ANALISIS INTERVENSI KENAIKAN HARGA BAHAN BAKAR MINYAK TERHADAP INFLASI DI INDONESIA ANNISA KARIMA
|
|
- Farida Sumadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 i ANALISIS INTERVENSI KENAIKAN HARGA BAHAN BAKAR MINYAK TERHADAP INFLASI DI INDONESIA ANNISA KARIMA DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2014
2 ii
3 iii PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Intervensi Kenaikan Harga Bahan Bakar Minyak terhadap Inflasi di Indonesia adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Agustus 2014 Annisa Karima NIM H
4 ii ABSTRAK ANNISA KARIMA. Analisis Intervensi Kenaikan Harga Bahan Bakar Minyak terhadap Inflasi di Indonesia. Dibimbing oleh DEDI BUDIMAN HAKIM. Analisis Intervensi adalah analisis data time series yang digunakan untuk mengeksplorasi dampak dari kejadian-kejadian eksternal maupun internal terhadap variabel yang menjadi objek pengamatan. Kebijakan kenaikan harga BBM diduga mengubah pola pergerakan tingkat inflasi di Indonesia secara signifikan. Oleh karena itu, penelitian ini bertujuan untuk memodelkan tingkat inflasi di Indonesia dengan adanya kebijakan perubahan harga BBM dengan menggunakan model ARIMA dengan memperhitungkan keberadaan intervensi, menganalisis seberapa lama perubahan inflasi berlangsung jika terdapat intervensi kenaikan harga BBM, serta meramalkan nilai inflasi di waktu berikutnya. Hasil dari penelitian ini menunjukkan bahwa inflasi pada bulan ke-t dipengaruhi oleh intervensi kenaikan harga BBM bulan t, intervensi pada bulan t-1, kesalahan pada bulan ke-t, dan kesalahan pada bulan ke t-1. Adapun analisis terhadap pola pergerakan nilai inflasi akibat intervensi kenaikan harga BBM menunjukkan bahwa kebijakan perubahan harga BBM langsung direspon oleh kenaikan tingkat inflasi. Temuan terakhir dari penelitian ini menunjukkan bahwa perbedaan antara nilai inflasi hasil ramalan dari bulan September 2013 hingga bulan Juli 2014 dengan nilai inflasi aktual, tidak signifikan. Kata kunci: analisis intervensi, Autoregressive Integrated Moving Average (ARIMA), bahan bakar minyak (BBM), inflasi. ABSTRACT ANNISA KARIMA. Intervention Analysis of Fuel Price Increase on Inflation in Indonesia. Supervised by DEDI BUDIMAN HAKIM. Intervention analysis is the analysis of time series data which is used to explore the impact of external and internal events toward object of observation variable. The policy to increase fuel price is suspected to significantly change movement patterns of Indonesian inflation rate. Therefore, this research aims to model the inflation rate in Indonesia toward the policy changes in fuel price using ARIMA model by considering the presence of the intervention, analyzing how long the inflation lasts if there was interference of fuel price increase, and predicting the value of inflation in the future. The results of this research show that inflation at t-month is affected by the intervention of fuel price increase in month t, intervention in month t-1, the error in month t, and the error in month t-1. Moreover, analysis on the movement pattern of inflation value toward intervention of fuel price increase shows that the policy of changing fuel price directly responded by the increase of inflation rate. The last finding of this research shows that the difference between the inflation value from forecast results from September 2013 to July 2014, with the actual inflation value, is not significant. Keywords: Autoregressive Integrated Moving Average (ARIMA), fuel, inflation, intervention analysis.
5 iv ANALISIS INTERVENSI KENAIKAN HARGA BAHAN BAKAR MINYAK TERHADAP INFLASI DI INDONESIA ANNISA KARIMA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2014
6 iii
7
8 vi PRAKATA Puji dan syukur kepada Allah subhanahu wa ta ala atas segala karunianya- Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari 2014 ini dengan judul Analisis Intervensi Kenaikan Harga Bahan Bakar Minyak terhadap Inflasi di Indonesia. Terima kasih penulis ucapkan kepada Bapak Dr. Ir. Dedi Budiman Hakim, M.Ec selaku pembimbing sehingga penelitian saya dapat berjalan dengan baik dan lancar. Ungkapan terima kasih juga disampaikan kepada ibu saya juga selaku dosen yang sudah membantu dan membimbing dalam penelitian saya, ayah, adik, kakak serta seluruh keluarga. Kemudian teman-teman se-bimbingan yang selalu membantu jika ada kekurangan dalam skripsi saya. Saudara-saudara saya, D35 yang sudah memberikan banyak pelajaran berharga, Masyithoh, Trisa, Triana, Lia, Tisa, Vina, Astika, dan seluruh keluarga ESP 47 terima kasih atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat. Bogor, Agustus 2014 Annisa Karima
9 vii DAFTAR ISI DAFTAR TABEL viii DAFTAR GAMBAR viii DAFTAR LAMPIRAN viii PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 2 Manfaat Penelitian 3 TINJAUAN PUSTAKA 3 METODE 12 Jenis dan Sumber Data 12 Prosedur Analisis Data 12 HASIL DAN PEMBAHASAN 14 Hasil 14 Pembahasan 14 SIMPULAN DAN SARAN 24 Simpulan 24 Saran 25 DAFTAR PUSTAKA 25 LAMPIRAN 27 RIWAYAT HIDUP 34
10 viii DAFTAR TABEL 1 Nilai lambda dan transformasi 8 2 Kenaikan harga BBM selama kurun waktu Jan 2003-Agus Hasil Uji Augmented Dickey Fuller data inflasi Indonesia pre intervensi 16 4 Hasil Uji Audmented Dickey Fuller data inflasi Indonesia pre intervensi yang telah differencing dua kali dan telah ditransformasi 19 5 Estimasi parameter dan uji signifikansi ARIMA (1,2,0) 19 6 Estimasi parameter dan uji signifikansi ARIMA (0,2,1) 19 7 Estimasi parameter dan uji signifikansi ARIMA (0,2,1) dengan intervensi berorde b=0, s=12, r= Efek intervensi terhadap inflasi Perbandingan nilai inflasi ramalan dan nilai inflasi aktual 24 DAFTAR GAMBAR 1 Inflasi di Indonesia bulan Januari 2003 sampai bulan Agustus Inflasi bulan Januari 2003 sampai bulan September 2005 (data pre intervensi 15 3 Plot ACF data inflasi pre intervensi sebelum proses differencing 16 4 Plot PACF data inflasi pre intervensi sebelum proses differencing 16 5 Uji Box-Cox Plot 17 6 Plot ACF data inflasi setelah transformasi dan differencing dua kali 18 7 Plot PACF data inflasi setelah transformasi dan differencing dua kali 18 8 Plot sisaan model uji Kolmogorov Smirnov ARIMA (0,2,1) 20 9 Plot data inflasi aktual dan nilai dugaan dengan model ARIMA (0,2,1) Plot sisaan model ARIMA (0,2,1) Plot sisaan untuk model dugaan intervensi ARIMA (0,1,1) dengan orde b=0, s=12, r= Plot pola data inflasi aktual dengan nilai dugaanya dengan model intervensi ARIMA (0,2,1) berorde b=0, s=12, r=0 23 DAFTAR LAMPIRAN 1 Data Inflasi Januari 2003 Agustus Plot ACF dan PACF data inflasi setelah transformasi dan differencing satu kali, hasil uji Audgmented Dickey Fuller data inflasi Indonesia pre intervensi yang telah differencing dan telah ditransformasi, estimasi parameter dan uji signifikansi ARIMA (0,1,1), ARIMA (1,1,0), ARIMA (1,1,1) 29 3 Estimasi parameter dan uji signifikansi ARIMA (1,2,0), ARIMA (1,2,1), ARIMA (1,1,1) 31 4 Model intervensi ARIMA (0,2,1) dengan orde b=1, s=0, r=4 dan dengan orde b=0, s=0, r=4 32
11 1 PENDAHULUAN Latar Belakang Tingkat inflasi pada masa orde baru di Indonesia cukup stabil karena adanya peran aktif pemerintah. Defisit Anggaran Pendapatan dan Belanja Negara (APBN) yang mulanya merupakan sumber utama kenaikan peredaran uang dapat dialihkan menjadi surplus. Namun di sisi lain, kenaikan peredaran uang menyebabkan naiknya tingkat inflasi. Pada akhir tahun 1980-an, tingkat inflasi rata-rata per tahun mulai mengalami kenaikan walaupun masih tergolong ringan, yaitu kurang dari 10%. Pada tahun , negara-negara ASEAN seperti Thailand, Singapura, dan Malaysia memiliki tingkat inflasi rata-rata per tahun sebesar 3.5%. Sebaliknya, Indonesia memiliki tingkat inflasi rata-rata per tahun tertinggi dibandingkan dengan negara-negara ASEAN lainnya yaitu sebesar 9.2%. Laju inflasi pada tahun meningkat tajam hingga mencapai 45.9%. Hal tersebut terjadi akibat adanya krisis moneter yang ditunjukkan dengan melemahnya nilai tukar rupiah dimana US$ 1 mencapai Rp 11,591. Inflasi adalah proses menurunnya nilai uang riil dan meningkatnya hargaharga secara umum dan terus-menerus. Faktor-faktor penyebab inflasi dapat dilihat dari sisi permintaan dan penawaran. Inflasi pada sisi permintaan dapat disebabkan oleh pergerakan nilai tukar, suku bunga, kuantitas jumlah uang yang beredar, dan pengeluaran pemerintah, sedangkan inflasi pada sisi penawaraan dapat diakibatkan oleh adanya pergerakan harga minyak, upah minimum tingkat provinsi, dan biaya produksi (Chowdhury, 2001). Pada tahun 2001, kebijakan pemerintah menaikkan harga barang dan jasa seperti listrik, air minum, rokok, upah minimum tenaga kerja swasta, gaji pegawai negeri, dan bahan bakar minyak (BBM) memberikan tambahan inflasi Indeks Harga Konsumen (IHK) sebesar 3.83% (BPS, 2014) sehingga menyebabkan naiknya tingkat inflasi. Dengan adanya kenaikan tingkat inflasi, diperlukan solusi dari pemerintah untuk mengatasi hal tersebut agar perekonomian di Indonesia stabil kembali. Oleh karena itu, Bank Indonesia (BI) ditugaskan mengambil kebijakan agar dapat menstabilkan inflasi kembali. Kebijakan yang dilakukan BI salah satunya adalah menyerap kelebihan likuiditas melalui instrumen operasi pasar terbuka. Seperti yang telah disebutkan di atas, salah satu faktor yang menyebabkan meningkatnya inflasi adalah meningkatnya harga BBM. Meningkatnya harga BBM berdampak pada naiknya transportation cost dan harga kebutuhan pokok yang berbanding lurus terhadap tingginya tingkat inflasi. Selama ini pemerintah memberikan subsidi BBM agar masyarakat menengah ke bawah dapat turut menggunakan BBM. Namun beberapa tahun terakhir, pemerintah mulai menerapkan kebijakan pengurangan subsidi BBM. Biaya APBN terkait kemudian dialokasikan ke dalam program jaminan sosial masyarakat miskin untuk mencapai target pengurangan kemiskinan nasional. Penjelasan di atas menunjukkan bahwa kenaikan harga BBM dapat mengintervensi tingkat inflasi. Oleh karena itu, diperlukan suatu analisis intervensi untuk meramalkan tingkat inflasi jika terjadi perubahan harga BBM. Permasalahannya adalah seberapa besar dan seberapa lama pengaruh kebijakan pemerintah dalam menaikan harga BBM mempengaruhi tingkat inflasi.
12 2 Sehubungan dengan hal tersebut, dalam penelitian kali ini akan diprediksi berapa lama dan berapa besar dampak kenaikan harga BBM terhadap inflasi. Model time series yang paling sering digunakan untuk meramalkan data time series adalah model Autoregressive Integrated Moving Average (ARIMA) (Bowerman dan O Connell, 1995; Makridakis et al., 1998). Syarat model ARIMA di antaranya adalah setiap data time series diasumsikan stasioner dalam nilai ratarata dan ragam. Namun pada kenyataannya, data time series sering mengalami perubahan pola nilai rata-rata yang signifikan akibat munculnya suatu intervensi yang disebabkan adanya pengaruh dari dalam dan/atau luar yang mempengaruhi pola data. Oleh karena itu, dalam penelitian ini digunakan model intervensi yang merupakan pengembangan dari model ARIMA. Perumusan Masalah Data inflasi mempunyai sifat yaitu bersifat time series, maka penelitian ini membutuhkan analisis time series. Salah satu analisis time series adalah model intervensi, dalam model intervensi terdapat model ARIMA, model ARIMA seringkali diaplikasikan dalam peramalan data time series. Prosedur Box-Jenkis merupakan prosedur standar yang banyak digunakan untuk mendapatkan model ARIMA yang sesuai pada suatu data time series (Suhartono, 2013). Prosedur Box- Jenkis memiliki 4 tahapan yang terdiri dari indentifikasi, estimasi parameter dan uji signifikansi, cek diagnosa, dan peramalan. Pada beberapa peristiwa ditemui data time series yang mengalami perubahan struktural (Enders, 2003). Perubahan pada peristiwa tersebut biasanya diakibatkan oleh intervensi, dapat berupa faktor internal ataupun eksternal. Adanya suatu intervensi ini menyebabkan pola data berubah secara drastis. Kenaikan harga BBM merupakan salah satu bentuk intervensi yang mengakibatkan tingginya tingkat inflasi. Inflasi adalah contoh peristiwa yang disebabkan karena adanya kebijakan pemerintah. Salah satu permasalahan penting dari peristiwa tersebut adalah bagaimana memodelkan tingkat inflasi di Indonesia jika diberlakukan kebijakan kenaikan harga BBM. Pergolakan tingkat inflasi karena adanya kenaikan harga BBM, dimana dalam sebuah data time series penggunaan ARIMA saja kurang memberikan hasil yang akurat. Oleh sebab itu untuk memperkuat hasil yang lebih akurat penelitian ini akan menggunakan model intervensi. Model intervensi dapat berupa fungsi step dan fungsi pulse. Fungsi Step adalah bentuk intervensi yang terjadinya dalam kurun waktu yang panjang. Sedangkan Fungsi pulse adalah bentuk intervensi yang terjadinya hanya dalam waktu tertentu (Suhartono, 2013). Pada kasus ini BBM terjadi pada interval waktu, dapat diartikan jika terjadinya dalam kurun waktu yang panjang, sehingga pada kasus ini fungsi yang lebih tepat digunakan adalah fungsi step. Tujuan Penelitian Berdasarkan masalah di atas maka tujuan penelitian ini adalah memodelkan tingkat inflasi dengan adanya kenaikan harga BBM di Indonesia dengan menggunakan model intervensi, menganalisis seberapa lama perubahan inflasi
13 berlangsung jika terdapat intervensi kenaikan harga BBM, dan meramalkan nilai inflasi di waktu berikutnya. Manfaat Penelitian Penelitian ini diharapkan dapat bermanfaat bagi mahasiswa dan peneliti lain sehingga dapat memberikan tambahan pengetahuan akademis tentang penerapan analisis intervensi kenaikan harga BBM terhadap inflasi. Kemudian bagi pemerintah, penelitian ini berguna untuk mengambil kebijakan secara tepat jika terjadi permasalahan dalam kenaikan harga BBM dan mampu mengatasi inflasi yang disebabkan oleh kenaikan harga BBM. 3 TINJAUAN PUSTAKA Inflasi Inflasi dalam Ilmu ekonomi adalah suatu proses meningkatnya harga-harga secara umum dan terus-menerus (kontinu) berkaitan dengan mekanisme pasar yang dapat disebabkan oleh berbagai faktor antara lain, tarikan permintaan (demand pull inflation) yang dapat menyebabkan berlebihnya likuiditas di pasar sehingga konsumsi masyarakat meningkat, kemudian desakan biaya (cost push inflation) (Barro, 1997). Inflasi dapat digolongkan menjadi empat golongan, yaitu inflasi ringan, sedang, berat, dan hiperinflasi. Inflasi ringan terjadi apabila kenaikan harga berada di bawah angka 10% setahun; inflasi sedang antara 10% 30% setahun; berat antara 30% 100% setahun; dan hiperinflasi atau inflasi tak terkendali terjadi apabila kenaikan harga berada di atas 100% setahun. Identifikasi Faktor-Faktor Yang Mempengaruhi Inflasi 1. Hubungan Inflasi dan Nilai Tukar Perubahan nilai tukar rupiah berpengaruh nyata dan menjadi determinan penting terhadap laju inflasi di Indonesia (Zainusyukur, 2005). Jika nilai tukar rupiah melemah maka biaya barang-barang impor akan meningkat. Melemahnya nilai mata uang disebut depresiasi. Kemudian jika harga barang impor untuk bahan baku tinggi maka biaya produksi dalam negeri akan ikut meningkat. Sehingga ketika nilai tukar terdepresiasi, maka nilai inflasi akan meningkat. 2. Hubungan Inflasi dan Harga Minyak Dunia Menurut Blanchard dalam Purwanti (2011), mekanisme transmisi dampak oil price shock terhadap harga dan inflasi dapat dijelaskan melalui model mark-up. Mark-up theory memperlihatkan perusahaan dan serikat buruh meningkatkan harga dan upah sebesar kenaikan harga dalam biaya produksi dan biaya hidup (Kennedy, 1975). Ketika minyak dunia mengalami kenaikan harga maka perusahaan akan merespon dengan ikut menaikan harga bahan bakar minyak. Serikat buruh akan menawar untuk menaikan upah sebesar kenaikan harga ditambah kenaikan harga dari biaya hidup. Kenaikan upah akan menyebabkan kenaikan biaya produksi, maka perusahaan akan menaikkan harga output
14 4 barang dan jasa ditambah persentasi mark-up untuk menjaga posisi keuntungan dari kenaikan harga produksi (Hani, 2014). 3. Hubungan Inflasi dan Harga Pangan Menurut Braun (2008) kenaikan pada harga pangan dapat meningkatkan inflasi dan ketidakseimbangan makroekonomi. Beberapa negara khususnya di negara berkembang yang masih bergantung pada sektor pertanian, perubahan harga pangan dapat mempengaruhi tingkat inflasi. Hal tersebut dapat terjadi karena harga pangan terhadap indeks harga konsumen memiliki kontribusi yang tinggi pada Negara berpendapatan menengah dan rendah (Pourroy, Mark,et al.,2012) 4. Hubungan Inflasi dan Administered Price Administered Price adalah harga barang jasa yang diatur oleh pemerintah. Seperti pada kasus 2001, pemerintah mengambil kebijakan dalam menaikkan harga-harga barang dan jasa, contohnya seperti menaikkan harga listrik, air minum, rokok, upah minimum tenaga kerja swasta, gaji pegawai negeri, dan bahan bakar minyak (BBM). Hal ini dapat meningkatkan laju inflasi. Sumber Inflasi (Sukirno, 2008) 1. Inflasi Permintaan (Demand-Pull Inflation) Jenis inflasi ini biasa dikenal sebagai Philips Curve inflation, yaitu inflasi yang dipicu oleh interaksi permintaan dan penawaran domestik jangka panjang. contohnya jika terjadi peningkatan permintaan masyarakat atas barang (peningkatan aggregate demand). Contoh lainnya yaitu bertambahnya pengeluaran pemerintah yang dibiayai dengan pencetakan uang, atau kenaikan permintaan luar negeri akan barang-barang ekspor, atau bertambahnya pengeluaran investasi swasta karena kredit yang murah. 2. Inflasi Penawaran (Cost-Push Inflation) Inflasi penawaran ini dapat juga disebut supply-shock inflation. Inflasi penawaran disebabkan oleh meningkatnya biaya produksi dan menurunnya jumlah produksi. Seperti kenaikan harga sarana produksi yang didatangkan dari luar negeri, contohnya seperti kenaikan bahan bakar minyak. Analisis Time series Analisis time series adalah ramalan pada suatu kejadian di masa datang atas dasar serangkaian dari data masa lalu, yang merupakan hasil observasi berbagai variabel menurut waktu dan digambarkan dalam bentuk grafik yang menunjukkan perilaku variabel subjek (Wei, 2006). Asumsi yang penting yang harus dipenuhi dalam memodelkan runtun waktu adalah stasioner, artinya nilai bergerak hanya di sekitar nilai tertentu. Apabila asumsi stasioner belum terpenuhi maka deret belum dapat dimodelkan. Namun, deret yang nonstasioner dapat ditransformasikan menjadi deret yang stasioner.
15 Stasioneritas Stasioner adalah hukum probabilitas mengharuskan proses tidak berubah sepanjang waktu, dengan kata lain proses dalam keadaan setimbang secara statistik (Cryer, 1986). Model time series seperti Autoregressive (AR), Moving Average (MA), dan Autoregressive Moving Average (ARMA) untuk model yang sudah stasioner di level atau dapat disebut data asal. Sedangkan model Autoregressive Integrated Moving Average (ARIMA) adalah model yang memerlukan proses differencing agar data tersebut dapat dikatakan stasioner. Menguji stasioneritas salah satunya menggunakan uji akar unit yang dikembangkan oleh Dicky Fuller sehingga uji tersebut juga dapat dinamakan Dicky Fuller Test. Berikut persamaanya: 5 (1) Ket: = nilai inflasi pada bulan ke-t = nilai kesalahan pada saat t dan hipotesis: H0: =1 (series memiliki akar unit, data tidak stasioner) H1: 1 (series tidak memiliki akar unit, data stasioner) Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF) Hal pertama untuk menguji stasioner atau tidaknya suatu data yaitu menggunakan uji Augmented Dickey Fuller. Hal tersebut dilakukan untuk menguji hubungan antara variabel sekarang dengan variabel sebelumnya. Pada Correlogram terdapat 2 fungsi yaitu Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF). Dalam suatu proses stasioner {Yt}, diketahui bahwa mean E(Yt )=µ dan varians var(yt)=e 2 = dimana nilai mean dan varians tersebut konstan (Wei, 2006). Persamaan dari kovarians antara {Yt} dengan {Yt+k} adalah: = (2) sedangkan fungsi autokorelasi diberikan oleh corr( untuk k = 0, ±1, ±2, dan seterusnya dimana: corr( ( ) (3) dengan merupakan fungsi autokovarians. Besaran statistik lain yang diperlukan dalam analisis time series adalah fungsi autokorelasi parsial (PACF) yang berguna untuk mengukur keeratan hubungan antara pasangan data Yt dengan Yt+k setelah pengaruh dari variabel Y t+1, Y t+2,, Y t+k-1 dihilangkan. PACF didefinisikan sebagai:
16 6 = k k k k k 1 k 2 k 3 1 k 1 k 1 k 2 k 3 1 (4) dimana adalah autokorelasi parsial (Wei, 2006). Nilai estimasi dari dapat diperoleh dengan mengganti dengan r i atau dengan menggunakan persamaan, yaitu: (5) dimana, = untuk j = 1,2,..,k-1 Model-Model Time Series Stasioner Berikut adalah model-model time series menurut Makridakis (1999): 1) Model Autoregressive (AR) Bentuk umum model autoregressive dengan ordo p AR(p) (6) dimana: = konstanta parameter autoregresif ke-p = nilai kesalahaan pada saat t 2) Model Moving Average Model (MA) Bentuk umum model moving average ordo q MA(q) (7) dimana: = konstanta = parameter-parameter moving average = nilai kesalahaan pada saat t-q
17 7 3) Model Autoregressive Moving Average (ARMA) (8) dimana: = konstanta = parameter autoregresif ke-p = parameter-parameter moving average = nilai kesalahaan pada saat t = nilai kesalahaan pada saat t-q 4) Model Autoregressive Integrated Moving Average (ARIMA) (9) dimana: = konstanta = parameter autoregresif ke-p = nilai kesalahaan pada saat t = parameter-parameter moving average Prosedur Box-Jenkins ARIMA dikenalkan oleh Box-Jenkins, dimana prosedurnya digunakan untuk memilih model ARIMA yang sesuai pada data time series. Prosedur ini memiliki empat tahapan (Makridakis, 1999): 1. Identifikasi Model Identifikasi Model ARIMA dapat dilakukan dengan Plot data dan Correlogram. Correlogram terdapat plot ACF dan plot PACF. Plot ACF dan PACF digunakan untuk menentukan orde p dan orde q dari model ARIMA (p,d,q) 2. Pendugaan parameter Metode yang dapat digunakan untuk mengestimasi parameter yaitu dapat menggunakan metode moment, metode least squares (Conditional Least Squares), metode maximum likelihood estimation, metode unconditional least squares, dan metode nonlinear estimation. Pada software Eviews terdapat pula cara untuk melihat pendugaan parameter. 3. Cek Diagnosa Uji untuk memeriksa kesesuaian model yaitu salah satunya menggunakan uji White-Noise. Pada uji asumsi White-Noise residual bersifat white noise menunjukkan bahwa tidak terdapat korelasi antar residual dengan mean sama dengan nol dan variance konstan. Uji hipotesis yang digunakan adalah: H0 : = 0 H1 : 0 ; k=1,2,..
18 8 Statistik uji yang digunakan adalah : 2k (10) Dengan k menunjukkan ACF residual pada lag ke-k dan n adalah banyaknya residual. Kriteria pengujian H0 ditolak jika Q > dimana m adalah jumlah parameter AR atau MA dapat pula dengan menggunakan p- value <α (Wei, 2006). 4. Peramalan Tahapan terakhir dari analisis time series adalah peramalan, untuk dapat menemukan suatu nilai ramalan, dapat digunakan nilai harapan/ekspektasi bersyarat. Transformasi Box-Cox Transformasi Box-Cox adalah salah satu model untuk proses stasioneritas data dalam varian yang dikenalkan oleh Box-Cox (Wei, 2006). Transformasi Box-Cox dirumuskan sebagai berikut: Zt 1, 0 TZ ( t ) ln Zt, 0 (11) Notasi melambangkan parameter transformasi. Setiap nilai mempunyai nilai transformasi yang berbeda. Transformasi dilakukan jika belum diperoleh nilai =1 yang artinya data telah stasioner dalam varian. Berikut nilai beserta transformasinya: Tabel 1 Nilai lambda dan transformasi Transformasi -1 1/ Z t / Z t 0 ln Z t 0.5 Z t 1 Z t Akaike s Information Criterion (AIC) AIC adalah salah satu kriteria dalam pemilihan model yang dapat digunakan dalam menentukan model terbaik (Bozdogan, 2000). Model dikatakan baik jika memiliki nilai AIC yang kecil. Semakin kecil nilai AIC maka semakin baik modelnya. Rumus AIC sebagai berikut: AIC ln r n 2 2 (12)
19 9 Keterangan, ln : logaritma natural 2 : residual dari jumlah kuadrat dibagi n n : banyaknya pengamatan r : jumlah parameter pada model ARIMA Mean Absolute Percentage Error (MAPE) Mean absolute percentage error (MAPE) adalah ukuran ketepatan peramalan yang dihitung dengan menggunakan nilai statistik. MAPE digunakan setelah melakukan peramalan. MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah (Soepeno, 2012). Secara matematis MAPE dinyatakan sebagai berikut: n Y Yˆ MAPE i1 i n Y i i 100% (13) dengan Y i adalah nilai pengamatan pada waktu ke-i dan Y ˆi adalah nilai ramalan pada waktu ke-i. Nilai MAPE yang kecil menunjukkan bahwa data hasil ramalan mendekati nilai aktual. Penelitian Sebelumnya Penelitian Nuvitasari (2009) yang berjudul Analisis Intervensi Multi Input Fungsi Step dan Pulse untuk Peramalan Kunjungan Wisatawan ke Indonesia, membahas tentang kajian secara teoritis dan terapan tentang intervensi multi input. Pada bagian kajian terapan dilakukan untuk memodelkan kunjungan wisatawan mancanegra ke Indonesia melalui pintu masuk Bandara Soekarno-Hatta, Bandara Ngurah Rai, Batam, dan Bandara Polonia dengan variabel intervensi krisis moneter yang terjadi sejak Juli 1997 (fungsi step), Bom Bali I (fungsi pulse I) dan Bom Bali II (fungsi pulse II). Hasil analisis yang dilakukan menunjukkan bahwa pengaruh yang ditimbulkan oleh kejadian-kejadian intervensi tersebut berbeda pada tiap pintu masuk. Kemudian penelitian Aritara (2011) yang berjudul Analisis Intervensi Fungsi Step pada Kenaikan tarif dasar listrik (TDL) terhadap Besarnya Pemakaian Listrik, membahas tentang dampak kebijakan pemerintah dengan menaikkan TDL pada bulan Juli Hasil analisisnya menunjukkan bahwa dengan menaikkan TDL, besar pemakaian listrik menjadi konstan. Kemudian penelitian Hukari (2009) yang berjudul Analisis Model Intervensi perubahan Harga BBM terhadap Data IHK Transportasi Kota Serang/Cilegon Provinsi Banten, membahas tentang kegiatan transportasi sangat tergantung dengan bahan bakar. Metode yang digunakan dalam penelitian ini adalah metode analisis yang memanfaatkan perubahan nilai berdasarkan deret waktu. Analisis time series yang digunakan dalam penelitian ini adalah analisis intervensi. Hasil analisis menunjukkan bahwa
20 10 Setiap kenaikan atau penurunan harga BBM pada bulan tertentu akan langsung direspon oleh IHK transportasi pada bulan itu juga. Penelitian selanjutnya yaitu Suhartono (2013) yang berjudul Analisis Intervensi sebagai Model Statistik untuk Evaluasi Dampak Suatu Bencana. Model intervensi diaplikasikan untuk mengevaluasi dampak bencana pada dua kasus nyata di Indonesia, yaitu dampak lumpur Lapindo terhadap volume kendaraan di jalan tol dan dampak Bom Bali terhadap jumlah kunjungan wisatawan mancanegara. Hasil dari kajian empirik pada dua studi kasus ini menunjukkan bahwa model intervensi terbukti dapat menjelaskan secara tepat besarnya dan lamanya dampak suatu data runtun waktu. Kerangka Pemikiran Penelitian ini menganalisis mengenai intervensi kenaikan harga bahan bakar minyak terhadap inflasi. Alur dari kerangka pemikiran ini adalah diawali kenaikan inflasi yang diduga karena adanya kenaikan harga bahan bakar minyak. Oleh karena itu, untuk memastikan bahwa kenaikan harga BBM mempengaruhi kenaikan inflasi maka digunakan model intervensi. Tahap pertama untuk membentuk model intervensi adalah membentuk model ARIMA. Untuk membentuk model ARIMA diperlukan data inflasi sebelum terjadinya kenaikan inflasi yang signifikan. Di mana pada penelitian ini data di ambil mulai pada Bulan Januari 2003-September 2005 yang dapat disebut juga dengan data pre intervensi. Setelah model ARIMA terbentuk, kemudian membentuk model intervensi. Model intervensi awalnya dapat dilihat dari plot sisaan model ARIMA, dengan menganalisis plot model ARIMA, dapat menduga orde dari model intervensi. Setelah menduga nilai orde model intervensi, maka diperlukan uji estimasi parameter dan uji signifikansi. Jika orde yang diduga sudah di uji dan hasil sudah signifikan maka model intervensi dapat diperoleh. Jika sudah mendapatkan model intervensi maka dapat dilihat seberapa besar kenaikan harga BBM dengan dilakukan perhitungan secara manual yaitu dengan menghitung nilai ramalan pada waktu-waktu tertentu sesuai dengan persamaan yang dihasilkan dengan menggunakan model ARIMA tanpa intervensi dan dengan intervensi. Analisis model intervensi dapat menunjukkan hasil peramalan besarnya nilai inflasi untuk waktu berikutnya. Pada penelitian ini waktu yang digunakan adalah bulan Januari 2003-Agustus Besar hasil peramalan untuk waktu berikutnya menggunakan bulan September 2013-Juli Hasil dugaan nilai inflasi untuk bulan September 2013-Juli 2014 dapat disamakan dengan data inflasi aktual.
21 11 Langkah-langkah pengolahan data dituliskan dalam tahapan berikut ini: Model pre-intervensi Tahap identifikasi ARIMA (identifikasi model sementara) Tidak Tahap estimasi (estimasi Ya parameter model) Tahap Diagnostic Check (Verifikasi apakah model sesuai?) Tahap identifikasi intervensi (Identifikasi orde b, s dan r) Ya Tahap estimasi (Estimasi parameter model intervensi) Ganti parameter yang tidak signifikan melalui pola ACF residual Tahap Diagnostic Check 1 Apakah parameter signifikan? Peramalan
22 12 METODE PENELITIAN Jenis dan Sumber Data Data yang digunakan untuk mendukung penelitian ini adalah menggunakan data sekunder yang didapat dari dua sumber yaitu data harga bahan bakar minyak yang bersumber dari Kementrian Energi dan Sumber Daya Mineral (ESDM) sedangkan data tingkat inflasi berasal dari Bank Indonesia. Data yang digunakan adalah data time series bulanan yaitu dari Januari 2003-Agustus Pengolahan data dilakukan dengan software untuk membantu dalam mengolah data inflasi, yaitu dengan menggunakan Minitab, Eviews 6, dan statistical analysis system (SAS). Metode analisis yang digunakan adalah analisis Ekonometrika yaitu analisis yang menggunakan model statistik dalam menjelaskan perilaku ekonomi (Juanda 2009). Penelitian ini akan menggunakan metode time series seperti ARIMA dan model Intervensi. Pemilihan metode ini didasarkan pada data dan informasi yang diperoleh. Prosedur Analisis Data Metodologi analisis untuk mencapai tujuan penelitian dijabarkan sebagai berikut: 1. Menentukan Model terbaik ARIMA 2. Mengkaji prosedur pembentukan model intervensi 3. Menerapkan prosedur tersebut untuk mencari model intervensi. Dalam hal ini variabel intervensi adalah bahan bakar minyak (BBM) 4. Meramalkan tingkat inflasi Model-model Analisis Model Intervensi Model intervensi adalah suatu model analisis data time series yang digunakan untuk mengeksplorasi dampak dari kejadian-kejadian eksternal yang diluar dugaan terhadap variabel yang menjadi objek pengamatan (Suhartono, 2013). Bentuk umum model intervensi terdiri dari model ARIMA dan fungsi dari suatu variabel prediktor (Suhartono, 2013). Pada dasarnya terdapat dua fungsi dalam model intervensi yaitu fungsi step dan fungsi pulse. Fungsi pulse adalah bentuk intervensi yang terjadinya dalam waktu kurun waktu tertentu, sedangkan fungsi step yaitu bentuk intervensi yang terjadinya dalam waktu yang panjang. Pada penelitian ini menggunakan fungsi step, dimana kasus kenaikan harga BBM berdampak cukup lama terhadap tingkat inflasi yang tinggi. Model Intervensi mempunyai 3 identifikasi dalam bentuk orde yaitu orde (b, s, r). Orde b merupakan waktu mulai terjadinya dampak dari intervensi, naik turunya plot data dapat dilihat pada saat atau sebelum intervensi. Orde s diperoleh dari melihat grafik residual, sedangkan orde r menunjukan pola data. Bentuk model intervensi terdiri dari model ARIMA dan fungsi dari model intervensi. Seringkali data time series dipengaruhi kejadian-kejadian khusus. Kejadian khusus dapat berupa faktor
23 internal dan eksternal. Pada kasus penilitian ini, kejadian bersifat eksternal. Bentuk umum dari model intervensi adalah (Wei, 2006): 13 (14) Ket: = variabel respon pada waktu t = koefisien dari orde s = koefisien dari orde r = koefisien dari orde b = variabel intervensi pada waktu t, bernilai 1 atau 0 yang menunjukkan ada tidaknya pengaruh intervensi pada waktu t = error/noise yang mengikuti model ARIMA tanpa pengaruh intervensi b = delay waktu mulai terjadinya efek intervensi = = Kejadian intervensi fungsi step adalah kejadian intervensi yang memberikan dampak terhadap data sejak terjadinya intervensi tersebut dan seterusnya dalam waktu yang panjang. Pada umumnya bentuk intervensi mempunyai 2 fungsi yaitu fungsi step dan pulse, di mana fungsi pulse adalah suatu bentuk intervensi yang terjadinya hanya dalam suatu waktu tertentu (Suhartono, 2013). Penerapan variabel intervensi ke dalam model ARIMA dilakukan dengan memasukkan variabel dummy ke dalam model (Hukari, 2009). Variabel dummy untuk intervensi fungsi step dinotasikan sebagai berikut (Wei, 2006): Dimana, sebelum waktu T ; setelah waktu T T = waktu terjadinya intervensi Model Autoregressive Integrated Moving Average (ARIMA) ARIMA (p,d,q) adalah model campuran dari AR dan MA yang menggunakan p sebagai nilai lag dependen, d sebagai tingkat proses differencing dan q sebagai lag residual. Model ARIMA dilakukan pada data yang differencing sehingga data menjadi stasioner. { dimana: = konstanta = parameter autoregresif ke-p = nilai kesalahaan pada saat t = parameter-parameter moving average (15)
24 14 HASIL DAN PEMBAHASAN Analisis Deskriptif Gambaran mengenai inflasi di Indonesia dari bulan Januari 2003 sampai dengan bulan Agustus 2013 dapat dilihat pada Gambar 1 berikut: Persen Jan-03 Sep-03 May-04 Jan-05 Sep-05 May-06 Jan-07 Sep-07 May-08 Bulan inflasi Jan-09 Gambar 1 Inflasi di Indonesia bulan Januari 2003 sampai bulan Agustus 2013 Sumber: Bank Indonesia Gambar 1 di atas menunjukkan bahwa pola data inflasi berfluktuasi, dan pada titik-titik tertentu terjadi peningkatan secara tajam. Sebagai contoh, harga BBM naik hampir 90% pada bulan Oktober 2005 maka pada waktu tersebut nilai inflasi naik secara tajam. Berikut ini diberikan tabel perubahan harga BBM yang terjadi selama waktu pengamatan. Tabel 2 Perubahan harga BBM selama kurun waktu Januari 2003-Agustus 2013 No Waktu Harga BBM (Rp per liter) Perubahan harga BBM (%) 1 1 Januari Maret Oktober Mei Desember Desember Januari Juni Sep-09 May-10 Sumber: Kementrian Energi dan Sumber Daya Mineral Jan-11 Sep-11 May-12 Jan-13 tingkat inflasi
25 Inflasi sangat dipengaruhi oleh harga BBM sehingga jika ada kebijakan kenaikan harga BBM maka inflasi akan meningkat cukup tajam. Dengan adanya kenaikan harga BBM pada kurun waktu pengamatan yaitu dari bulan Januari 2003 sampai dengan bulan Agustus 2013, inflasi menunjukkan kenaikan yang cukup signifikan terutama pada bulan Oktober Model Intervensi Berdasarkan plot data inflasi pada Gambar 1, model intervensi yang sesuai adalah model intervensi fungsi step. Berdasarkan plot data inflasi pada Gambar 1 tersebut terlihat adanya titik intervensi yaitu t 34 terjadi kenaikan BBM hampir 90% yaitu pada bulan Oktober 2005, dan t 65yaitu bulan Mei ,00% Plot Deret Waktu Sebelum Terjadi Intervensi 8,00% Inflasi 7,00% 6,00% 5,00% 4,00% Mar-03 Jun-03 Sep-03 Des-03 Mar-04 Jun-04 Bulan Sep-04 Des-04 Mar-05 Jun-05 Sep-05 Gambar 2 Inflasi bulan Januari 2003 sampai bulan September 2005 (data pre intervensi) Tahap pertama dalam membentuk model intervensi adalah membentuk model pre intervensi terlebih dahulu. Model pre intervensi adalah model ARIMA yang dibentuk dari data sebelum adanya intervensi pertama. Kenaikan harga BBM pertama kali terjadi pada bulan Oktober 2005 sehingga model pre intervensi dibentuk dari data inflasi bulan Januari 2003 sampai dengan bulan September Gambar 2 di atas memperlihatkan data pre intervensi, diduga bahwa data tidak stasioner baik dalam mean maupun ragam. Plot ACF dan PACF digunakan untuk menunjukkan dugaan bahwa data pre intervensi tidak stasioner dalam mean yang dapat dilihat pada Gambar 3 dan Gambar 4 berikut:
26 16 Autocorrelation Function for Inflasi (with 5% significance limits for the autocorrelations) Autocorrelation 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Gambar 3 Plot ACF data inflasi pre intervensi sebelum proses differencing Berdasarkan gambar di atas menunjukkan bahwa nilai ACF semakin menurun hingga menuju titik nol. Hal ini menunjukkan bahwa data belum stasioner dan diperlukan differencing. Selanjutnya menggunakan plot PACF. Lag Partial Autocorrelation 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 1 Partial Autocorrelation Function for Inflasi (with 5% significance limits for the partial autocorrelations) Gambar 4 Plot PACF data inflasi pre intervensi sebelum proses differencing PACF pada pada gambar di atas mengindikasikan adanya ketidakstasioneran dalam mean karena lag yang membentuk seperti pola, kecuali pada lag 1 yang terlihat berbeda. Ketidakstasioneran data pre intervensi diperjelas dengan uji kestasioneran Dickey Fuller yang diberikan pada Tabel 3 sebagai berikut: Tabel 3 Hasil Uji Augmented Dickey-Fuller data Inflasi Indonesia pre intervensi t-statistik t-tabel (5%) p-value Keputusan Lag Terima H
27 Hasil Uji Dickey-Fuller pada Tabel 2 menunjukkan bahwa t-statistik > t- tabel atau p-value < 0.01 sehingga terima H 0 dan dapat disimpulkan bahwa data inflasi pre intervensi belum stasioner dalam mean. Selain itu perlu diuji kestasioneran dalam varian dengan menggunakan uji Box-Cox plot pada Gambar 5. Pada Gambar 5 terlihat nilai λ yang tidak sama dengan satu, dalam hal ini adalah sama dengan 0.00 yang artinya data tidak stasioner dalam varian dan memerlukan transformasi logaritma natural (Ln). 17 Box-Cox Plot of Inflasi 0,007 Lower CL Upper CL Lambda (using 95,0% confidence) Estimate 0,11 0,006 Lower CL -1,17 Upper CL 1,36 Rounded Value 0,00 StDev 0,005 0,004 0,003-5,0 Limit -2,5 0,0 2,5 5,0 Lambda Gambar 5 Uji Box-Cox Plot Karena data belum stasioner dalam varian, maka dilakukan transformasi logaritma natural (ln). Sedangkan ketidakstasioneran data dalam mean dapat diatasi dengan differencing. Model Pre Intervensi Data pre intervensi setelah melalui proses transformasi dan differencing satu kali diberikan pada Lampiran 2. Dari plot ACF dan PACF pada Lampiran 2 diduga model yang cocok adalah ARIMA (0,1,1), ARIMA(1,1,0), dan ARIMA (1,1,1). Ternyata model tersebut tidak cocok karena koefisien semua model yang diduga tidak signifikan, disajikan pada Lampiran 2. Hal ini terjadi, diduga karena nilai p-value pada uji Augmented Dickey Fuller (ADF) tidak kecil secara signifikan. Selanjutnya dilakukan differencing dua kali dan hasil plot ACF dan PACF ditunjukkan pada Gambar 6 sebagai berikut:
28 18 Autocorrelation Function for d2(ln(i)) (with 5% significance limits for the autocorrelations) Autocorrelation 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar 6 Plot ACF data inflasi setelah transformasi dan differencing dua kali. Berdasarkan gambar plot ACF di atas, hasilnya sudah berbeda dengan plot ACF sebelumnya bahwa hasil ACF dengan differencing dua kali, lag sudah tidak semakin menurun. Partial Autocorrelation 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 Partial Autocorrelation Function for d2(ln(i)) (with 5% significance limits for the partial autocorrelations) Lag Gambar 7 Plot PACF data inflasi setelah transformasi dan differencing dua kali Berdasarkan Gambar 7 di atas terlihat bahwa plot PACF sudah tidak menunjukkan pola tertentu dan hasilnya berbeda dari plot PACF sebelumnya. Hal ini menunjukkan bahwa data diduga sudah stasioner. Hal ini diperjelas dengan uji ADF pada Tabel 4, yaitu nilai t-statistik lebih kecil dari t-tabel sehingga keputusannya adalah tolak H 0. Hasil Uji Dickey-Fuller pada Tabel 4 dapat disimpulkan bahwa data inflasi pre intervensi sudah stasioner dalam mean.
29 Tabel 4 Hasil Uji Augmented Dickey-Fuller data Inflasi Indonesia pre intervensi yang telah differencing dua kali dan telah ditransformasi t-statistik t-tabel (5%) p-value Keputusan Tolak H 0 Kemudian tahapan prosedur Box-Jenkins yaitu identifikasi dugaan model sementara, estimasi parameter, cek diagnosa, dan peramalan. Maka langkah berikutnya adalah menentukan orde dari ARIMA pada data pre intervensi melalui pola ACF dan PACF. Berdasarkan plot ACF dan PACF, diduga bentuk ARIMA yang mungkin adalah ARIMA (1,2,0) dan ARIMA (0,2,1). Model yang dipilih adalah model yang memenuhi kriteria baik tidaknya model. Estimasi Parameter dan Uji Signifikansi Parameter Model ARIMA Hasil uji signifikansi parameter, ternyata model terbaik adalah yang terbaik pada model ARIMA (0,2,1). Hasil lengkapnya dapat dilihat pada Lampiran 3, sedangkan uji signifikansi parameter untuk model ARIMA (1,2,0) dan ARIMA (0,2,1) dapat dilihat pada Tabel 5 dan Tabel 6 berikut: Tabel 5 Estimasi parameter dan uji signifikansi ARIMA (1,2,0) Parameter Koefisien Standar Error µ Keterangan: AIC = t-statistik p-value Keputusan Terima H 0 Tolak H 0 Koefisien Autoregressive (AR) dengan α < 0.05 menunjukkan bahwa hasil keputusan signifikan, artinya model ini sudah cukup bagus untuk memodelkan data inflasi yang ada. Selanjutnya adalah hasil uji signifikansi parameter ketika menggunakan model ARIMA (0,2,1). Tabel 6 Estimasi parameter dan uji signifikansi ARIMA (0,2,1) Parameter Koefisien Standar Error µ Keterangan: AIC = t-statistik p-value Keputusan Terima H 0 Tolak H 0 Koefisien Moving Average (MA) dengan α < 0.05 menunjukkan bahwa hasil keputusan adalah signifikan, artinya model ini sudah cukup bagus untuk memodelkan data inflasi yang ada. Kedua model di atas sebenarnya sudah cukup bagus untuk memodelkan data inflasi, tetapi dilihat dari nilai AIC nya terlihat bahwa nilai AIC pada ARIMA (1,2,0) sebesar dan nilai AIC pada ARIMA (0,2,1) adalah sebesar Oleh karena itu, model dipilih dengan nilai AIC yang terkecil yaitu model ARIMA (0,2,1). Tahap berikutnya adalah pengecekan apakah sisaannya menyebar normal yang diperlihatkan pada Gambar 8 berikut:
30 20 Probability Plot of RESI2 Normal Percent Mean 0, StDev 0,07873 N 31 KS 0,091 P-Value >0, ,2-0,1 0,0 0,1 0,2 RESI2 Gambar 8 Plot sisaan model ARIMA (0,2,1) Grafik di atas menunjukkan bahwa sisaan sudah menyebar normal, hasil plot tersebut ditunjang oleh uji Kolmogorov Smirnov, diperoleh p-value >. Kesimpulannya adalah terima, berarti sisaan menyebar normal. Sehingga model data pre intervensi yang dipilih adalah ARIMA (0,2,1) yaitu: 2 (1 B) lnyt et et e t et 1 Interpretasinya adalah waktu ke-t dipengaruhi oleh error saat ini dan error t-1. Cek Diagnosa Setelah mendapatkan model pre intervensi yaitu ARIMA (0,2,1), maka langkah selanjutnya adalah membandingkan plot data awal dengan nilai dugaan menggunakan model terpilih. Plot tersebut diperlihatkan pada Gambar 9 berikut: Inflasi Inflasi+dugaan Gambar 9 Plot data inflasi aktual dan nilai dugaan dengan model ARIMA (0,2,1)
31 Gambar 9 memperlihatkan bahwa dengan menggunakan model ARIMA (0,2,1) plot nilai dugaan dibandingkan dengan plot data aktual hampir sama (diperlihatkan grafiknya hampir berimpit) pada data pre intervensi yaitu data inflasi bulan Januari 2003 sampai dengan bulan September Tetapi, setelah bulan September 2005 hasil peramalan tidak sesuai dengan pola data inflasi aktual. Hal ini merupakan indikasi awal terjadinya intervensi. Untuk mengetahui berapa besar dan lamanya efek terjadinya intervensi, yaitu kejadian kenaikan harga BBM pada bulan Oktober 2005, maka dilakukan identifikasi orde model intervensi dengan cara membuat diagram residual sebagaimana diperlihatkan pada Gambar 10 berikut: 21 sisaan Mar-03 Jun-03 Sep-03 Dec-03 Mar-04 Jun-04 Sep-04 Dec-04 Mar-05 Gambar 10 Plot sisaan model ARIMA (0,2,1) Gambar di atas adalah plot sisaan model ARIMA (0,2,1). Gambar tersebut dapat mengidentifikasi orde untuk model intervensi. Tingkat inflasi pada gambar di atas mulai mengalami kenaikan pada bulan Oktober 2005, di mana pada saat itu terjadi kenaikan harga BBM. Oleh sebab itu dapat disimpulkan bahwa orde b bernilai 0. Dikatakan orde b bernilai 1 jika respon kenaikan inflasi terahadap kenaikan harga BBM terjadi pada bulan November Orde b bernilai 2 jika respon kenaikan inflasi terhadap kenaikan harga BBM terjadi pada bulan Desember 2005, dan seterusnya. Sehingga nilai orde b dapat ditentukan oleh waktu di mana mulai terjadinya dampak dari intervensi. Kemudian untuk menentukan orde s dapat ditentukan dengan melihat seberapa lama naiknya inflasi berlangsung dan dilihat pada saat sebelum tingkat inflasi mulai normal kembali. Diduga bahwa s bernilai 12, dilihat dari Oktober 2005-Oktober Saat bulan November 2006 inflasi sudah mulai menurun dan sudah mulai normal kembali. Untuk memperjelas ketepatan pendugaan perlu adanya uji signifikansi. Penentuan orde berikutnya yaitu orde r. Orde r dapat dilihat dari pola data. Pada Gambar 10 terlihat jika plot sisaan model ARIMA (0,2,1) tidak menunjukkan adanya pola. Oleh sebab itu, disimpulkan orde r bernilai 0. Sama seperti orde s, untuk memperjelas ketepatan pendugaan perlu adanya uji signifikansi. Jun-05 Sep-05 Waktu Dec-05 Mar-06 Jun-06 Sep-06 Dec-06 Mar-07 Jun-07 Sep-07
32 22 Analisis Model Intervensi Model yang tepat pada data inflasi pre intervensi, yaitu pada periode bulan Januari 2003 sampai bulan September 2005 adalah ARIMA (0,2,1), ditulis: Dijelaskan sebelumnya bahwa untuk mengetahui berapa besar dan lamanya efek terjadinya intervensi pertama, maka dilakukan identifikasi orde dari model intervensi. Identifikasi orde b, s, dan r dilakukan dengan cara membuat diagram residual. Diagram residual dapat dilihat pada Gambar 10. Berdasarkan Gambar 10 tersebut dapat ditentukan orde b, s, dan r adalah berturut-turut 0, 12, dan 0. Hasil uji signifikansi parameter model intervensi dengan orde b=0, s=12, dan r=0, disajikan pada Tabel 7, dan terlihat bahwa parameter model sudah signifikan. Hasil lengkapnya terdapat pada Lampiran 4. Tabel 7 Estimasi parameter dan uji signifikansi ARIMA (0,2,1) dengan intervensi berorde b=0, s=12, r=0 Parameter Koefisien Standar error t-statistik p-value Keputusan <.0001 <.0001 <.0001 Terima H 0 Tolak H 0 Tolak H 0 Tolak H 0 Pengujian kenormalan residual yang dilakukan dengan uji Kolmogorov- Smirnov menunjukkan bahwa residual berdistribusi normal. Hal ini terdapat pada Gambar 11 berikut. Model intervensi yang terbentuk adalah: 12 ( Be ) t lnyt ( B ) It 2 (1 B) atau ditulis et et 1 lnyt It It 12 2 (1 B) Model di atas, dapat dilihat bahwa adanya kenaikan harga BBM mengakibatkan kenaikan inflasi, namun belum dapat menjelaskan beberapa efek yang ditimbulkan. Untuk melihat seberapa besar kenaikan tersebut maka dilakukan perhitungan secara manual yaitu dengan menghitung nilai ramalan pada waktu-waktu tertentu sesuai dengan persamaan yang dihasilkan dengan menggunakan model ARIMA tanpa intervensi dan dengan intervensi. Selanjutnya efek kenaikan yang terjadi diperoleh dari selisih antara kedua perhitungan tersebut.
33 23 Tabel 8 Efek intervensi terhadap inflasi Ramalan Bulan Model ARIMA tanpa Intervensi YT YT+12 Oktober 2005 Oktober % 8.29% Ket: T= waktu terjadi intervensi, yaitu Oktober 2005 Model dengan Intervensi 17.51% 6.2% Efek kenaikan harga bbm thd inflasi 8.6% -2.09% Tabel di atas dapat dilihat bahwa kenaikan harga BBM menyebabkan kenaikan inflasi sejak bulan Oktober 2005 dan sejak Oktober 2006, tingkat inflasi kembali stabil. Probability Plot of C3 Normal Percent Mean 0, StDev 0, N 39 KS 0,123 P-Value 0, ,02-0,01 0,00 C3 0,01 0,02 Gambar 11 Plot sisaan untuk model dugaan Intervensi ARIMA (0,2,1) dengan orde b=0, s=12, dan r=0 Berdasarkan model dugaan Intervensi ARIMA (0,2,1) dengan orde b=0, s=12, dan r=0, dilakukan plot data inflasi aktual dengan nilai dugaannya yang dapat dilihat pada Gambar 12 berikut: Yt Waktu Y aktual Y dugaan Gambar 12 Plot pola data inflasi aktual dengan nilai dugaannya dengan model Intervensi ARIMA (0,2,1) berorde b=0, s=12, dan r=0.
34 24 Dibandingkan dengan Gambar 9, yaitu plot data inflasi aktual dan nilai dugaannya dengan model ARIMA (0,2,1) tanpa intervensi, maka Gambar 12 menunjukkan bahwa model dugaan ARIMA (0,2,1) dengan memasukkan intervensi berorde b=0, s=12, dan r=0 merupakan model dugaan yang lebih baik. Hal tersebut diperlihatkan bahwa pola data antara data inflasi aktual dengan nilai dugaannya hampir sama baik kecenderungan maupun besarannya. Hal itu ditunjukkan dengan grafik antara data aktual dan dugaannya hampir berimpit. Orde b = 0 menunjukkan bahwa efek intervensi kenaikan harga BBM langsung direspon dengan kenaikan inflasi pada waktu yang sama. Sedangkan orde s = 12 menunjukkan bahwa perubahan inflasi berlangsung selama 12 bulan dari terjadinya intervensi, setelahnya inflasi kembali normal. Model dugaan ARIMA (0,2,1) dengan memasukkan intervensi yang telah diperoleh dapat digunakkan untuk peramalan. Perhitungan dilakukan dari hasil transformasi dengan λ=0. Peramalan dilakukan guna memperkirakan besarnya inflasi untuk bulan September 2013-Juli Tabel 9 menunjukkan hasil peramalan besarnya nilai inflasi bulan September 2013-Juli Tabel 9 Perbandingan nilai inflasi ramalan dan nilai inflasi aktual Bulan Nilai inflasi ramalan dalam Ln (YT) Nilai inflasi ramalan (%) Nilai inflasi aktual (%) September 2013 Oktober 2013 November 2013 Desember 2013 Januari 2014 Februari 2014 Maret 2014 April 2014 Mei 2014 Juni 2014 Juli Hasil peramalan besarnya tingkat inflasi untuk bulan September 2013-Juli 2014 menunjukkan bahwa nilainya berbeda tidak signifikan dengan tingkat inflasi aktual, ditunjukkan dengan nilai MAPE yang cukup kecil yaitu 10,39% dari nilai presentase 100%. Hal ini menunjukkan model ARIMA (0,2,1) dengan intervensi berorde b=0, s= 12, r= 0 cukup baik meramal tingkat inflasi di Indonesia bulan September 2013-Juli 2014 berdasarkan data tingkat inflasi bulan Januari Agustus2013. SIMPULAN DAN SARAN Simpulan Berdasarkan hasil penelitian yang telah dilakukan mengenai analisis kenaikan harga bahan bakar minyak terhadap inflasi di Indonesia, diperoleh beberapa simpulan berikut: 1. Inflasi pada bulan ke-t dipengaruhi oleh intervensi kenaikan harga BBM bulan t, intervensi pada bulan t-1, error pada bulan ke-t dan error pada bulan
ABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG SKRIPSI Disusun Oleh : NOVIA DIAN ARIYANI 24010211120016 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinci99.9. Percent maka H 0 diterima, berarti residual normal
Uji residual white noise 2 Lag Q P value 6 3.5 9.49 0.5330 2 6.6 8.3 0.803 8 9.8 26.30 0.9059 24 9.3 33.92 0.6374 K p q Uji residual berdistribusi normal Percent 99.9 99 95 90 80 70 60 50 40 30 20 0 5
Lebih terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun )
ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 2011) Amelia Crystine 1, Abdul Hoyyi 2, Diah Safitri 3 1 Mahasiswa Jurusan Statistika FSM UNDIP
Lebih terperinciPERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciPEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH
JIMT Vol. 12 No. 2 Desember 2016 (Hal 149-159) ISSN : 2450 766X PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH 1 Y. Wigati, 2 Rais, 3 I.T.
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciPEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER
PEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER M. Insanil Kamil 0 0 0 m.insanil_kml@yahoo.com Dosen pembimbing:
Lebih terperinciPERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciPERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)
M-11 2) PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) Naili Farkhatul Jannah 1), Muhammad Bahtiar Isna Fuady 2), Sefri
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciCetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura
Hak cipta dilindungi Undang-Undang Cetakan I, Agustus Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura ISBN: ---- Deskripsi halaman sampul : Gambar yang ada pada cover
Lebih terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus : KA Argo Muria)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 131-140 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN
Lebih terperinciAnalisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung
Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,
Lebih terperinciHASIL DAN PEMBAHASAN Eksplorasi Data Suhu Udara Rata-rata
suhu 18 20 22 24 26 28 30 32 ragam, maka dilakukan transformasi Box-Cox. d. Mengidentifikasi model. Dalam tahap ini akan didapat model-model sementara, dengan melihat plot ACF dan PACF. e. Pendugaan parameter
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciIII. METODE PENELITIAN. Bentuk data berupa data time series dengan frekuensi bulanan dari Januari 2000
28 III. METODE PENELITIAN 3.1. Data 3.1.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Bentuk data berupa data time series dengan frekuensi bulanan dari Januari
Lebih terperinciBAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :
BAB SIMULASI PERHITUNGAN HARGA BARANG Bab Simulasi Perhitungan Harga barang berisikan :.. Simulasi peramalan nilai Indeks Harga Konsumen (IHK) melalui metode ARIMA.. Prediksi nilai inflasi tahun 0.3. Prediksi
Lebih terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciPeramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS
Jurnal EKSPONENSIAL Volume 3, Nomor, Mei 2 ISSN 8-7829 Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2 Dengan Metode ARIMA BOX-JENKINS Forecasting The Number
Lebih terperinciBAB III METODE PENELITIAN. 3.1 Unit Analisis dan Ruang Lingkup Penelitian. yang berupa data deret waktu harga saham, yaitu data harian harga saham
32 BAB III METODE PENELITIAN 3.1 Unit Analisis dan Ruang Lingkup Penelitian 3.1.1. Objek Penelitian Objek sampel data dalam penelitian ini menggunakan data sekunder yang berupa data deret waktu harga saham,
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciPENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI
TUGAS AKHIR - ST 1325 PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI I G B ADI SUDIARSANA NRP 1303100058 Dosen Pembimbing Ir. Dwiatmono Agus Widodo,
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciModel Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer
Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI Bursa saham atau Pasar
Lebih terperinciHASIL DAN PEMBAHASAN. Analisis data dilakukan dengan menggunakan Software Eviews Versi 4.1 dan Microsoft Office Excel Gambar 2 Plot IHSG.
kointegrasi lebih besar dari nol maka model yang digunakan adalah VECM (Enders, 1995). 4. Analisis model VAR, VARD atau VECM. 5. Interpretasi terhadap model. 6. Uji kelayakan model. 7. Pengkajian fungsi
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciPENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.
PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji
35 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji ACF, uji PACF, uji ARCH-LM,
Lebih terperinciVERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING RANGE
VERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING RANGE (Studi Kasus : Kecepatan Rata-rata Angin di Badan Meteorologi Klimatologi dan Geofisika Stasiun Meteorologi Maritim Semarang) SKRIPSI
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
Lebih terperinciHALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...
HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...
Lebih terperinciPemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 Pemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA 1 Harnum Annisa Prafitia dan 2 Irhamah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
Lebih terperinciPrediksi Wisatawan Mancanegara Ke Jawa Barat Melalui Pintu Masuk Bandara Husein Sastranegara dan Pelabuhan Muarajati Menggunakan Metode SARIMA
Politeknik Negeri Bandung July 26-27, Prediksi Wisatawan Mancanegara Ke Jawa Barat Melalui Pintu Masuk Bandara Husein Sastranegara dan Pelabuhan Muarajati Menggunakan Metode SARIMA Agus Supriatna 1, Betty
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama : Zahroh Atiqoh NRP : 1205 100 021 Dosen Pembimbing : 1. Dra. Nuri Wahyuningsih, MKes 2. Drs. Sulistiyo,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 33-42 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM TERHADAP PERMINTAAN BBM
Lebih terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciPERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.
PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI. Oleh: IRLIZANTY YULYANTIKA RAHADI
PERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI Oleh: IRLIZANTY YULYANTIKA RAHADI 6 4 Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes Abstrak Indeks harga saham merupakan suatu indikator yang
Lebih terperinciPemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer
TUGAS AKHIR Pemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer Oleh : Fani Felani Farid (1306 100 047) Pembimbing : Drs. Kresnayana Yahya M.Sc Latar Belakang
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciAKURANSI ARIMA DALAM PERAMALAN INFLASI KOTA BANDUNG
AKURANSI ARIMA DALAM PERAMALAN INFLASI KOTA BANDUNG Muhamad Nawawi mnnierri@gmail.com ABSTRAK Inflation is as one of economic development indicator has an important role to public s economic prosperity
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA PERAMALAN TINGKAT INFLASI NASIONAL DENGAN MULTI INPUT SKRIPSI
PERAMALAN TINGKAT INFLASI NASIONAL DENGAN PENDEKATAN TIME SERIES BERDASARKAN FUNGSI TRANSFER MULTI INPUT SKRIPSI DIDIT EKO PRASETYO PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih terperinciPrediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA
Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Jeine Tando 1, Hanny Komalig 2, Nelson Nainggolan 3* 1,2,3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciMetode Box - Jenkins (ARIMA)
Metode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing. kelebihan ini bisa mencakup variabel yang digunakan dan jenis data time seriesnya. nah, dalam
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer
Lebih terperinciBAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih terperinciANALISIS INTERVENSI FUNGSI STEP
ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 2011) SKRIPSI Diajukan Sebagai Syarat untuk Memperoleh Gelar Sarjana Sains Pada Jurusan Statistika
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 323-332 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN FUNGSI TRANSFER DENGAN DETEKSI OUTLIER UNTUK MEMPREDIKSI
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun
Peramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun NAMA : RITA RAHMADHANI NRP : 1306 030 008 PEMBIMBING: DR. BRODJOL SUTIJO
Lebih terperinciPERBANDINGAN MODEL ARCH/GARCH MODEL ARIMA DENGAN MODEL FUNGSI TRANSFER
PERBANDINGAN MODEL ARCH/GARCH MODEL ARIMA DENGAN MODEL FUNGSI TRANSFER (Studi Kasus Indeks Harga Saham Gabungan dan Harga Minyak Mentah Dunia Tahun 2013 sampai 2015) SKRIPSI Oleh: DEBY FAKHRIYANA 24010212130041
Lebih terperinciPeramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada
Estimasi Parameter Autoregressive Integrated Moving Average (ARIMA) Menggunakan Algoritma Particle Swarm Optimization (PSO) (Studi Kasus: Peramalan Curah Hujan DAS Brangkal, Mojokerto) Meytaliana Factmawati,
Lebih terperinciPEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION
PEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION Oleh NYOMAN PANDU WIRADARMA (1308 100 052) Dosen Pembimbing 1
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Metode yang diterapkan dalam penelitian ini yaitu desain kuantitatif, konklusif, eksperimental dan deskriptif. Metode deskriptif bertujuan untuk membuat
Lebih terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciIII. METODE PENELITIAN
38 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan definisi opresional mencakup pengertian yang dipergunakan untuk mendapatkan dan menganalisis data sesuai dengan tujuan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 737-745 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DAYA LISTRIK BERDASARKAN JUMLAH PELANGGAN PLN MENGGUNAKAN
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP ABSTRAK
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 795-804 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI
Lebih terperinci