(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
|
|
- Sudirman Kurniawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PROSIDING ISSN : 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 Magiser Saisika Terapan Universias Padjadjaran )Saf Pengajar Jurusan Maemaika FMIPA Univerisas Padjadjaran 3)Saf Pengajar Saisika Jurusan FMIPA Universias Padjadjaran Jl. Ir. H. Juanda 4 Bandung ) ya.ubaid@gmail.com ) bnurani@gmail.com, 3) mulyanakanaan@yahoo.co.id Absrak Asumsi yang harus dipenuhi dalam membenuk model dere waku adalah sasionerias baik dari raa-raa aaupun variansinya. Terdapa daa dere waku yang suli diperoleh kesasioneran pada variansi seperi daa dere waku finansial (indeks harga saham, ingka suku bunga, inflasi aau kurs maa uang), dengan kaa lain variansinya idak konsan (heeroskedasisias). Model dere waku yang mengakomodasi heeroskedasisias adalah model ARCH (Auoregressive Condiional Heeroscedasiciy). Pengembangan dari model ARCH adalah model GARCH (Generalized Auoregressive Condiional Heeroscedasiciy). Meode penaksiran model GARCH yang biasa digunakan adalah Maximum Likelihood Esimaes. Meode ini didasarkan pada normal likelihood yang sanga sensiif erhadap adanya oulier, sehingga hasil penaksiran menjadi idak konsisen keika ada oulier. Unuk mengaasi hal ersebu diperlukan penaksir robus yang mampu memberikan hasil penaksiran yang konsisen. Meode Bounded M-Esimaes merupakan meode penaksiran model GARCH yang robus erhadap adanya oulier. Kaa Kunci: GARCH, oulier, Bounded M-Esimaes.. PENDAHULUAN Salah sau asumsi dalam dere waku adalah adanya auokorelasi, misalnya korelasi anara variabel waku sekarang dengan waku sebelumnya. Model dere waku yang sering digunakan anara lain Auoregressive (AR), Moving Average (MA), Auoregressive Moving Average (ARMA) dan Auoregressive Inegraeed Moving Average (ARIMA). Asumsi yang harus erpenuhi dalam membenuk model di aas adalah sasioner baik dari raa-raa aaupun variansinya. Mensasionerkan raa-raa bisa didapakan dengan mendiferensikan daa dere waku, Teapi unuk mensasionerkan variansi suli didapakan, karena keika daa dere waku didiferensi dan diperoleh sasioner pada raa-raa, daa ersebu menjadi lebih idak sasioner pada variansi. seperi daa dere waku finansial (indeks harga saham, ingka suku bunga, inflasi aau kurs maa uang) yang umumnya memiliki variansi yang idak konsan (heeroscedasiciy). Jurusan Saisika-FMIPA-Unpad 0 83
2 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 Unuk menanggulangi keadaan ersebu maka diperlukan sebuah meode lain yang dapa digunakan sesuai dengan karakerisik yang dimiliki oleh daa dere waku finansial. Salah sau model dere waku yang mengakomodasi heeroskedasisias adalah model Auoregressive Condiional Heeroscedasiciy (ARCH) yang diperkenalkan oleh Engle pada ahun 98. Menuru Engle, penggunaan meode ARCH pada daa dere waku yang mengalami heeroskedasisias berperan pening dalam meningkakan efisiensi. Pada model ini, variansi error daa dere waku sekarang hanya dipengaruhi oleh error dari variabel yang dielii pada waku sebelumnya. Kemudian, pada ahun 986, Tim Bollerslev mengembangkan meode ARCH dengan meode yang disebu Generalized Auoregressive Condiional Heeroscedasiciy (GARCH). Model ini dianggap memberikan hasil yang lebih singka dan efekif daripada model ARCH karena dapa mengurangi keerganungan sejumlah besar lag error masa lalu. Pada model ini variansi error waku sekarang idak hanya dipengaruhi oleh error masa lalu eapi juga dipengaruhi oleh variansi error masa lalu. Model heeroskedasisias dere waku (ARCH/GARCH) biasanya diaksir dengan maximum likelihood (ML) yang diasumsikan bahwa disribusi dari sau pengamaan bersyara masa lalu adalah normal. Penaksiran ersebu didasarkan pada normal likelihood sanga sensiif erhadap kehadiran beberapa oulier. Jenis oulier yang elah dipelajari dalam dere waku anara lain addiive oulier dan innovaion oulier. Keberadaan oulier mempunyai pengaruh besar erhadap penaksiran-ml. Unuk mengaasi hal ersebu diperlukan penaksir robus yang mampu memberikan hasil penaksiran yang konsisen. Muler dan Yohai (007) mengenalkan penaksiran robus pada model GARCH dengan meode BM-esimaes (Bounded M-esimaes).. KERANGKA KONSEPTUAL. Model ARCH Engle (98) mengusulkan suau model unuk variansi idak konsan (heeroskedasisas) yang erganung pada nilai-nilai masa lalu, aau dikenal sebagai model Auoregressive Condiional Heeroscedasiciy (ARCH), yang didefinisikan sebagai Z () ~ N (0, ) () 0 (3) Jurusan Saisika-FMIPA-Unpad 0 84
3 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 dengan Z ~ (0,) (whie noise), dan posif. Model di aas disebu sebagai model ARCH(). Fungsi unuk variasi waku adalah,,... himpunan informasi yang ersedia pada waku -., yang merupakan Fungsi variansi pada persamaan (.3) dapa digeneralisasi unuk orde lebih dari sau, sehingga diperoleh persamaan 0... p p (4) Persamaan (4) dikenal sebagai model ARCH dengan orde p, dan α 0, α,..., α p adalah parameer yang idak dikeahui. Unuk mendapakan model regresi ARCH, raaan dari diasumsikan sebagai kombinasi linier dari variabel lag, ermasuk himpunan informasi pada waku - yaiu E( ) = Y β (Engle,98). Sehingga secara formal model regresi ARCH dapa diuliskan sebagai: ~ N ( Y, ) 0.. p p Y aau Y (5) Berdasarkan benuk model regresi ARCH di aas, misal model raaan dari merupakan model AR, maka diperoleh model AR()-ARCH(), yaiu: Z h 0 dengan 0 0 dan 0. (6). Model GARCH Pada dasarnya model ARCH dengan GARCH adalah sama yang membedakan adalah model GARCH idak hanya erganung pada kuadra error waku sebelumnya eapi juga erganung pada variansi waku sebelumnya. Sedangkan model ARCH hanya erganung pada kuadra error waku sebelumnya. Model GARCH(p,q) dinyaakan sebagai (Bollerslev, 986): ~ N(0, h ) dengan Jurusan Saisika-FMIPA-Unpad 0 85
4 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 h... h h p q i i ih i i i di mana,α 0 > 0, α i 0 unuk i =,..., p dan β i 0 unuk i =,..., p. Unuk lebih sederhana dimisalkan proses GARCH(,) h z, z i. i. d N(0,) (8) h 0 h (9) (7) dengan α 0 > 0, α 0 dan β 0.3 Oulier Dere Waku Oulier menyebabkan hasil daa menjadi idak reliable dan valid. Oulier pada dere waku anara lain (Wei, 990):. Addiive Oulier (AO) AO merupakan kejadian yang mempengaruhi suau dere waku pada sau iik waku saja. Kesalahan dalam pencaaan merupakan salah sau conoh AO. Model AO dinyaakan dengan: VU ( B) a ( B) VU (0) dengan U, 0, T T adalah variabel indikaor yang menunjukkan ada aau idaknya oulier pada waku T.. Innovaional Oulier (IO) Model IO dinyaakan sebagai beriku: ( B) VU ( B) ( B) ( B) a VU ( B) ( B) ( B) ( a VU ) ( B) () Jurusan Saisika-FMIPA-Unpad 0 86
5 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 IO mempengaruhi seluruh observasi, +,... melewai waku T sepanjang memori dari sisem yang diberikan oleh θ(b)/ (B). 3. PENAKSIRAN MODEL GARCH dengan METODE BM-ESTIMATES Muler dan Yohai (007), mengusulkan penaksiran model GARCH dengan meode BM- Esimees sebagai beriku : Misalkan dere ε,..., ε T mengikui proses GARCH(,) seperi pada persamaan (8) dan (9). Pada persamaan (8), dimisalkan y = log(ε ) dan w = log(z ), maka diperoleh y w log h Jika kepadaan f dari z simeris sekias nol, maka kepadaan dari w adalah g yang diuliskan sebagai beriku: g( w) f ( e ) e w / w/ () keika f mengikui disribusi N(0,), maka g = g 0 dimana ( w e w ) g0( w) e (3) Dengan nilai parameer ˆ a, a, b, didefinisikan unuk semua seperi 0 pada persamaan (9). Benuk Maximum Likelihood esimaes didasarkan pada ε adalah memaksimalkan persamaan di bawah ini: T T log h ( ) (4) h ( ) dan jika y = log(ε ), persamaan di aas dapa diuliskan sebagai T e y log h ( ) log h ( ) Memaksimalkan persamaan (4) sama dengan memaksimalkan T (5) L ( ) log g y log h ( ) 0, T 0 dengan fungsi g 0 seperi pada persamaan (3). Memaksimalkan persamaan (5) seara dengan meminimalkan Jurusan Saisika-FMIPA-Unpad 0 87
6 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 dengan T M ( ) y log h ( ) (6) 0, T 0 T log( g ) (7) 0 0 dan g 0 seperi pada persamaan (3). Dengan cara yang sama, maka penaksiran maximum likelihood unuk model GARCH(,) sesuai unuk kepadaan simeris f yaiu diperoleh dengan meminimalkan persamaan di bawah ini: T M ( ) y log h ( ) (8) T T dengan ρ = -log(g) dan g seperi pada persamaan (). Meminimalkan persamaan (8) merupakan benuk M-esimaes model GARCH dapa diuliskan sebagai ˆ arg min ( ) (9) M T Salah sau alasan penaksiran-ml kurang robus adalah ρ 0 idak dibaasi. Sehingga suau oulier kemungkinan mempunyai pengaruh idak erbaas pada M 0,T pada persamaan (6). M- esimaes dengan ρ dibaasi lebih robus daripada ML-esimaes, eapi oulier yang besar masih mempunyai pengaruh erhadap penaksirannya. Penyebabnya adalah penaksiran ini memerlukan penghiungan nilai h ( ) menggunakan persamaan (9), sehingga oulier yang besar pada waku dapa mempengaruhi semua h ( ) ' dengan >. Sehingga unuk mendapakan robusness yaiu dengan memodifikasi M-esimaes unuk model GARCH, dengan memasukkan mekanisme yang membaasi penyebaran pengaruh oulier pada penaksiran h ( ). Maka dalam penghiungan M-esimaes h ( ) diuliskan sebagai h, k ( ) a0 ah, k ( ) rk b h, k ( ) h, k ( ) (0) dengan ε = 0 unuk 0 dan u jika u k rk ( u) k jika u k () Jurusan Saisika-FMIPA-Unpad 0 88
7 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 Jika k besar, maka, k oulier pada waku pada h h akan mendekai h ( ). Namun pengaruh penyebaran sau, k dengan > prakis hilang seelah beberapa periode. Karena iu, jika ε mengikui model GARCH eapi berisi oulier, maka M-esimaes menggunakan variansi bersyara pada persamaan (0) akan lebih baik. Beriku modefikasi dari M-esimaes. Misalkan ˆ didefinisikan persamaan (9) dan ˆ didefinisikan sebagai ˆ arg min M Tk ( ) dengan M ( ) y log h ( ) () T Tk, k T Keika proses adalah sebuah proses GARCH sempurna diamai anpa oulier variansi bersyara diberikan persamaan (9), maka menaksir menggunakan ˆ, umumnya lebih baik daripada ˆ. Dalam kasus ini proses di aas erdapa oulier, ˆ asimoik bias, sehingga M ˆ ˆ T M Tk. Keika ˆ kemungkinan lebih baik, sehingga M ˆ ˆ T MTk. Maka didefinisikan BM-esimaes sebagai Tk Tk ˆ ˆ ˆ B jika M M ˆ jika M ˆ M ˆ T T (3) dibaasi. Nilai ρ pada BM-esimaes ini adalah ρ = m(ρ 0), dimana m adalah fungsi nondecreasing Jurusan Saisika-FMIPA-Unpad 0 89
8 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 4. PEMBAHASAN Daa yang digunakan dalam makalah ini adalah inflasi indonesia selama 383 bulan periode Februari 979 sampai Desember 00, beriku adalah plo daanya: 4,00,00 0,00 8,00 6,00 4,00,00 0,00 -, Inflasi Indonesia Gambar 4. Plo Daa Inflasi Indonesia Februari 979 sampai Desember 00 (sumber: Badan Pusa Saisik) Pada plo daa di aas erliha bahwa daa ahun 998 dan akhir ahun 005 merupakan suau oulier yang merupakan jenis Addiive Oulier yaiu pada daa ke-9 dan ke-3. Dimana pada ahun ersebu erjadi kejadian luar biasa yaiu pada ahun 998 erjadinya krisis moneer di Indonesia dan ahun 005 adanya kebijakan kenaikan BBM. Asumsi yang harus dipenuhi dalam analisis dere waku adalah sasionerias, beriku hasil uji akar-akar uni dengan Augmened Dickey-Fuller es: Tabel 4. Hasil Uji Akar Uni Null Hypohesis: INFLASI has a uni roo Exogenous: Consan Lag Lengh: (Auomaic based on SIC, MALAG=6) -Saisic Prob. Augmened Dickey-Fuller es saisic Tes criical values: % level % level % level MacKinnon (996) one-sided p-values. Dari hasil uji di aas erliha bahwa olak H 0 pada α = 0,05, yang arinya idak ada akarakar uni pada daa inflasi, sehingga daa dianggap sudah sasioner. Jurusan Saisika-FMIPA-Unpad 0 90
9 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 Selanjunya adalah uji serial korelasi unuk meliha apakah perlu dibenuk model ARMA aau idak. Beriku adalah uji serial korelasi: Tabel 4. Hasil Uji Serial Korelasi Breusch-Godfrey Serial Correlaion LM Tes: F-saisic ObsR-squared Prob. F(,38) Prob. Chi-Square() Hasil uji di aas menujukkan bahwa pada α = 0,05 H 0 diolak, yang arinya erdapa serial korelasi. Sehingga perlu dibua model ARMA. Model ARMA yang perama yang dibua adalah ARMA(,0) aau diulis model AR(). Tabel 4.3 Taksiran Model AR() Coefficie Variable n Sd. Error -Saisic Prob. C AR() Terilha bahwa model AR() signifikan, dari model AR() diliha lagi serial korelasi unuk meliha apakah perlu dibua model ARMA yang lain. Di bawah ini uji serial korelasi dari model AR(). Tabel 4.4 Uji Serial Korelasi Model AR() Breusch-Godfrey Serial Correlaion LM Tes: F-saisic ObsR-squared Prob. F(,379) Prob. Chi-Square() Hasil uji menunjukkan idak ada serial korelasi (dengan α=0,05 H 0 idak diolak), arinya sudah idak ada serial korelasi seelah dibenuk model AR() sehingga idak perlu lagi dibua model ARMA yang lain. Dari model AR() di aas, diambil residualnya unuk dilakukan uji heeroskedasisias, beriku plo residual model AR() dan uji heeroskedasisias: Jurusan Saisika-FMIPA-Unpad 0 9
10 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 0 RESIDUAL MODEL AR() Gambar 4. Plo Residual Model AR() Tabel 4.5 Heeroskedasiciy Tes: ARCH F-saisic ObsR-squared Prob. F(,380) Prob. Chi-Square() Dari hasil uji di aas menujukkan adanya heersokedasisias, maka di bua model GARCH, beriku hasil penaskiran model GARCH dengan meode Bounded M-Esimaes: BM = α 0 α β mu Arinya Variansi error dari model AR() dipengaruhi oleh kuadra error sau waku sebelumnya sebesar 0,5 dan variansi sau waku sebelumnya sebesar 0,40 dan konsana sebesar 0,3. 5. KESIMPULAN Berdasarkan pembahasan di aas, dari daa inflasi indonesia bulan Februari 979 sampai Desember 00. Terbenuk model AR() yaiu ˆ , dan model heeroskedasisias dengan meode Bounded M-Esimaes adalah h 0,3 0, 5 0, 40h merupakan model GARCH(,), arinya variansi error dari model AR() dipengaruhi oleh kuadra error sau waku sebelumnya sebesar 0,5 dan variansi sau waku sebelumnya sebesar 0,40 dan konsana sebesar 0,3. Jurusan Saisika-FMIPA-Unpad 0 9
11 PROSIDING ISSN : Seminar Nasional Saisika November 0 Vol, November 0 6. DAFTAR PUSTAKA Bollerslev, T. (986). Generalized Auoregressive Condiional Heeroskedasiciy. Journal of Economerics, 3, Engle, R. F. (98). Auoregressive Condiional Heeroskedasiciy wih Esimaes of he Variance of UK Infaion. Economerica, 50, Muler, N. dan V. J. Yohai, (007). Robus Esimaes for GARCH Models. Journal of Saisical Planing and inference. Rosidi, A., Riduan, Sugiharo. (005), Meode Pengukuran Inflasi di Indonesia, Badan Pusa Saisik, Jakara. Wei, W.W.S. (990). Time Series Analysis: Univariae and Mulivariae Mehods, Canada: Addison Wesley Publishing Company. Jurusan Saisika-FMIPA-Unpad 0 93
Kata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.
METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE
Lebih terperinciBAB III 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 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 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 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 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 terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciPemodelan 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 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 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. 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 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 terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciBAB 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciBAB 2 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 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 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 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 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 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 terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih 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 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 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 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 terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciBAB 2 LANDASAN TEORI. 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 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 terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciBAB 2 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 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 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 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 terperinciADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI
ADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI Yusep Suparman Universias Padjadjaran yusep.suparman@unpad.ac.id ABSTRAK.
Lebih 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 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 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 III METODOLOGI PENELITIAN
perpusakaan.uns.ac.id BAB III METODOLOGI PENELITIAN A. Ruang Lingkup Peneliian Peneliian ini dilaksanakan di Indonesia dengan periode ahun 984 sampai dengan ahun 0. Peneliian ini memfokuskan pada fakor-fakor
Lebih terperinciPERAMALAN 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 terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
Lebih 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 FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciBAB 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 terperinciKEAKURATAN ARAH PERGERAKAN GDP FOREX DENGAN MENGGUNAKAN ALGORITMA ARCH
Program Sudi MMT-ITS, Surabaya 1 Agusus 009 KEAKURATAN ARAH PERGERAKAN GDP FOREX DENGAN MENGGUNAKAN ALGORITMA ARCH Tania Lisya 1, Mahendrawahi ER, dan Nur Iriawan 3 1 MMT-ITS, Surabaya, Indonesia anialisya@ymail.com
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih 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 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 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 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 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 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 terperinciANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER
ANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER Abdul Aziz Dosen Jurusan Maemaika Fakulas Sains Teknologi Universias Islam Negeri (UIN) Maulana Malik Ibrahim Malang e-mail : abdulaziz_uinmlg@yahoo.com
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciPemodelan 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 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 terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih 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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hipoesis Peneliian Seperi yang sudah dijelaskan pada bab-bab sebelumnya, peneliian ini mencoba menemukan anomali DOTW pada volailias dan volume saham dengan menggunakan
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 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 terperinciIII. METODE PENELITIAN. Data yang digunakan adalah data sekunder runtun waktu (time series) bulanan
III. METODE PENELITIAN A. Jenis dan Sumber Daa Daa yang digunakan adalah daa sekunder runun waku (ime series) bulanan dari 2002:01 sampai dengan 2009:06 yang bersumber dari Laporan dan websie Bank Indonesia
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 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 terperinciTREND DALAM RUNTUN WAKTU EKONOMETRI DAN PENERAPANNYA
TREND DALAM RUNTUN WAKTU EKONOMETRI DAN PENERAPANNA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri ogyakara unuk memenuhi sebagian persyaraan guna memperoleh gelar
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 terperinciANALISIS DATA INFLASI INDONESIA MENGGUNAKAN MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DENGAN PENAMBAHAN OUTLIER.
Analisis Daa (Supari) ANALISIS DAA INFLASI INDONESIA MENGGUNAKAN MODEL AUOREGRESSIVE INEGRAED MOVING AVERAGE (ARIMA) DENGAN PENAMBAHAN OULIER Supari 1 dan Alfi Faridaus Sa adah 2 1 Saf Pengajar Jurusan
Lebih terperinciModel Dinamis: Autoregressive Dan Distribusi Lag (Studi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domestik Regional Bruto (PDRB))
Model Dinamis: Auoregressive Dan Disribusi Lag (Sudi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domesik Regional Bruo (PDRB)) Dynamic Model : Auoregressive and Disribuion Lag (Case Sudy: Effecs
Lebih 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 terperinciPENERAPAN MODEL AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (ARCH-M) PADA RETURN SAHAM (Studi Kasus Pada PT.
PENERAPAN MODEL AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (ARCH-M) PADA RETURN SAHAM (Sudi Kasus Pada PT. Indosa Tbk) SKRIPSI Oleh : Linda Wiguna J2A 605 068 PROGRAM STUDI MATEMATIKA JURUSAN
Lebih terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciBAB 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 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 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 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 terperinciESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION. Oleh: Tarno Program Studi Statistika FMIPA UNDIP Semarang
ESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION Oleh: Tarno Program Sudi Saisika FMIPA UNDIP Semarang Absrac This paper discuss abou applicaion of cross-validaion mehod for modeling of
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 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 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 terperinciPemulusan Eksponensial dengan Metode Holt Winter Additive Damped
Pemulusan Eksponensial dengan Meode Hol Winer Addiive Damped Hurul in 1),Dr. Erna Tri Herdiani, M.Si 2), Andi Kresna Jaya, S.Si., M.Si 3) Program Sudi Saisika Jurusan Maemaika FMIPA Unhas Jln. Perinis
Lebih terperinciMetode Regresi Linier
Modul 1 Meode Regresi Linier Prof. DR. Maman Djauhari A PENDAHULUAN nalisis regresi linier, baik yang sederhana maupun yang ganda, elah Anda pelajari dalam maa kuliah Meode Saisika II. Dengan demikian
Lebih terperinciPenduga Data Hilang Pada Rancangan Bujur Sangkar Latin Dasar
Kumpulan Makalah Seminar Semiraa 013 Fakulas MIPA Universias Lampung Penduga Daa Pada Rancangan Bujur Sangkar Lain Dasar Idhia Sriliana Jurusan Maemaika FMIPA UNIB E-mail: aha_muflih@yahoo.co.id Absrak.
Lebih terperinciModel Koreksi Kesalahan pada Data Runtun Waktu Indeks Harga Konsumen Kota-kota di Papua
Model Koreksi Kesalahan pada Daa Runun Waku Indeks Harga Konsumen Koa-koa di Papua Miha Febby R. Donggori, Adi Seiawan, 3 Hanna Arini Parhusip Prodi Maemaika, Fakulas Sains dan Maemaika, Universias Krisen
Lebih terperinciUJI AUTOKORELASI DAN PERBAIKAN AUTOKORELASI
BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIAH OGAKARTA UJI AUTOKORELASI DAN PERBAIKAN AUTOKORELASI 8.1. Uji Auokorelasi a. Penyebab Munculnya Ookorelasi Berkaian dengan asumsi regresi
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 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 terperinciIntegral dan Persamaan Diferensial
Sudaryano Sudirham Sudi Mandiri Inegral dan Persamaan Diferensial ii Darpublic 4.1. Pengerian BAB 4 Persamaan Diferensial (Orde Sau) Persamaan diferensial adalah suau persamaan di mana erdapa sau aau lebih
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 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 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 terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperincimetodologi penelitian
pendahuluan injauan pusaka meodologi peneliian hasil dan pembahasan kesimpulan Pusaka Meodologi Peningkaan Energi lisrik Kebuuhan energi lisrik Pengembangan sisem energi lisrik Peramalan beban lisrik Slide
Lebih 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 terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
Lebih terperinciBAB I PENDAHULUAN. Volatilitas memiliki banyak peranan dalam sektor finansial, satu
BAB I PENDAHULUAN. Laar Belakang Masalah Volailias memiliki banyak peranan dalam sekor finansial, sau dianaranya dalam hal pengamaan perilaku dari harga suau ase finansial. Perilaku dari harga suau ase
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah persediaan merupakan masalah yang sanga pening dalam perusahaan. Persediaan mempunyai pengaruh besar erhadap kegiaan produksi. Masalah persediaan dapa diaasi
Lebih terperinciBAB 3 LANDASAN TEORI. peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan teknik dan
BAB 3 LANDASAN TEORI 3. Peramalan Pada sub bab ini akan dibahas mengenai pengerian peramalan, kegunaan meode peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan eknik dan meode peramalan,
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 terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih terperinciBAB 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 terperinci