BAB I PENDAHULUAN 1.1 Latar Belakang
|
|
- Yandi Kusuma
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti trend dan perubahan-perubahan lokal seperti variansi yang tidak konstan (heteroskedastisitas) dikenal sebagai pengelompokan volatilitas (volatility clustering) (Wei, 2006). Untuk dapat mengukur besarnya volatilitas diperlukan suatu model matematika. Model runtun waktu finansial yang populer dan biasanya dapat mengakomodasi heteroskedastisitas adalah model Autoregressive Conditional Heteroscedasticity (ARCH) yang diperkenalkan oleh Engle (1982). Model Generalized Autoregressive Conditional Heteroscedasticity (GARCH) yang diusulkan oleh Bollerslev (1986) merupakan perluasan model ARCH telah berkembang menjadi model yang lebih fleksibel untuk pemodelan variansi yang tidak konstan. Struktur ARCH terdiri dari dua persamaan, yaitu persamaan mean bersyarat yang merupakan model baku ARCH dan persamaan variansi bersyarat yang memungkinkan variansi berubah setiap waktu (Tsay, 2005). Sebuah konsep penting dalam analisis runtun waktu adalah multiscaling yang dalam runtun waktu menunjukkan beberapa fenomena, masing-masing terjadi pada horizon waktu yang berbeda. Beberapa runtun waktu juga dicirikan oleh keajegan (persistence) autokorelasi yang signifikan terjadi sampai lag yang sangat panjang (long memory processes), sehingga tidak dapat dijelaskan dengan baik menggunakan model Autoregressive Integrated Moving Average (ARIMA). Pada kenyataannya bahwa fenomena yang terjadi pada data runtun waktu finansial cenderung nonlinear, baik pada model mean maupun model variansi, sehingga model-model klasik seperti ARIMA-GARCH tidak layak lagi. Karena runtun ini tidak mengikuti fenomena teoritis yang telah dibakukan, maka dilakukan analisis secara terus menerus menggunakan 1
2 berbagai teknik bebas model yang bersifat nonlinear seperti sistem fuzzy dan neural network (NN). Teknik-teknik kecerdasan buatan seperti algoritma genetik, jaringan syaraf, dan model hybrid statistical-neural telah dilakukan untuk analisis runtun waktu stasioner dan non-stasioner. Namun teknik ini tidak dibangun dalam fasilitas inferensi atau interpretasi. Menurut Jang (1993), keterbatasan ini diatasi oleh sistem berbasis logika fuzzy, yang merupakan universal approximators dari fungsi nonlinear. Sistem fuzzy didefinisikan sebagai teknik-teknik yang berkaitan dengan ketidakpastian yang didasarkan pada himpunan fuzzy. Sistem tersebut mempunyai kelebihan bahwa model yang dikembangkan dicirikan oleh kemampuan interpretasi linguistik, dan aturan-aturan yang dapat dipahami, diverifikasi dan dikembangkan (Jang, 1997). Sistem fuzzy mempunyai kemampuan untuk menghampiri fungsi nonlinear yang mengandung ketakpastian yang tinggi melalui derajat keanggotaan fuzzy. Model Neural Networks (NN) merupakan salah satu contoh model nonlinear yang mempunyai bentuk fungsional fleksibel dan mengandung beberapa parameter yang tidak dapat diinterpretasikan seperti pada model parametrik (lihat Fausset, 1994 dan Haykin, 1998). Neural Networks sebagai suatu metode machine learning tersupervisi, memberikan suatu kerangka kerja yang bagus untuk merepresentasikan suatu hubungan pada data, termasuk data runtun waktu. Dibandingkan dengan algoritma yang lain, NN memiliki kemampuan adaptif yang lebih baik, pembelajaran, dan kemampuan mempolakan signal non-stasioner (Gooijer & Hyndman, 2006). Namun demikian NN dapat memproses signal dengan baik untuk signal input dengan resolusi yang halus. Sehingga NN memerlukan pemrosesan awal data (preprocessing) untuk mereduksi beban komputasi dan meningkatkan hasil output secara optimal. Pada model Adaptive Neuro Fuzzy Inference System (ANFIS) jumlah hidden node pada NN disesuaikan dengan sistem fuzzy yang terdiri dari tiga bagian yaitu: fuzzyfikasi (layer-1), sistem inferensi fuzzy (layer-2 dan 3) dan defuzzyfikasi (layer- 4). Arsitektur NN yang digunakan sudah ditentukan yaitu sebanyak 5 lapisan tetap (Jang, 1997). 2
3 Metode-metode yang diturunkan dari sistem fuzzy, seperti model fuzzy Takagi -Sugeno Kang (TSK) telah digunakan untuk analisis data runtun waktu, dan selama beberapa tahun terakhir, metode hibrid TSK yang menggabungkan sistem fuzzy dengan NN telah digunakan untuk analisis data runtun waktu. Secara khusus, model-model fuzzy hibrid dirancang untuk meningkatkan akurasi prediksi model fuzzy melalui identifikasi sistem dan teknik optimasi yang diterapkan. Beberapa tahun terakhir, penelitian empiris yang berkaitan dengan pemodelan data runtun waktu finansial menggunakan ANFIS antara lain: prediksi nilai tukar valuta asing dilakukan oleh Alakhras (2005), Alizadeh et al. (2009) dan Fahimifard et al. (2009); penelitian tentang prediksi imbal hasil bond pemerintah Taiwan oleh Chen et al. (2009); penelitian perdagangan finansial oleh Kablan (2009); penelitian ANFIS untuk prediksi return asset oleh Hung (2009), aplikasi ANFIS untuk pengembangan estimasi pemakaian listrik oleh Azadeh et al. (2009); Boyacioglu & Avci (2010) dan Wei et al. (2011)); prediksi penjualan mobil oleh Wang et al. (2011); prediksi earning per share (EPS) dari industri-industri besar oleh Wei et al. (2011); penerapan metode hybrid Fuzzy-GARCH untuk prediksi volatilitas finansial oleh Maciel et al. (2012); penerapan Hybrid Fuzzy GJR-GARCH untuk prediksi volatilitas return saham oleh Maciel (2012); penerapan adaptive fuzzy system untuk prediksi volatilitas data runtun waktu finansial untuk penghitungan value at risk (VaR) oleh Luna & Ballini (2012). Dari penelitian yang telah dilakukan menyimpulkan bahwa performa ANFIS lebih baik dari pada metode GARCH untuk prediksi volatilitas data runtun waktu finansial berdasarkan kriteria AIC, BIC ataupun RMSE. Dalam penelitian tersebut, tidak satupun melakukan kajian tentang pemilihan arsitektur ANFIS optimal yang didasarkan pada kriteria LM-test. LM-test merupakan salah satu metode optimalisasi fungsi berkendala. Penelitian yang menerapkan prosedur LM-test untuk pemilihan model NN telah dilakukan oleh White (Anders & Korn, 1999). Prosedur inferensi berbasis LM test untuk pemilihan model optimal ANFIS dipandang relevan karena sejalan dengan konsep overfitting pada pemodelan runtun waktu. Sebagai contoh, untuk mengidentifikasi variabel input tidak diperlukan asumsi 3
4 bahwa proses runtun waktu harus stasioner, cukup mengidentifikasi unit AR yang diduga signifikan berdasarkan plot PACF. Berdasarkan konsep overfitting, lag-lag yang diduga signifikan tersebut diuji menggunakan prosedur LM test. Untuk penentuan jumlah fungsi keanggotaan (klaster), dimulai dengan jumlah klaster minimal, penambahan klaster dilakukan dengan prosedur LM test sesuai konsep overfitting dalam konteks pemodelan ANFIS. Berdasarkan argumen di atas, dalam penelitian ini difokuskan pada penerapan model ANFIS untuk pemodelan runtun waktu finansial yang biasanya dicirikan dengan perubahan mean dan variansi, musiman serta perilaku lokal lainnya. Data runtun waktu tersebut tidak hanya bersifat nonlinear dan nonstasioner, tetapi juga mengalami perubahan variansi yang signifikan. Dalam penelitian ini data runtun waktu yang diambil sebagai studi kasus yang dianalisis dengan ANFIS adalah data runtun waktu inflasi Indonesia dalam kaitannya dengan estimasi mean proses yang memuat efek GARCH. Sedangkan dalam kaitannya dengan estimasi variansi, model ANFIS diterapkan untuk prediksi volatilitas return saham LQ-45. Secara umum dari beberapa penelitian yang ada tersebut, fokus utama yang dibahas adalah bagaimana mendapatkan model ANFIS yang sesuai dengan suatu data runtun waktu finansial. Isu yang sampai sekarang masih merupakan pertanyaan terbuka dalam penerapan ANFIS untuk pemodelan runtun waktu finansial adalah dalam rangka menjawab beberapa pertanyaan berikut. (1) Bagaimana prosedur identifikasi yang tepat untuk menentukan variabel input awal sebagai kandidat yang sesuai? (2) Bagaimana cara menentukan variabel input yang tepat? (3) Bagaimana menentukan fungsi keanggotaan (membership function) dan jumlah klaster pada layer 1 dan layer 2 arsitektur ANFIS? (4) Bagaimana menentukan aturan yang tepat proses akhir ANFIS, apakah aturan linear atau nonlinear? (5) Bagaimana sifat-sifat estimator (parameter-parameter) pada model ANFIS? 4
5 (6) Apa kriteria (statistik) yang paling tepat untuk mengevalusi kesesuaian suatu model ANFIS? Berdasarkan permasalahan terbuka yang ada berkaitan dengan model ANFIS, maka penelitian ini mempunyai tujuan umum untuk mengkaji model ANFIS dalam kerangka pemodelan statistika untuk data runtun waktu dengan evaluasi performa berdasarkan prosedur inferensi berbasis LM-test. Dalam penelitian ini secara khusus model ANFIS diterapkan pada data runtun waktu finansial, yaitu data inflasi Indonesia dan data return saham LQ Tujuan Penelitian Secara umum penelitian ini terbagi menjadi dua kajian, yaitu kajian teori yang berkaitan dengan prosedur model prediksi ANFIS dan pengembangannya, serta kajian terapan berkaitan dengan implementasi hasil kajian teori untuk memperoleh model optimal ANFIS untuk pemodelan inflasi Indonesia. Dengan demikian tujuan penelitian ini adalah: A. Kajian Teori 1. Pembentukan aturan model ANFIS, yaitu suatu prosedur untuk: a. penentuan input yang tepat b. penentuan kombinasi yang tepat antara jenis fungsi keanggotaan (membership function) dan jumlah klaster pada layer 1 dan 2 dari proses ANFIS, c. penentuan aturan (rule) yang tepat untuk proses akhir ANFIS, yaitu aturan linear atau aturan nonlinear. 2. Estimasi parameter model dan evaluasi performa ANFIS. Estimasi parameter dan evaluasi performa ANFIS difokuskan pada: a. metode atau algoritma untuk optimisasi mendapatkan parameter-parameter baik pada langkah maju atau langkah mundur, yang diteruskan pada kajian sifat-sifat asimtotis atau mungkin eksak dari distribusi estimator-estimator tersebut. Hasil ini dipakai sebagai dasar untuk tahap selanjutnya, yaitu uji signifikansi parameter. 5
6 b. pengujian atau evaluasi parameter-parameter pada model yang digunakan sebagai dasar pengembangan prosedur baru untuk mendapatkan arsitektur terbaik dari ANFIS yang dikembangkan. B. Kajian Terapan 1. Mengimplementasikan suatu prosedur pembentukan model ANFIS yang optimal untuk pemodelan runtun waktu finansial khususnya data inflasi Indonesia yang mempunyai efek GARCH; 2. Membandingkan ketepatan hasil prediksi mean proses menggunakan model ANFIS dan model ARIMA untuk data inflasi Indonesia; 3. Mengimplementasikan suatu prosedur pembentukan model ANFIS yang optimal untuk pemodelan volatilitas return saham LQ-45; 4. Membandingkan ketepatan hasil prediksi volatilitas return saham LQ-45 menggunakan model ANFIS dan model klasik (GARCH). 1.3 Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat memberikan beberapa manfaat sebagai berikut. 1. Sebagai sumbangan pemikiran untuk memperkuat dan mengembangkan model runtun waktu finansial dengan metode hibrid yang mengkombinasikan sistem fuzzy dan neural network sebagai model prediktif. 2. Memberikan landasan teori bagi peneliti yang berminat mengembangkan penelitian ini. 3. Dapat membentuk model dengan akurasi yang tinggi yang digunakan untuk memprediksikan mean dan variansi data runtun waktu finansial khususnya data inflasi Indonesia maupun data saham LQ-45 yang diduga mempunyai efek GARCH. 1.4 Keaslian Disertasi Berdasarkan pelacakan literatur dan internet yang ada ternyata permasalahan yang dikaji dalam disertasi ini belum pernah diteliti oleh peneliti sebelumnya. 6
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciBAB I PENDAHULUAN. untuk menjual, menahan, atau membeli saham dengan menggunakan indeks
BAB I PENDAHULUAN A. LATAR BELAKANG MASALAH Pasar modal merupakan pasar abstrak, dimana yang diperjualbelikan adalah dana jangka panjang, yaitu dana yang keterikatannya dalam investasi lebih dari satu
Lebih terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA SKRIPSI Disusun Oleh: UMI SULISTYORINI ADI 24010212140082 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciPEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH. Retno Hestiningtyas dan Winita Sulandari, M.Si. Jurusan Matematika FMIPA UNS
S-9 PEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Retno Hestiningtyas dan Winita Sulandari, M.Si Jurusan Matematika FMIPA UNS ABSTRAK. Pada data finansial sering terjadi keadaan leverage effect,
Lebih terperinciBAB I PENDAHULUAN. penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada zaman sekarang, peramalan merupakan salah satu unsur yang sangat penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan peramalan
Lebih terperinciBAB II TINJAUAN PUSTAKA
DAFTAR ISI PERNYATAAN... i ABSTRAK... ii KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xi BAB I PENDAHULUAN... 1 1.1 Latar Belakang...
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Saham adalah surat berharga yang menjadi bukti seseorang berinvestasi pada suatu perusahaan. Harga saham selalu mengalami perubahan harga atau biasa disebut
Lebih terperinciBAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
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 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 terperinciUNNES Journal of Mathematics
UJM 5 (2) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN TAKSIRAN VALUE AT RISK DENGAN PROGRAM R DAN MATLAB DALAM ANALISIS INVESTASI SAHAM MENGGUNAKAN METODE
Lebih terperinciSKRIPSI. Disusun Oleh: Aditya Wisnu Broto J2E
vii PERBANDINGAN APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DENGAN METODE OPTIMAL BRAIN DAMAGE DAN ARCH - GARCH UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) SKRIPSI Disusun Oleh: Aditya Wisnu
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 terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciPENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 25 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Lebih terperinciINTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) (Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia)
PERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) (Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia) SKRIPSI Disusun
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sering terdapat tenggang waktu (time lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang ini merupakan
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 I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Pemodelan data keuangan mengalami perkembangan yang cukup pesat terlebih karena kemajuan teknologi dan informasi yang memungkinkan pencatatan data
Lebih terperinciBAB I PENDAHULUAN. Perkembangan ilmu pengetahuan dan teknologi saat ini berkembang pesat.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan dan teknologi saat ini berkembang pesat. Hal ini mendorong manusia untuk terus berupaya memanfaatkan kemajuan teknologi di antaranya diwujudkan
Lebih terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 771-780 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP
Lebih terperinciBAB I PENDAHULUAN. satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data time series merupakan serangkaian data pengamatan yang berasal dari satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan interval
Lebih terperinciPERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN
PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN MENGGUNAKAN HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE NEURAL NETWORK Disusun oleh : Berta Elvionita Fitriani 24010211120005
Lebih terperinciBAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation
BAB II LANDASAN TEORI Pada Bab II akan dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya yaitu peramalan data runtun waktu (time series), konsep dasar
Lebih terperinciPERHITUNGAN VALUE AT RISK HARGA SAHAM DENGAN MENGGUNAKAN VOLATILITAS ARCH-GARCH DALAM KELOMPOK SAHAM LQ 45 ABSTRACT
PERHITUNGAN VALUE AT RISK HARGA SAHAM DENGAN MENGGUNAKAN VOLATILITAS ARCH-GARCH DALAM KELOMPOK SAHAM LQ 45 Boy A Lumban Gaol 1, Tumpal Parulian Nababan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1
Lebih terperinciPENENTUAN VALUE AT RISK
PENENTUAN VALUE AT RISK SAHAM KIMIA FARMA PUSAT MELALUI PENDEKATAN DISTRIBUSI PARETO TERAMPAT (Studi Kasus : Harga Penutupan Saham Harian Kimia Farma Pusat Periode Oktober 2009 September 2014) SKRIPSI
Lebih terperinciBAB I PENDAHULUAN. memberikan informasi tentang rata-rata bersyarat pada Y
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari- hari sering dijumpai data time series yang terdiri dari beberapa variabel yang saling terkait yang dinamakan dengan data time series
Lebih terperinciBAB I PENDAHULUAN. Peramalan merupakan salah satu unsur yang sangat penting dalam
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan salah satu unsur yang sangat penting dalam pengambilan keputusan, karena terkadang faktor-faktor yang berhubungan dengan pengambilan keputusan tidak
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciMENGGUNAKAN METODE GARCH ASIMETRIS
PEMODELAN RETURN PORTOFOLIO SAHAM MENGGUNAKAN METODE GARCH ASIMETRIS SKRIPSI Disusun Oleh : MUHAMMAD ARIFIN 24010212140058 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG
Lebih terperinciBAB I PENDAHULUAN. Perilaku dari harga suatu aset finansial dapat dilihat dari dua parameter,
BAB I PENDAHULUAN 1.1 Latar belakang Perilaku dari harga suatu aset finansial dapat dilihat dari dua parameter, yaitu mean dan standar deviasi harga aset tersebut. Dalam bahasa keuangan, standar deviasi
Lebih terperinciBAB I PENDAHULUAN. tukar uang tersebut dinamakan kurs atau exchange rate. uang tersebut merupakan salah satu aset finansial yang dapat mendorong
BAB I PENDAHULUAN 1.1 Latar Belakang Uang memegang peranan penting dalam perekonomian setiap negara. Aktifitas ekonomi yang dapat dilakukan suatu negara dengan menggunakan uang adalah perdagangan, baik
Lebih terperinciBAB I PENDAHULUAN. finansial (financial assets) dan investasi pada aset-aset riil (real assets). Investasi pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Investasi pada hakikatnya merupakan komitmen terhadap sejumlah sumber daya pada saat ini dengan tujuan untuk mendapatkan keuntungan di masa depan (Abdul halim,
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciPERAMALAN PRODUKSI PADI DENGAN ARIMA, FUNGSI TRANSFER DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
PERAMALAN PRODUKSI PADI DENGAN ARIMA, FUNGSI TRANSFER DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Oleh: ADI WIJAYA NRP. 1310201720 Dosen Pembimbing: Dr. Suhartono, S.Si, M.Sc PROGRAM MAGISTER STATISTIKA
Lebih terperinciPADA PORTOFOLIO SAHAM
PERBANDINGAN PENDEKATAN GENERALIZED EXTREME VALUE DAN GENERALIZED PARETO DISTRIBUTION UNTUK PERHITUNGAN VALUE AT RISK PADA PORTOFOLIO SAHAM SKRIPSI Disusun oleh: AYU AMBARSARI 24010212140079 DEPARTEMEN
Lebih terperinciPROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2013 ISBN:
METODE PERAMALAN MENGGUNAKAN MODEL VOLATILITAS ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR Cindy Wahyu Elvitra 1, Budi Warsito 2, Abdul
Lebih terperinciPEMODELAN KURS MATA UANG RUPIAH TERHADAP DOLLAR AMERIKA MENGGUNAKAN METODE GARCH ASIMETRIS
PEMODELAN KURS MATA UANG RUPIAH TERHADAP DOLLAR AMERIKA MENGGUNAKAN METODE GARCH ASIMETRIS SKRIPSI Disusun Oleh : ULFAH SULISTYOWATI 24010210120052 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciPENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: Nurkhoiriyah 1205100050 Dosen pembimbing: Dra. Nuri Wahyuningsih, M. Kes. Jurusan
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 terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciPERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (GARCH-M)
PERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (GARCH-M) (Studi Kasus pada Return Harga Saham PT. Wijaya Karya) SKRIPSI Disusun Oleh : Dwi Hasti
Lebih terperinciBAB I PENDAHULUAN. diantaranya surat utang (obligasi), ekuiti (saham), reksa dana, dan instrumen
BAB I PENDAHULUAN 1.1 Latar Belakang Instrumen keuangan yang dapat diperjualbelikan di pasar modal diantaranya surat utang (obligasi), ekuiti (saham), reksa dana, dan instrumen lainnya. Saham merupakan
Lebih terperinci3 Kesimpulan. 4 Daftar Pustaka
Litterman-2. Keuntungan aktual maksimal kedua kinerja Black Litterman ternyata terjadi pada waktu yang sama yaitu tanggal 19 Februari 2013. Secara umum dapat dinyatakan bahwa pembentukan portofolio dengan
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Investasi berkaitan dengan penempatan dana ke dalam bentuk aset yang lain selama periode tertentu dengan harapan tertentu. Aset yang menjadi objek investasi seseorang
Lebih terperinciDisusun oleh : Nur Musrifah Rohmaningsih Skripsi. Sebagai Salah Satu Syarat untuk Memperoleh Gelar
PEMODELAN DAN PERAMALAN NILAI RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (APARCH) Disusun oleh : Nur Musrifah Rohmaningsih 24010211120019
Lebih terperinciBAB I PENDAHULUAN. Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan
BAB I PENDAHULUAN A. Latar Belakang Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan terjadi pada masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang akan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam sistem perdagangan internasional, setiap negara mempunyai mata uangnya masing-masing sebagai alat tukar atau alat pembayaran yang sah, dalam melakukan pembayaran
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPENGANTAR ANALISA RUNTUN WAKTU
DIKTAT KULIAH PENGANTAR ANALISA RUNTUN WAKTU Dr.rer.nat. Dedi Rosadi, M.Sc.Eng.Math. Email: dedirosadi@ugm.ac.id http://dedirosadi.staff.ugm.ac.id Program Studi Statistika Fakultas Matematika dan Ilmu
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 635-643 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL INTEGRATED GENERALIZED
Lebih terperinciPENERAPAN MODEL EGARCH-M DALAM PERAMALAN NILAI HARGA SAHAM DAN PENGUKURAN VALUE AT RISK (VAR)
PENERAPAN MODEL EGARCH-M DALAM PERAMALAN NILAI HARGA SAHAM DAN PENGUKURAN VALUE AT RISK (VAR) Oleh: Julianto (1) Entit Puspita (2) Fitriani Agustina (2) ABSTRAK Dalam melakukan investasi dalam saham, investor
Lebih terperinciMetode Peramalan dengan Menggunakan Model Volatilitas Asymmetric Power ARCH (APARCH)
Metode Peramalan dengan Menggunakan Model Volatilitas Asymmetric Power ARCH (APARCH) (Studi Kasus : Return Kurs Mata Uang Rupiah terhadap Dollar) SKRIPSI Disusun oleh : CINDY WAHYU ELVITRA J2E 009 015
Lebih terperinciPREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
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 terperinciBAB III NONLINEAR GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (N-GARCH)
BAB III NONLINEAR GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (N-GARCH) 3.1 Proses Nonlinear Autoregressive Conditional Heteroskedasticity (N-ARCH) Model Nonlinear Autoregressive Conditional
Lebih terperinciBAB 1 PENDAHULUAN. adalah di bidang ekonometrika. Ekonometrika merupakan bidang ilmu ekonomi yang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Statistika bisa diterapkan di berbagai bidang. Salah satu contoh penerapannya adalah di bidang ekonometrika. Ekonometrika merupakan bidang ilmu ekonomi yang menganalisis
Lebih terperinciImplementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
Lebih terperinciPEMODELAN RETURN PORTOFOLIO SAHAM MENGGUNAKAN METODE GARCH ASIMETRIS. Keywords: Stocks, Portfolio, Return, Volatility, Asymmetric GARCH.
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 51-60 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN RETURN PORTOFOLIO SAHAM MENGGUNAKAN METODE GARCH ASIMETRIS
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 151-160 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI CURAH HUJAN EKSTREM DI KOTA SEMARANG MENGGUNAKAN
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Stasioneritas Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung
Lebih terperinciBab V KESIMPULAN DAN MASALAH TERBUKA
Bab V KESIMPULAN DAN MASALAH TERBUKA Kesimpulan dari penelitian ini diperoleh berdasarkan pada pembahasan dalam Bab III dan IV. Kesimpulan ini sebagai jawaban dari permasalahan dan sekaligus hasil yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Indeks harga saham merupakan suatu indikator yang menunjukkan pergerakan harga saham dalam suatu periode, dengan adanya indeks maka dapat diketahui tren yang
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 terperinciSeminar Hasil. Disusun oleh: Inayatus Sholichah. Dosen Pembimbing: Dra. Destri Susilaningrum, M.Si Dr. Suhartono, M.Sc
Seminar Hasil Analisis Volatilitas dan Value at Risk pada Saham Blue Chip dengan Metode ARCH- GARCH. Disusun oleh: Inayatus Sholichah Dosen Pembimbing: Dra. Destri Susilaningrum, M.Si Dr. Suhartono, M.Sc
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura
Lebih terperinciPENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: NURKHOIRIYAH 1205100050 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. 1 Latar
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Clustering Clustering atau analisis cluster adalah proses pengelompokan satu set benda- benda fisik atau abstrak ke dalam kelas objek yang sama (Han, 2006). Baskoro (2010) menyatakan
Lebih terperinciSKRIPSI. Disusun Oleh : OKTAFIANI WIDYA NINGRUM
PERHITUNGAN VALUE AT RISK PADA PORTOFOLIO SAHAM MENGGUNAKANN COPULA (Studi Kasus : Saham-Saham Perusahaan di Indonesia Periode 13 Oktober 2011-12 Oktober 2016) SKRIPSI Disusun Oleh : OKTAFIANI WIDYA NINGRUM
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciPEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) PADA DATA RETURN INDEKS HARGA SAHAM EURO 50
PEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) PADA DATA RETURN INDEKS HARGA SAHAM EURO 50 SKRIPSI Disusun Oleh : REZZY EKO CARAKA 240 102 111 400 85 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka Engle [7] melakukan penelitian mengenai model yang mengatasi efek heteroskedastisitas yaitu model autoregressive conditional heteroskedasticity (ARCH) yang diterapkan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Analisis runtun waktu banyak diterapkan hampir di semua bidang kegiatan, antara lain bidang ekonomi, kesehatan, ilmu pengetahuan alam, dan sebagainya. Ada
Lebih terperinciSuma Suci Sholihah, Heni Kusdarwati, Rahma Fitriani. Jurusan Matematika, F.MIPA, Universitas Brawijaya
PEMODELAN RETURN IHSG PERIODE 15 SEPTEMBER 1998 13 SEPTEMBER 2013 MENGGUNAKAN THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (TGARCH(1,1)) DENGAN DUA THRESHOLD Suma Suci Sholihah,
Lebih terperinciMODEL NON LINIER GARCH (NGARCH) UNTUK MENGESTIMASI NILAI VALUE at RISK (VaR) PADA IHSG
E-Jurnal Matematika Vol. 4 (2), Mei 215, pp. 59-66 ISSN: 233-1751 MODEL NON LINIER (N) UNTUK MENGESTIMASI NILAI VALUE at RISK (VaR) PADA IHSG I Komang Try Bayu Mahendra 1, Komang Dharmawan 2, Ni Ketut
Lebih terperinciPERBANDINGAN AKURASI MODEL ARCH DAN GARCH PADA PERAMALAN HARGA SAHAM BERBANTUAN MATLAB Sunarti, Scolastika Mariani, Sugiman
g UJM 5 (1) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN AKURASI MODEL ARCH DAN GARCH PADA PERAMALAN HARGA SAHAM BERBANTUAN MATLAB Sunarti, Scolastika Mariani,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Esti Pertiwi, 2013
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan salah satu kebutuhan yang sangat penting bagi kehidupan manusia, terutama sebagai salah satu faktor dalam pengambilan keputusan. Peramalan biasanya
Lebih terperinciModel Hibrida ARIMA dan Fuzzy Time Series Markov Chain
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciPrediksi Pemakaian Listrik Menggunakan Jaringan Syaraf Tiruan dan ARIMA Di Wilayah Sulluttenggo
Prediksi Pemakaian Listrik Menggunakan Jaringan Syaraf Tiruan dan ARIMA Di Wilayah Sulluttenggo Silviani E Rumagit 1 dan Azhari 2 1 Mahasiswa Program Pascasarjana Ilmu Komputer, FMIPA, UGM, Yogyakarta.
Lebih terperinciPERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ISSN : 1978-6603 PERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Sarjon Defit Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang, Sumatera Barat Telp.
Lebih terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam statistika dan pemrosesan sinyal, runtun waktu (time series) adalah rangkaian data berupa pengamatan yang diukur selama kurun waktu tertentu. Analisis
Lebih terperinciT 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
Lebih terperinciBab I PENDAHULUAN 1.1 Latar Belakang Masalah
Bab I PENDAHULUAN 1.1 Latar Belakang Masalah Teori wavelet merupakan salah satu perkembangan yang relatif baru dalam bidang matematika. Teori wavelet merupakan suatu teori yang sangat potensial untuk digunakan
Lebih terperinciBAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-24 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 20, Halaman 74-74 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih terperinciPENENTUAN VALUE AT RISK SAHAM KIMIA FARMA PUSAT MELALUI PENDEKATAN DISTRIBUSI PARETO TERAMPAT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 453-462 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN VALUE AT RISK SAHAM KIMIA FARMA PUSAT MELALUI PENDEKATAN
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4B3 SOFT COMPUTING Disusun oleh: Syahrul Mubarok PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Pembelajaran
Lebih terperinciBAB I PENDAHULUAN. Uang adalah alat pembayaran dalam transaksi jual beli barang atau jasa. Pada
BAB I PENDAHULUAN A. Latar Belakang Uang adalah alat pembayaran dalam transaksi jual beli barang atau jasa. Pada dasarnya ada dua jenis uang yang beredar di masyarakat, yaitu uang kartal dan uang giral.
Lebih terperinciTEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari Indonesia Tbk)
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 71 78. TEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA
PEMODELAN NILAI EKSPOR DI INDONESIA DENGAN PENDEKATAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH) SKRIPSI BAGUS HADI PRASTYA PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS
Lebih terperinciBAB I. Pendahuluan. 1.1 Latar Belakang masalah. Pasar modal merupakan tempat kegiatan perusahaan mencari dana untuk
1 BAB I Pendahuluan 1.1 Latar Belakang masalah Pasar modal merupakan tempat kegiatan perusahaan mencari dana untuk membiayai kegiatan usahanya. Selain itu, pasar modal juga merupakan suatu usaha penghimpunan
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 terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciPEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY
PEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY SKRIPSI Disusun Oleh: OMY WAHYUDI 24010210110006 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 655-662 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR HARGA MINYAK
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR HARGA MINYAK oleh APRILIA AYU WIDHIARTI M0111010 SKRIPSI ditulis dan diajukan
Lebih terperinci