurns^2 % a = nilai a % b = nilai b % c = nilai miu % hp1 = nilai prior % z = [z_1 z_2 z_3.z_t] % par = 'a' aau 'b' % % keluaran : mab = akar penyelesaian eps_sep = 1e-2; if par == 'a' bb = 1e-5; ba = 1; elseif par == 'b' bb = 0; ba = 1; if diffarch_nc(rr2abchp1zbbpar) == 0 %derivaif perama mab = bb; reurn; elseif diffarch_nc(rr2abchp1zbapar) == 0 mab = ba; reurn; elseif diffarch_nc(rr2abchp1zbapar)*diffarch_nc(rr2abchp1zbbpar) > 0 error( 'diffarch(ba) and diffarch(bb) do no have opposie signs' ); 37
16 while abs(bb - ba) >= eps_sep x = (ba + bb)/2; if diffarch_nc(rr2abchp1zcpar) == 0 mab = x; reurn; elseif diffarch_nc(rr2abchp1zcpar)*diffarch_nc(rr2abchp1zbapar) < 0 bb = x; else ba = x; mab = x; 3.4 Kode unuk urunan perama F() funcion y = difffnu(hpvznu) % Tujuan : Mengiung F (v) % % Masukan : hpv = nilai prior % z = [z_1 z_2 z_3.z_t] % nu = nilai v % % keluaran : y = nilai urunan perama T=lengh(z); %derivaif perama y = T/2*(log(nu/2)+1-psi(nu/2))-0.5*sum(log(z)+1./z)+(hpv(1)-1)/nu-hpv(2); 4.5 Kode unuk urunan perama F(a) dan F(b) funcion Fab = diffarch_nc(rr2abchp1zbspar) % Tujuan : Mengiung F (a) aau F (b) % % Masukan : R = reurns % R2 = reurns^2 % a = nilai a % c = nilai miu % hp1 = nilai prior % z = [z_1 z_2 z_3.z_t] % bs = baas kiri/kanan inerval pada meode bagi dua % par = 'a' aau 'b' % % keluaran : Fab = nilai urunan perama if par =='a'% derivaif perama erhadap a a = bs; lamd = hp1; Fab = -1/(2*a)-0.5*sum(1./(a+b*R2(1:-1))) *(1-b)*R2(1)/(a^2*z(1))... -2*(1-b)^2*R2(1)./(a^3+z(1).^2) *sum(((R2(2:))./((a+b*R2(1:-1)).^2.*z(2:)))... -c*r(2:)./(a+b*r2(1:-1)).^(1.5).*sqr(z(2:)))... -lamd; elseif par == 'b' % derivaif perama erhadap b b = bs; alp = hp1(1); be=hp1(2); Fab = -1/(2*(1-b)) *sum(R2(1:-1)./(a+b*R2(1:-1)))... +R2(1)/(2*a*z(1)) *c*R(1)/sqr(1-b/a*z(1))*a*z(1) *sum(R2(1:-1).*R2(2:)./((a+b*R2(1:... -1)).^2.*z(2:)))-1.5*sum(R2(1:... -1).^2*c.*R(2:)./(a+b*R2(1:-1)).^2.5.*z(2:))... 38
17 +(alp-1)/b-(be-1)/(1-b); 3.6 Kode likelihood NCT funcion [log_likelihood] = ARCHnc_likelihood(Rzdraws) % Tujuan : Mencari log likelihood ARCH(1) NCT % % % Masukan : R = reurns % z = [z_1 z_2 z_3.z_t] % draws = [av bv cv nuv] % % keluaran : log_likelihood T = max(size(r)); sig2 = zeros(t1); sig2(1) = draws(1)/(1-draws(2)); var(1) = sig2(1)*z(1); y2(1) = (R(1)-sqr(var(1))*draws(3))^2; log_likelihood = -0.5*log(2*pi*var(1)) -0.5*y2(1)/var(1); for i=2:t sig2(i) = draws(1) + draws(2)*r(i-1)^2; var(i) = sig2(i)*z(i); y2(i) = (R(i)-sqr(var(i))*draws(3))^2; log_likelihood = log_likelihood -0.5*log(2*pi*var(i)) -0.5*y2(i)/var(i); 3.7 Kode unuk memanggil hasil esimasi clc clear all %daa daa1=csvread('jpy_kursbeli.csv'); daa1 = daa1(-1471:); daa2=csvread('eur_kursbeli.csv'); daa3 = daa3(-1471:); Rjpy=100*price2re(daa1); Rjpy=Rjpy-mean(Rjpy); Reur=100*price2re(daa2); Reur=Reur-mean(Reur); lamd=1; alpb=2.5; beb=3; alpnu=16; benu=0.8; muc=0; varc=1; HP=[lamd alpb beb muc varc alpnu benu]; hasil = archnc_mcmc(rjpyhp); vol = hasil.vol ; zv = hasil.zv; av = hasil.av; bv = hasil.bv; cv = hasil.cv; nuv = hasil.nuv; draws = hasil.draws; % ========== Save daa ==================================================== dlmwrie('f:\nc\hasil\eur_nc_draws.csv'draws'delimier''''precision''%0.16f') 39
18 3.8 Kode Pukung Kode runcnormrnd IACT momeng HPD NSE mprin dan mvn_pdf_log dapa diliha dalam Nugroho (2014). 40
19 Lampiran 4. Kode Malab unuk Esimasi Model ARCH(1) Skewed Suden- 4.1 Kode Uama funcion hasil=archsk_mcmc(rhp) % Tujuan: Mengesimasi parameer-parameer dalam model ARCH(1) % R_ = sigma_*(k*(z-miu_z)+z^0.5*xhi_) xhi_~n(01) % sigma_^2 = a + b*r_{-1}^2 % % Algorima: MCMC % % Masukan: R = Reurns = 100*[(log(S_)-log(S_{-1}))- 1/T*sum((log(S_)- log(s_{-1}))] % dimana S_ = nilai kurs pada saa % HP = Hyperparameer = [lambda alpha_b bea_b miu_k var_k alpha_nu bea_nu] unuk prior % a ~ exp(lambda) b ~ bea(alpha_bbea_b) % k ~ Normal(miu_kvar_k) % dan nu ~ Gamma(alpha_nu bea_nu) % % Keluaran: hasil.draws = draws % I: Inisialisasi T = lengh(r); R2 = R.^2; % prior unuk a lamd = HP(1); % prior unuk b alp = HP(2); be = HP(3); %prior unuk k muk=hp(4); vark=hp(5); % prior unuk nu alpnu = HP(6); benu = HP(7); % nilai awal a = 0.1; b = 0.1; nu = 10; z = 1./gamrnd(nu/22/nuT1); mz=nu/(nu-2); sig2=[a/(1-b); a+b*r2(1:t-1)]; % banyak replikasi Nis = 15000; BI = 5000; N = Nis-BI; % alokasi penyimpanan nilai-nilai acak av = zeros(n1); bv = zeros(n1); kv = zeros(n1); nuv = zeros(n1); zv = zeros(t1); vol = zeros(t1); % Algorima MCMC. Sep 1: Membangkikan Ranai Markov ic for is = 1:Nis % --- pembangkian sampel k A = sig2.^(0.5).*(z-mz); 41
20 B = sig2.*z; sum1 = sum(a.^2./b); sum2 = sum(-1./2*vark); Vk = 1./(sum1+sum2); Mk = Vk*sum(A.*R./B+muk/vark); k = normrnd(mksqr(vk)11); % --- pembangkian sampel z alpz = (nu+1)/2; bez = nu/2+r2/2+k*r.*sig2.^(-0.5)*mz... +k^2.*mz^2/2; % pembangkian proposal zprop = 1./gamrnd(alpz1./bez); % mengevaluasi probabilias penerimaan gzold = k*r.*sig2.^(-0.5)-0.5*k^2*z+k^2*mz*z; gznew = k*r.*sig2.^(-0.5)-0.5*k^2*zprop+k^2*mz*zprop; raio = exp(gznew-gzold); % pembangkian variabel acak seragam u = rand(t1); % pembaharuan minra = min(1raio); ind = find(u<=minra); z(ind) = zprop(ind); % mencari raa-raa dan variansi unuk proposal bersyara hpv = [alpnu benu]; mv = bisecion_nusk(rsig2khpvz); % raa-raa ddv =sum(-4*k./(sig2.^(0.5).*z)*(mv-2)^(-4).*((mv-2)*(rsig2.^(0.5).*k.*z... +sqr(sig2).*k.*(mv/(mv-2))).*sqr(sig2).*k) ); d2v = ddv +0.5*T/mv-T/4*psi(1mv/2)-(alpnu-1)/mv^2; Dv = min( d2v); s2v = -1/Dv; %variansi % algorima IC-MH % pembangkian proposal nu* pr = runcnormrnd(1mvsqr(s2v)2.140); % mengevaluasi probabilias penerimaan log_pv = -0.5*sum((2*R*k.*sig2.^(-0.5)*pr/(pr-2)... +k^2.*(-2.*z*pr/(pr-2)+(pr/(pr-2))^2))./z) *pr*T*log(pr/2)-T*gammaln(pr/2)... -pr/2*sum(log(z)+1./z)+(alpnu-1)*log(pr)-benu*pr; pos_pr = exp(log_pv); log_pv = -0.5*sum((2*R*k.*sig2.^(-0.5)*(nu./(nu-2))... +k^2*(-2*z*(nu/(nu-2))+(nu./(nu-2))^(2)))./z) *nu*T*log(nu/2)-T*gammaln(nu/2)-nu/2... *sum(log(z)+1./z)+(alpnu-1)*log(nu)-benu*nu; pos_o = exp(log_pv); raio = pos_pr/pos_o; ap = min(1raio); % pembangkian variabel acak seragam u = rand(1); % pembaruan if u <= ap nu = pr; mz = nu/(nu-2); % --- pembangkian sampel a % mencari raa-raa dan variansi unuk disribusi proposal hp1 = lamd; m_a = bisecion_sk(rr2abmzkhp1z'a'); % raa-raa d2a = 1/(2*m_a^2)+0.5*sum(1./(m_a+b*R2(1:T-1)).^2) *(1-b)*R2(1)/(m_a^3*z(1))-(0.25*k*R(1)... *(1-b)^2)./(((1-b)/m_a*z(1))^(1.5)*m_a^(4))... +k*r(1)*(1-b)./sqr((1-b)./m_a*m_a^(3)... -(0.75)*k*R(1)*mz)./((m_a/(1-b))^(2.5)*z(1)*(1-b)^(2))... 42
21 -sum(r2(2:t)./((m_a+b*r2(1:t-1)).^3.*z(2:t))) *sum(k*R(2:T)./(m_a+b*R(1:T-1).^(2.5))) *sum((k*R(2:T).*mz)./(m_a... +b*r(1:t-1).^(2.5).*z(2:t)))); Da = min( d2a); s2_a = -1/Da; % variansi % algorima IC-MH % pembagkian proposal a* pr = runcnormrnd(1m_asqr(s2_a)1e-41); % mengevaluasi probabilias penerimaan log_pa = -0.5*log(pr)-0.5*sum(log(pr+b*R2(1:T-1))) *(1-b)*R2(1)/(pr*z(1))-... +sqr((1-b)/pr)*k*r(1)... -(k*r(1)*mz)./(sqr(pr/(1-b)).*z(1)) *sum(R2(2:T)./((pr+b*R2(1:T-1)).*z(2:T))... +(k*r(2:t)./(sqr(pr+b*r2(1:t-1))))... -(k*r(2:t)*mz./(sqr(pr+b*r2(1:t-1))).*z(2:t)))... -lamd*pr; % F(pr) pos_pr = exp(log_pa); log_pa = -0.5*log(a)-0.5*sum(log(a+b*R2(1:T-1))) *(1-b)*R2(1)/(a*z(1))-... +sqr((1-b)/a)*k*r(1)... -(k*r(1)*mz)./(sqr(a/(1-b)).*z(1)) *sum(R2(2:T)./((a+b*R2(1:T-1)).*z(2:T))... +(k*r(2:t)./(sqr(a+b*r2(1:t-1))))... -(k*r(2:t)*mz./(sqr(a+b*r2(1:t-1))).*z(2:t)))... -lamd*a; % F(a) pos_o = exp(log_pa); raio = pos_pr/pos_o; ap = min(1raio); % pembangkian variabel acak seragam u = rand(1); % pembaruan if u <= ap a = pr; % --- pembangkian sampel b % mencari raa-raa dan variansi unuk disribusi proposal mup = alp; Vp = be; hp1 = [mup Vp]; m_b = bisecion_sk(rr2abmzkhp1z'b'); % raa-raa d2b = -0.5/(1-m_b)^2+0.5*sum((R2(1:T-1).^2)./((a+m_b*R2(1:T... -1)).^2))-0.25*k*R(1)/((1-m_b/a).^(1.5)*a^2) *k*R(1)*mz/((1-m_b/a).^(1.5)*a^2.*z(1))... -sum(((r2(1:t-1).^2).*(r2(2:t)))./((a+m_b*r2(1:t... -1)).^3.*z(2:T)))+0.75*sum(R2(1:T... -1).^(2)*k.*R(2:T)./(a+m_b*R(1:T-1).^(2.5))) *sum(R2(1:T-1).^(2)*k.*R(2:T)*mz./(a+m_b*R(1:T... -1).^(2.5).*z(2:T)))-(alp-1)/(m_b^2)-(be-1)/(1-m_b)^2; Db = min( d2b); s2_b = -1/Db; % variansi % algorima IC-MH % pembangkian proposal b* pr = runcnormrnd(1m_bsqr(s2_b)01); % mengevaluasi probabilias penerimaan log_pb =0.5.*log(1-pr)-0.5.*sum(log(a+pr.*R2(1:T-1))) *(1-pr).*R2(1)./(a*z(1))... +sqr((1-pr)/a).*k.*r(1)-k.*r(1).*mz./(sqr(a/(1... -pr)).*z(1))-0.5.*sum(r2(2:t)./(a+pr.*r2(1:t-... 1).*z(2:T))+k.*R(2:T)./sqr(a+pr.*R2(1:T-1))... -k.*r(2:t).*mz./sqr(a+pr.*r2(1:t-1)).*z(2:t))... +(alp-1)*log(pr)+(be-1)*log(1-pr); % F(pr) pos_pr = exp(log_pb); 43
22 log_pb = 0.5.*log(1-b)-0.5.*sum(log(a+b.*R2(1:T-1))) *(1-b).*R2(1)./(a*z(1))... +sqr((1-b)/a).*k.*r(1)-k.*r(1).*mz./(sqr(a/(1... -b)).*z(1))-0.5.*sum(r2(2:t)./(a+b.*r2(1:t... -1).*z(2:T))+k.*R(2:T)./sqr(a+b.*R2(1:T-1))... -k.*r(2:t).*mz./sqr(a+b.*r2(1:t-1)).*z(2:t))... +(alp-1)*log(b)+(be-1)*log(1-b); %F(b) pos_o = exp(log_pb); raio ap = pos_pr/pos_o; = min(1raio); % pembangkian variabel acak seragam u = rand(1); % pembaruan if u <= ap b = pr; % pengesimasian sigma vol = [a/(1-b); a+b*r2(1:t-1)]; sig2 = vol; % simpan a b k dan nu if is > BI av(is-bi1) = a; bv(is-bi1) = b; kv(is-bi1) = k; nuv(is-bi1) = nu; zv = ((is-bi-1)*zv+z)/(is-bi); vol = ((is-bi-1)*vol+vol)/(is-bi); oc % Algorima MCMC. Sep 2: Menghiung raa-raa Mone Carlo draws = [av bv kv nuv]; MP = mean(draws); SP = sd(draws); % ===== Inegraed Auocorrelaion Time (IACT) ============================ % Berapa banyak sampel yang harus dibangkikan unuk mapakan sampel % yang bebas (seberapa cepa konvergensi simulasi) resulsiat = IACT(draws); IAT = [resulsiat.iac]; % ===== Uji Konvergensi Geweke ============================================ idraw1 = round(.1*n); resulcv = momeng(draws(1:idraw1:)); meansa = [resulcv.pmean]; nsea = [resulcv.nse1]; idraw2 = round(.5*n)+1; resulcv = momeng(draws(idraw2:n:)); meansb = [resulcv.pmean]; nseb = [resulcv.nse1]; CD = (meansa - meansb)./sqr(nsea+nseb); oneail = 1-normcdf(abs(CD)01); pv = 2*oneail; % ===== 95% Highes Poserior Densiy (HPD) Inerval ====================== resulshpd = HPD(draws0.05); LB = [resulshpd.lb]; UB = [resulshpd.ub]; % % ===== Numerical Sandard Error (NSE) ==================================== 44
23 resulsnse = NSE(draws); NSEd = [resulsnse.nse]; %====================== Pengauran Penceakan Hasil ======================= %----- Saisik Parameer in.cnames = char('a''b''k''nu'); in.rnames = char('parameer''mean''sd''lb''ub''iact''nse''g-cd''p- Value'); in.fm = '%16.6f'; mp = [MP; SP; LB; UB; IAT; NSEd; CD; pv]; fprinf(1'esimasi menggunakan MCMC dan Uji Diagnosik\n'); mprin(mpin); hasil.vol = vol; hasil.zv = zv; hasil.av = av; hasil.bv = bv; hasil.kv = kv; hasil.nuv = nuv; hasil.draws = draws; 4.2 Kode bisecion funcion mv = bisecion_nusk(rsig2khpvz) % Tujuan : Mencari akar dari F (v)= 0 menggunakan meode bagi dua % % Masukan : R = reurns % Sig2 = sigma_^2 % k = nilai parameer skewness k % hpv = nilai prior v % z = [z_1 z_2 z_3.z_t] % % keluaran : mv = akar penyelesaian eps_sep = 1e-2; bb = 2.1; ba = 100; if difffnusk(rsig2khpvzbb) == 0 % derivaif perama mv = bb; reurn; elseif difffnusk(rsig2khpvzba) == 0 mv = ba; reurn; elseif difffnusk(rsig2khpvzbb).*difffnusk(rsig2khpvzba) > 0 error( 'difffnusk(a) and difffnusk(b) do no have opposie signs' ); while abs(ba - bb) >= eps_sep x = (ba + bb)/2; if difffnusk(rsig2khpvzx) == 0 mv = x; reurn; elseif difffnusk(rsig2khpvzx).*difffnusk(rsig2khpvzba) < 0 bb = x; else ba = x; mv=x; 45
24 4.3 Kode bisecion SKT funcion mab = bisecion_sk(rr2abmzkhp1zpar) % Tujuan : Mencari akar dari F (a)=0 aau F (b)=0 menggunakan meode % bagi dua % % % Masukan : R = reurns % R2 = reurns^2 % a = nilai a % b = nilai b % mz = nilai miu_z % k = nilai parameer skewness k % hp1 = nilai prior % z = [z_1 z_2 z_3.z_t] % par = 'a' aau 'b' % % keluaran : mab = akar penyelesaian eps_sep = 1e-2; if par == 'a' bb = 1e-5; ba = 1; elseif par == 'b' bb = 0; ba = 1; if diffarch_sk(rr2abmzkhp1zbbpar) == 0 %derivaif perama mab = bb; reurn; elseif diffarch_sk(rr2abmzkhp1zbapar) == 0 mab = ba; reurn; elseif diffarch_sk(rr2abmzkhp1zbapar)*diffarch_sk(rr2abmzkhp1zb bpar) > 0 error( 'diffarch(ba) and diffarch(bb) do no have opposie signs' ); while abs(bb - ba) >= eps_sep x = (ba + bb)/2; if diffarch_sk(rr2abmzkhp1zxpar) == 0 mab = x; reurn; elseif diffarch_sk(rr2abmzkhp1zxpar)*diffarch_sk(rr2abmzkhp1zba par) < 0 bb = x; else ba = x; mab = x; 46
25 4.4 Kode unuk urunan perama F() funcion y = difffnusk(rsig2khpvznu) % Tujuan : Mengiung F (v) % % % Masukan : R = reurns % sig2 = sigma_^2 % k = nilai parameer skewness k % hpv = nilai prior % z = [z_1 z_2 z_3.z_t] % nu = nilai v % % keluaran : y = nilai urunan perama T = lengh(z); y = sum(2./(sig2.^(0.5).*z)*k*(nu-2)^(-2).*(r... -sig2.^(0.5)*k.*z+sig2*k*nu/(nu-2)))... +T/2*(log(nu/2)+1-psi(nu/2))-0.5*sum(log(z)+1./z)... +(hpv(1)-1)/nu-hpv(2); 4.5 Kode unuk urunan perama F(a) dan F(b) funcion Fab = diffarch_sk(rr2abmzkhp1zbspar) % Tujuan : Mengiung F (a) aau F (b) % % Masukan : R = reurns % R2 = reurns^2 % a = nilai a % b = nilai b % mz = nilai miu_z % k = nilai parameer skewness k % hp1 = nilai prior % z = [z_1 z_2 z_3.z_t] % bs = baas kiri/kanan inerval pada meode bagi dua % par = 'a' aau 'b' % % keluaran : Fab = nilai urunan perama if par =='a'% derivaif perama erhadap a a = bs; lamd = hp1; Fab = -1/(2*a)-0.5*sum(1./(a+b*R2(1:-1))) *(1-b)*R2(1)/(a^2*z(1)) *k.*(1-b)^2*R(1)./((sqr(1-b)./a).*a.^(2)) *k.*R(1).*mz./sqr(a./(1-b)).*z(1).*(1-b) *sum(((R2(2:))./((a+b*R2(1:-1)).^2.*z(2:))) *k*R(2:)./(a+b*R2(1:-1)).^(1.5) *k.*R(2:).*mz./(a+b*R2(1:... -1)).^(1.5).*z(2:))-lamd; elseif par == 'b' % derivaif perama erhadap b b = bs; alp = hp1(1); be=hp1(2); Fab = -1/(2*(1-b)) *sum(R2(1:-1)./(a+b*R2(1:-1)))... +R2(1)/(2*a*z(1)) *k*R(1)/sqr((1-b)/a).*a *k*R(1).*mz./(sqr((1-b)./a).*a*z(1)) *sum(R2(1:-1).*R2(2:)./((a+b*R2(1:... -1)).^2.*z(2:))) *sum(R2(1:-1)*k.*R(2:)./(a+b*R2(1:-1)).^1.5) *sum(R2(1:-1)*k.*R(2:)./(a+b*R2(1:... -1)).^1.5.*z(2:))+(alp-1)/b-(be-1)/(1-b); 47
26 4.6 Kode unuk memanggil hasil esimasi clc clear all %daa daa1=csvread('jpy_kursbeli.csv'); daa1 = daa1(-1471:); daa2=csvread('eur_kursbeli.csv'); daa3 = daa3(-1471:); Rjpy=100*price2re(daa1); Rjpy=Rjpy-mean(Rjpy); Reur=100*price2re(daa2); Reur=Reur-mean(Reur); lamd=1; alpb=2.5; beb=3; alpnu=16; benu=0.8; muk=0; vark=1; HP=[lamd alpb beb muk vark alpnu benu]; hasil = archsk_mcmc(reurhp); draws = hasil.draws; % ========== Save daa ==================================================== dlmwrie('d:\skripsi\sk\hasil\jpy_sk_draws.csv'draws'delimier''''precis ion''%0.16f') 4.7 Kode Pukung Kode runcnormrnd IACT momeng HPD NSE dan mprin dapa diliha dalam Nugroho (2014). 48
27 Lampiran 5. Serifika Seminar 49
28 50
ESTIMASI BERBASIS MCMC UNTUK RETURNS VOLATILITY DI PASAR VALAS INDONESIA MELALUI MODEL ARCH BERDISTRIBUSI NORMAL DAN STUDENT-T
ESIMASI BERBASIS MCMC UNUK REURNS VOLAILIY DI PASAR VALAS INDONESIA MELALUI MODEL ARCH BERDISRIBUSI NORMAL DAN SUDEN- Oleh, IMAM MALIK SAFRUDIN NIM : 66011001 UGAS AKHIR Diajukan kepada Program Studi Matematika,
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
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 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 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 terperinciBAB II MATERI PENUNJANG. 2.1 Keuangan Opsi
Bab II Maeri Penunjang BAB II MATERI PENUNJANG.1 Keuangan.1.1 Opsi Sebuah opsi keuangan memberikan hak (bukan kewajiban) unuk membeli aau menjual sebuah asse di waku yang akan daang dengan harga yang disepakai.
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 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 terperinciBAB 2 LANDASAN TEORI
15 BAB 2 LANDASAN TEORI 2.1 Ruang Sampel dan Kejadian 2.1.1 Definisi Ruang Sampel Himpunan semua hasil semua hasil (oucome) yang mungkin muncul pada suau percobaan disebu ruang sampel dan dinoasikan dengan
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 terperinciBAB 2 TINJAUAN TEORITIS. dari bahasa Yunani yang berarti Demos adalah rakyat atau penduduk,dan Grafein
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian Demografi Keadaan penduduk sanga era kaiannya dengan demografi. Kaa demografi berasal dari bahasa Yunani yang berari Demos adalah rakya aau penduduk,dan Grafein adalah
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 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 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 III HASIL DAN PEMBAHASAN. A. Permasalahan Nyata Penyebaran Penyakit Tuberculosis
BAB III HASIL DAN PEMBAHASAN A. Permasalahan Nyaa Penyebaran Penyaki Tuberculosis Tuberculosis merupakan salah sau penyaki menular yang disebabkan oleh bakeri Mycobacerium Tuberculosis. Penularan penyaki
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 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 terperinciPENENTUAN HARGA KONTRAK OPSI TIPE ASIA MENGGUNAKAN MODEL SIMULASI NORMAL INVERSE GAUSSIAN (NIG)
E-Jurnal Maemaika Vol. 3 (3), Agusus 014, pp. 13-19 IN: 303-1751 PENENTUAN HARGA KONTRAK OPI TIPE AIA MENGGUNAKAN MODEL IMULAI NORMAL INVERE GAUIAN (NIG) I Puu Oka Paramarha 1, Komang Dharmawan, Desak
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 terperinciREGRESI LINIER SEDERHANA (PERKIRAAN INTERVAL DAN PENGUJIAN HIPOTESIS)
REGRESI LINIER SEDERHANA (PERKIRAAN INTERVAL DAN PENGUJIAN HIPOTESIS) PowerPoin Slides by Yana Rohmana Educaion Universiy of Indonesian 007 Laboraorium Ekonomi & Koperasi Publishing Jl. Dr. Seiabudi 9
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 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 terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Model Proporional Hazard Cox Dengan Pendekaan Bayesian (Sudi Kasus : Pasien Rawa Inap Demam Berdarah Dengue di Rumah Saki Umum Daerah Abdul Wahab Sjahranie Samarinda) Cox Proporsional Hazard Model wih
Lebih terperinciPERSAMAAN GERAK VEKTOR SATUAN. / i / = / j / = / k / = 1
PERSAMAAN GERAK Posisi iik maeri dapa dinyaakan dengan sebuah VEKTOR, baik pada suau bidang daar maupun dalam bidang ruang. Vekor yang dipergunakan unuk menenukan posisi disebu VEKTOR POSISI yang diulis
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 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 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 terperinciHIDDEN MARKOV MODEL. Proses Stokastik dapat dipandang sebagai suatu barisan peubah acak dengan T adalah parameter indeks dan X
BAB II HIDDE MARKOV MODEL.. Pendahuluan Proses Sokasik dapa dipandang sebagai suau barisan peubah acak { X, } dengan adalah parameer indeks dan X menyaakan keadaan pada saa. Himpunan dari semua nilai sae
Lebih terperinciKARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP
Karakerisik Umur Produk (Sudarno) KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL Sudarno Saf Pengajar Program Sudi Saisika FMIPA UNDIP Absrac Long life of produc can reflec is qualiy. Generally, good producs
Lebih terperinciBAB IV PERHITUNGAN NUMERIK
BAB IV PERHITUNGAN NUMERIK Dengan memperhaikan fungsi sebaran peluang berahan dari masingmasing sebaran klaim, sebagai mana diulis pada persamaan (3.45), (3.70) dan (3.90), perhiungan numerik idak mudah
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian ini dilakukan di Dafarm, yaiu uni usaha peernakan Darul Fallah yang erleak di Kecamaan Ciampea, Kabupaen Bogor, Jawa Bara. Pemilihan lokasi
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 terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Poensi sumberdaya perikanan, salah saunya dapa dimanfaakan melalui usaha budidaya ikan mas. Budidaya ikan mas yang erus berkembang di masyaraka, kegiaan budidaya
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 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 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 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 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 terperinciEstimasi Fungsi Tahan Hidup Virus Hepatitis di Kabupaten Jember (Estimating of Survival Function of Hepatitis Virus in Jember)
Jurnal ILMU DASAR Vol. 8 No. 2, Juli 2007 : 135-141 135 Esimasi Fungsi Tahan Hidup Virus Hepaiis di Kabupaen Jember (Esimaing of Survival Funcion of Hepaiis Virus in Jember) Mohamad Faekurohman Saf Pengajar
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 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 terperinciSIMULASI PERGERAKAN TINGKAT BUNGA BERDASARKAN MODEL VASICEK
Jurnal Maemaika Murni dan Terapan εpsilon Vol.9 No.2 (215) Hal. 15-24 SIMULASI PEGEAKAN TINGKAT BUNGA BEDASAKAN MODEL VASICEK Shanika Marha, Dadan Kusnandar, Naomi N. Debaaraja Fakulas MIPA Universias
Lebih terperinciIII KERANGKA PEMIKIRAN
III KERANGKA PEMIKIRAN 3.1 Teori Risiko Produksi Dalam eori risiko produksi erlebih dahulu dijelaskan mengenai dasar eori produksi. Menuru Lipsey e al. (1995) produksi adalah suau kegiaan yang mengubah
Lebih terperinciMinggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING. Peramalan Data Time Series
Minggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING Bab ini memperkenalkan model berlaku unuk daa ime series dengan musiman, ren, aau keduana komponen musiman dan ren dan daa sasioner. Meode peramalan
Lebih terperinci1.1 Konsep Distribusi
BAB DISTRIBUSI PELUANG DALAM EVALUASI KEANDALAN SISTEM. Konsep Disribusi P ada bab sebelumnya elah beberapa konsep enang disribusi peluang (probabiliy disribuion) seperi probabiliy mass funcion, probabiliy
Lebih terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
Lebih terperinciIII. KERANGKA PEMIKIRAN
III. KERANGKA PEMIKIRAN 3.1. Kerangka Teoriis 3.1.1 Daya Dukung Lingkungan Carrying capaciy aau daya dukung lingkungan mengandung pengerian kemampuan suau empa dalam menunjang kehidupan mahluk hidup secara
Lebih terperinciBAYESIAN SURVIVAL ANALYSIS UNTUK MENGETIMASI PARAMETER MODEL COX-REGRESSION PADA KASUS KETAHANAN HIDUP PASIEN PENDERITA JANTUNG KORONER
BAYESIAN SURVIVAL ANALYSIS UNTUK MENGETIMASI PARAMETER MODEL COX-REGRESSION PADA KASUS KETAHANAN HIDUP PASIEN PENDERITA JANTUNG KORONER A. Dewi Lukiasari 1, Adi Seiawan 2, Leopoldus Ricky Sasongko 3 1,2,3
Lebih terperinci1.4 Persamaan Schrodinger Bergantung Waktu
.4 Persamaan Schrodinger Berganung Waku Mekanika klasik aau mekanika Newon sanga sukses dalam mendeskripsi gerak makroskopis, eapi gagal dalam mendeskripsi gerak mikroskopis. Gerak mikroskopis membuuhkan
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
I. PENDAHULUAN. Laar Belakang Menuru Sharpe e al (993), invesasi adalah mengorbankan ase yang dimiliki sekarang guna mendapakan ase pada masa mendaang yang enu saja dengan jumlah yang lebih besar. Invesasi
Lebih terperinciESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT
ESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT Imam Malik Safrudin. 1), Didit Budi Nugroho 2) dan Adi Setiawan 2) 1),2), 3) Program Studi Matematika
Lebih terperinciJurnal MIPA 39 (1) (2016): Jurnal MIPA.
Jurnal MIPA 39 (1) (16): 78-84 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm MODEL VOLATILITAS ARCH(1) DENGAN RETURN ERROR BERDISTRIBUSI SKEWED STUDENT-T E D Saputri, D B Nugroho, A Setiawan
Lebih terperinciBAB 1 PENDAHULUAN. Propinsi Sumatera Utara merupakan salah satu propinsi yang mempunyai
BAB 1 PENDAHULUAN 1.1 Laar Belakang Propinsi Sumaera Uara merupakan salah sau propinsi yang mempunyai perkembangan yang pesa di bidang ransporasi, khususnya perkembangan kendaraan bermoor. Hal ini dapa
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.. Hasil Peneliian 4... Daa Hasil Peneliian Dari hasil peneliian diperoleh daa kemampuan dribble. hasilnya sebagai mana pada abel I (dilampirkan) 4... Deskripsi
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 terperinciIII. METODE PENELITIAN. Usahatani belimbing karangsari adalah kegiatan menanam dan mengelola. utama penerimaan usaha yang dilakukan oleh petani.
III. METODE PENELITIAN A. Konsep Dasar dan Definisi Operasional Usahaani belimbing karangsari adalah kegiaan menanam dan mengelola anaman belimbing karangsari unuk menghasilkan produksi, sebagai sumber
Lebih terperinciIII METODE PENELITIAN
III METODE PENELITIAN 3.1 Waku dan Tempa Peneliian Peneliian mengenai konribusi pengelolaan huan rakya erhadap pendapaan rumah angga dilaksanakan di Desa Babakanreuma, Kecamaan Sindangagung, Kabupaen Kuningan,
Lebih terperinciGERAK LURUS BESARAN-BESARAN FISIKA PADA GERAK KECEPATAN DAN KELAJUAN PERCEPATAN GLB DAN GLBB GERAK VERTIKAL
Suau benda dikaakan bergerak manakalah kedudukan benda iu berubah erhadap benda lain yang dijadikan sebagai iik acuan. Benda dikaakan diam (idak bergerak) manakalah kedudukan benda iu idak berubah erhadap
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1 Waku dan Lokasi Peneliian Peneliian ini dilakukan pada bulan Juni hingga Juli 2011 yang berlokasi di areal kerja IUPHHK-HA PT. Mamberamo Alas Mandiri, Kabupaen Mamberamo
Lebih terperinciEstimasi MCMC untuk Model GARCH(1,1) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 25 Estimasi MCMC untuk Model GARCH(,) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR Fransisca Cynthia Salim ), Didit Budi Nugroho 2), Bambang
Lebih terperinciBAB I PENDAHULUAN. Perekonomian dunia telah menjadi semakin saling tergantung pada
BAB I PENDAHULUAN A. Laar Belakang Masalah Perekonomian dunia elah menjadi semakin saling erganung pada dua dasawarsa erakhir. Perdagangan inernasional merupakan bagian uama dari perekonomian dunia dewasa
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN III.1 Model Peneliian Dalam menganalisa efekifias kebijakan pemerinah, maka model yang digunakan dalam skripsi ini adalah model yang diurunkan dari eori kekuaan monopoli,
Lebih terperinciBAB 2 LANDASAN TEORI. dari sisi ekonometrika maupun dari segi perancangan. Ekonometrika akan berguna
BAB LANDASAN TEORI. Kerangka Teori Kerangka eori berisi penjabaran semua eori-eori yang akan digunakan, baik dari sisi ekonomerika maupun dari segi perancangan. Ekonomerika akan berguna dalam analisis
Lebih terperinciDistribusi lama haid dari responden sebelum dan sesudah pengobatan. 1. Beda rata-rata antara pre treatment dan post treatment pertama
Lampiran Uji Saisik Disribusi lama haid d responden sebelum dan sesudah pengobaan Danazol inravaginal. Beda raa-raa anara pre reamen dan pos reamen perama Langkah pengujian: H 0 : (idak ada perbedaan raa-raa
Lebih terperinciUSULAN PENERAPAN METODE KOEFISIEN MANAJEMEN (BOWMAN S) SEBAGAI ALTERNATIF MODEL PERENCANAAN PRODUKSI PRINTER TIPE LX400 PADA PT X
USULAN ENERAAN METODE KOEISIEN MANAJEMEN (BOMAN S) SEBAGAI ALTERNATI MODEL ERENCANAAN RODUKSI RINTER TIE LX400 ADA T X Hendi Dwi Hardiman Jurusan Teknik Manajemen Indusri - Sekolah Tinggi Manajemen Indusri
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
Lebih terperinciBAB 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 terperinciPENGGUNAAN DISTRIBUSI PELUANG JOHNSON SB UNTUK OPTIMASI PEMELIHARAAN MESIN
M-6 PENGGUNAAN DISTRIBUSI PELUANG JOHNSON SB UNTUK OPTIMASI PEMELIHARAAN MESIN Enny Suparini 1) Soemarini 2) 1) & 2) Deparemen Saisika FMIPA UNPAD arhinii@yahoo.com 1) ine_soemarini@yahoo.com 2) Absrak
Lebih terperinciBAB III DESAIN PENELITIAN
BAB III DESAIN PENELITIAN Dalam desain peneliian in akan dijabarkan mengenai eknik pengambilan sampel, pengumpulan daa, dan model empiris yang digunakan, sera level signifikansi dalam peneliian ini. Di
Lebih terperinciFORECASTING & ARIMA. Dwi Martani. 1/26/2010 Statistik untuk Bisnis 9 1
FORECASTING & ARIMA Dwi Marani /26/200 Saisik unuk Bisnis 9 DERET BERKALA (TIME SERIES) Suau dere berkala merupakan suau himpunan observasi dimana variabel yang digunakan diukur dalam uruan periode waku,
Lebih terperinciPENGGUNAAN ORDER STATISTICS DALAM MENENTUKAN SAMPEL PADA EKSPERIMEN LIFE-TESTING
BIASaisics (2016) Vol. 10, No. 1, hal. 1-7 PENGGUNAAN ORDER STATISTICS DALAM MENENTUKAN SAMPEL PADA EKSPERIMEN LIFE-TESTING Yeny Krisa Frany 1, Budhi Handoko 2 1,2 Deparemen Saisika FMIPA Universias Padjadjaran
Lebih terperinciFungsi Bernilai Vektor
Fungsi Bernilai Vekor 1 Deinisi Fungsi bernilai vekor adalah suau auran yang memadankan seiap F R R dengan epa sau vekor Noasi : : R R F i j, 1 1 F i j k 1 dengan 1,, ungsi bernilai real Conoh : 1. 1 F
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian mengenai kelayakan pengusahaan pupuk kompos dilaksanakan pada uni usaha Koperasi Kelompok Tani (KKT) Lisung Kiwari yang menjalin mira dengan Lembaga
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan pada kasus pengolahan ikan asap IACHI Peikan Cia Halus (PCH) yang erleak di Desa Raga Jaya Kecamaan Ciayam, Kabupaen Bogor,
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 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 terperinciPEMBAHASAN. Solusi Eksak Persamaan Boltzman dengan Nilai Awal Bobylev Misalkan dipilih nilai awal Bobylev berikut:
PEMBAHASAN Paa karya ilmiah ini persamaan Bolzmann yang akan icari solusinya aalah persamaan Bolzmann spasial homogen yaiu persamaan Bolzmann engan x bernilai nol iuliskan: S cos [ ] e. g θ 4 uas kiri
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 terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN 4.1 Penenuan Exposure dan Holding Period Pada bab ini, risiko harga komodias energi akan diukur dalam sauan sandard fuures conrac size NYMEX. Unuk minyak menah (ligh swee
Lebih terperinciMenentukan Waktu Perawatan Preventif dan Persediaan dengan menggunakan Age Replacement Model dan Monograph Methode
SEMINAR STATISTIKA FMIPA UNPAD 27 (SNS VI) Menenukan Waku Perawaan Prevenif dan Persediaan dengan menggunakan Age Replacemen Model dan Monograph Mehode Enny Suparini Deparemen Saisika FMIPA UNPAD Bandung
Lebih terperinciBAB I PENDAHULUAN. Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang kegiaan uamanya menerima simpanan giro, abungan dan deposio. Kemudian bank juga dikenal sebagai
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 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 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 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 terperinciPENGUJIAN HIPOTESIS. pernyataan atau dugaan mengenai satu atau lebih populasi.
PENGUJIAN HIPOTESIS 1. PENDAHULUAN Hipoesis Saisik : pernyaaan aau dugaan mengenai sau aau lebih populasi. Pengujian hipoesis berhubungan dengan penerimaan aau penolakan suau hipoesis. Kebenaran (benar
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 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 terperinciBAB III METODOLOGI PENELITIAN
14 BAB III METODOLOGI PENELITIAN Peneliian ini ialah berujuan (1) unuk menerapkan model Arbirage Pricing Theory (APT) guna memprediksi bea (sensiivias reurn saham) dan risk premium fakor kurs, harga minyak,
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 terperinciJawaban Soal Latihan
an Soal Laihan 1. Terangkanlah ari grafik-grafik di bawah ini. dan ulis persamaan geraknya. an: a. Merupakan grafik kecepaan erhadap waku, kecepaan eap. Persamaan v()=v b. Merupakan grafik jarak erhadap
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian ini dilaksanakan di Tempa Pelayanan Koperasi (TPK) Cibedug, Kecamaan Lembang, Kabupaen Bandung, Jawa Bara. Pemilihan lokasi dilakukan secara
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 terperinciMETODE PENELITIAN. yang digunakan untuk mengetahui dan pembahasannya mengenai biaya - biaya
III. METODE PENELITIAN A. Meode Dasar Peneliian Meode yang digunakan dalam peneliian ini adalah meode kuaniaif, yang digunakan unuk mengeahui dan pembahasannya mengenai biaya - biaya usaha melipui biaya
Lebih terperinciBAB II LANDASAN TEORI. Persediaan dapat diartikan sebagai barang-barang yang disimpan untuk digunakan atau
BAB II LANDASAN TEORI 2.1 Pengerian Persediaan Persediaan dapa diarikan sebagai barang-barang yang disimpan unuk digunakan aau dijual pada masa aau periode yang akan daang. Persediaan erdiri dari bahan
Lebih terperinciIII. METODE PENELITIAN. Konsep dasar dan definisi operasional merupakan pengertian dan petunjuk yang
III. METODE PENELITIAN A. Konsep Dasar dan Definisi Operasional Konsep dasar dan definisi operasional merupakan pengerian dan peunjuk yang digunakan unuk menggambarkan kejadian, keadaan, kelompok, aau
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Salah sau ujuan didirikannya perusahaan adalah dalam rangka memaksimalkan firm of value. Salah sau cara unuk mengukur seberapa besar perusahaan mencipakan
Lebih terperinciPengantar Teknik Industri
Sisem Produksi/Operasi Penganar Teknik Indusri Perencanaan & Peengendalian Produksi/Operasi Sisem produksi/operasi adalah suau akivias unuk mengolah aau mengaur penggunaan sumber daya yang ada dalam proses
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 terperinci