MEAN SQUARE DEVIATION PROBABILITY. Abstrak. Kata kunci: markov switching, smoothed probability, mean square deviation probability
|
|
- Doddy Hadiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MEA SQUARE DEVIAIO PROBABILIY MUHAMMAD FAJAR Abstrak Dalam penelitian ini, penulis mengusulkan ukuran kebaikan model markov switching (new criteria for markov switching model) yang mengakomodir nilai probabilitas yang dihasilkan model tersebut. Ukuran yang dimaksud adalah mean square deviation probability (MSDP), didalamnya menggunakan smoothed probability yang dihasilkan dari model markov switching. Kata kunci: markov switching, smoothed probability, mean square deviation probability I. PEDAHULUA AIC adalah salah satu ukuran relatif kebaikan fit dari model statistik. Ukuran tersebut pertama kali diterbitkan oleh Akaike pada tahun Hal ini didasarkan pada konsep entropi informasi, pada dasarnya menawarkan ukuran relatif dari informasi yang hilang ketika sebuah model yang diberikan digunakan untuk menggambarkan realitas dan mempertimbangkan banyaknya parameter dalam model. Pada perumusan AIC mengakomodir jumlah residual kuadrat (yang merupakan perbedaan dari nilai aktual observasi dengan fitted value-nya yang dihasilkan model pada umumnya. Khusus model markov switching bukan hanya melibatkan nilai aktual yang bersifat observable dalam proses estimasi, tetapi juga melibatkan probabilitas yang bersifat hidden. Sehingga model markov switching bukan hanya menghasilkan fitted value tetapi juga menghasilkan estimasi nilai probabilitas, yakni matriks transisi, filtered dan smoothed probability. Oleh karena itu, dalam penelitian ini, penulis mengusulkan suatu ukuran kebaikan model untuk model markov switching yang mengakomodir nilai probabilitas sebagai bagian dari parameter model markov switching. II. KAJIA PUSAKA 2.1 Markov Switching Model Andaikan variabel acak yang ingin diteliti adalah y t dan mengikuti sebuah proses yang tergantung pada nilai dari rezim s t yang bersifat diskrit dan tidak teramati. Diasumsikan terdapat rezim, suatu kondisi berada pada rezim n di periode t ketika s t = n, untuk n = 1,,. Model switching mengasumsikan terdapat perbedaan model regresi pada setiap rezim. Diberikan regresor X t dan Z t, conditional mean dari y t pada rezim n diasumsikan model linier: μ t (n) = X t β n + Z t δ (1) dengan β n dan δ masing-masing sebanyak k X dan k Z vektor koefisien. Koefisien β n untuk X t yang diberi indeks rezim n dan koefisien δ untuk Z t adalah invariant rezim. Kemudian diasumsikan bahwa eror dari regresi mengikuti distribusi normal dengan varians bergantung pada rezim, berikut pemodelannya: y t = μ t (n) + σ(n)ε t (2) dengan s t = n, ε t (eror) i.i.d berdistribusi normal, σ adalah standar deviasi dari eror pada rezim n, σ(n) = σ n. Fungsi likelihood atas persamaan (2) berikut pada periode t: L t (β, δ, σ, γ) = 1 σ n n=1 φ ( y t μ t (n) σ n ) P(s t = n I t 1, γ) (3)
2 dengan β = (β 1,, β ), σ = (σ 1,, σ ), γ adalah parameter yang menentukan probabilitas rezim, φ(. ) Fungsi densitas normal standar, I t 1 adalah set informasi pada periode t 1. Dalam kasus sederhana γ merupakan probabilitas rezim. Dari persamaan (3) dapat dibentuk full loglikelihood sebagai berikut: l(β, δ, σ, γ) = log ( 1 σ n t=1 n=1 φ ( y t μ t (n) ) P(s σ t = n I t 1, γ)) n (4) dalam proses estimasi persamaan (4) dimaksimumkan terhadap (β, δ, σ, γ). Dalam kasus sederhana, probabilitas bernilai konstan. Lebih umum, asumsi probabilitas bergerak (varying probabilities) bahwa p n adalah sebuah fungsi dari vektor variabel eksogen G t 1 dan koefisien γ diparameterisasi menggunakan spesifikasi logit multinomial P(s t = n I t 1, γ) = p n (G t 1, γ) = exp(g t 1 γ n ) (5) exp(g t 1 γ n ) untuk γ = (γ 1 γ 2 γ n ) dengan mengidentifikasi normalisasi γ n = 0. Pada kasus khusus probabilitas dianggap konstan dengan asumsi G t 1 = 1. Kemudian masukkan persamaan (5) ke persamaan (4) menjadi: l(β, δ, σ, γ) = log ( 1 σ n t=1 n=1 φ ( y t μ t (n) ) p σ n (G t 1, γ)) n (6) Untuk proses estimasi parameter, maka persamaan (6) dimaksimukan terhadap (β, δ, σ, γ) dengan menggunakan iterasi karena beberapa parameter tidak teramati (laten) Filtering Persamaan (6) tergantung pada one-step ahead probability pada sebuah rezim P(s t = n I t 1, γ). Perhatikan, bahwa pengamatan nilai variabel dependen dalam periode yang diberikan memberikan informasi tambahan tentang efek rezim yang masuk. Informasi tersebut digunakan untuk memperbaharui (updating) estimasi probabilitas rezim. Proses estimasi probablitias rezim yang diperbaharui secara iterasi disebut filtering. Dengan menggunakan teorema Bayes dan probabilitas bersyarat, maka filtered probability dirumuskan sebagai berikut: P(s t = n I t ) = P(s t = n y t, I t 1 ) = f(y t s t = n, I t 1 )P(s t = n I t 1 ) f(y t I t 1 ) (7) Sisi kanan persamaan (7) berhubungan dengan persamaan (5) sehingga: Markov Chain 1 φ ( y t μ t (n) ) p σ P(s t = n I t ) = n σ(n) n (G t 1, γ) 1 φ ( y t μ t (j) ) p σ j σ(j) j (G t 1, γ) (8) Asumsi Markov first order adalah probabilitas bahwa s t = j tergantung dari dari masa lalu s t 1, dapat dituliskan: p(s t = j s t 1 = i, s t 2 = h, ) = p(s t = j s t 1 = i) = p ij (t) (9) Probabilitas pada persamaan (9) diasumsikan time invariant sehingga p ij (t) = p ij untuk semua t. Berdasarkan banyaknya rezim dan asumsi markov tersebut dapat dibentuk matriks transisi:
3 p 11 (t) p 1 (t) p(t) = ( ) p 1 (t) p (t) dengan p ij merepresentasikan bahwa probabilitas transisi bergerak dari rezim i pada periode t 1 ke rezim j pada periode t. Dengan mendefinisikan setiap baris ke-i pada matriks: p ij (G t 1, γ i ) = exp(g t 1 γ ij ) exp(g t 1 γ is ) s=1 (10) Untuk j = 1,, dan i = 1,, dengan normalisasi γ i = 0. Umumnya, model markov switching dispesifikasikan adalah probabilitas konstan, jadi G t 1 hanya mengandung konstanta (tetap). Akibat properti Markov dari probabilitas transisi harus dievaluasi secara rekursif. Secara singkat, setiap rekursi langkah dimulai dengan tahapan filtering pada probabilitas untuk periode sebelumnya. Diberikan filtered probability, P(s t 1 = n I t 1 ), proses rekursi dapat dijelaskan ke dalam empat langkah: 1. Pertama bentuklah prediksi one step ahead dari probabilitas rezim menggunakan rumus dasar probabilitas dan matriks probabilitas transisi: P(s t = n I t 1 ) = P(s t = n s t 1 = j)p(s t 1 = j I t 1 ) = p jm (G t 1, γ j )P(s t 1 = j I t 1 ) (11) 2. Selanjutnya, gunakan probabilitas one-step ahead dari sebelumnya ke bentuk densitas gabungan one-step ahead dari data dan rezim pada periode t: f(x t, s t = n I t 1 ) = 1 φ ( y t μ t (n) ) P(s σ n σ(n) t = n I t 1 ) (12) 3. Kontribusi likelihood untuk periode t ditentukan dengan penjumlahan joint probability diantara rezim tidak teramati untuk mendapatkan distribusi marginal data teramati L t (β, δ, σ, γ) = f(y t I t 1 ) = f(y t, s t = j I t 1 ) (13) 4. Langkah akhir untuk untuk mendapatkan filtered probability dengan menggunakan persamaan (12) untuk memperbaharui prediksi one-step dari probabilitas: P(s t = n I t 1 ) = f(x t, s t = n I t 1 ) f(x t, s t = j I t 1 ) (14) Langkah-langkah tersebut diulangi untuk setiap periode, t = 1,,. Karena proses iterasi untuk estimasi pada markov switching membutuhkan inisial filtered probability, P(s 0 = n I 0 ), atau alternatif dengan inisial probabilitas rezim one-step ahead P(s 1 = n I 0 ). otal likelihood diperoleh dengan menjumlahkan persamaan (13), kemudian untuk mendapatkan estimasi dari parameter dengan memaksimumkan fungsi total likelihood terhadap (β, δ, σ, γ) dengan proses iterasi.
4 2.1.3 Smoothing Estimasi probabilitas rezim bisa ditingkatkan dengan menggunakan semua informasi pada sampel. Dalam proses smoothing, estimasi probabilitas rezim pada periode t menggunakan himpunan informasi pada periode final, I, hal ini berbeda pada tahap filtering yang menggunakan informasi pada titik waktu tersebut (contemporaneous information) I t. Secara intuisi, penggunaan informasi tentang realisasi masa depan dari variabel dependen y s (s > t) dapat meningkatkan akurasi estimasi dalam rezim n pada periode t karena matriks probabilitas transisi berhubungan secara serempak pada fungsi likelihood pada periode yang berbeda-beda. Kim (1994) menunjukkan bahwa: P(s t = i, s t+1 = j I ) = P(s t = i s t+1 = j, I )P(s t+1 = j I ) (15) = P(s t = i, s t+1 = j I t ) P(s P(s t+1 = j I t ) t = j I ) (16) Persamaaan (15) bergerak ke persamaan (16) menunjukkan bahwa jika s t+1 diketahui, maka tidak terdapat informasi tambahan tentang s t pada y t+1,, y. Smoothed probability, P(s t = i I ), pada periode t ditentukan dengan memarjinalisasi joint probability terhadap s t+1 : P(s t = i I ) = P(s t = i, s t+1 = j I ) (17) Semua komponen pada sisi kanan persamaan (15) ditentukan sebagai bagian dari tahap filtering. Diberikan himpunan filtered probability, dengan memberikan inisial pada smoothed probability menggunakan P(s = j I ) dan iterasi penghitungan persamaan (16) dan (17) untuk t = 1,,1 sehingga mendapatkan smoothed probability. Dalam proses iterasi komputasi diperlukan inisialisasi pada filtered probability pada periode 0, P(s 0 = n I 0 ). Proses estimasi parameter dalam model markov switching diawali pemberian initial value sebagai nilai awal parameter, kemudian proses selanjutnya adalah tahap filtering, lalu tahap smoothing. Proses iterasi berakhir ketika semua nilai estimasi untuk parameter mencapai kestabilan. III. PEMBAHASA Model markov switching bukan hanya melibatkan nilai aktual yang bersifat observable dalam proses estimasi, tetapi juga melibatkan probabilitas yang bersifat hidden. Sehingga model markov switching bukan hanya menghasilkan fitted value tetapi juga menghasilkan estimasi nilai probabilitas, yakni matriks transisi, filtered dan smoothed probability. Khusus smoothed probability, berguna untuk penanggalan siklus bisnis (Petturson, 2000), maksudnya periodisasi rezim pada siklus bisnis (misalkan dari titik waktu 1996 Q1 sampai 2000 Q2 adalah periode rezim resesi, dan 2000 Q3 sampai 2015 Q2 adalah periode rezim ekspansi). Jika didalam suatu penelitian menetapkan dua rezim, yaitu resesi dan ekspansi sehingga smoothed probability bersifat mirroring, misalnya ketika pada titik waktu tertentu memiliki nilai smoothed probability resesi sebesar 0.2, maka smoothed probability ekspansi sebesar 0.8 dan karena smoothed probability resesi kurang dari 0.5 (apabila nilai smoothed probability resesi kurang dari 0.5 (Hamilton, 1989), maka titik waktu tersebut termasuk dalam periode ekspansi. Kemudian apabila nilai smoothed probability resesi lebih dari atau sama dengan 0.5, maka titik waktu tersebut termasuk dalam periode rezim resesi. Sehingga atas dasar itu dapat dicocokkan antara smoothed probability pada titik waktu dengan realitas rezim yang terjadi pada titik waktu yang sama. Contoh pada kasus Indonesia, misalkan smoothed probability resesi yang dihasilkan suatu model markov switching pada tahun 1998 Q Q1 berturut-turut adalah 0.99, 0.98, 0.97, dan 0.96 dan pada periode tersebut termasuk dalam masa krisis ekonomi Indonesia sehingga probabilitas resesi pada periode 1998 Q Q1 pada tiap kuartalnya adalah 1 (nilai probabilitas sebesar 1 menyatakan peristiwa rezim resesi telah terjadi). Atas dasar itulah, penulis
5 mengusulkan ukuran yang mengakomodir aspek probabilitas dari model markov switching yang disebut mean squared deviation probability (MSDP). Dalam perumusannya, MSDP memasukkan unsur perbedaan nilai probabilitas antara smoothed probability rezim tertentu dengan realitas rezim yang terjadi pada titik waktu, dimana perumusannya berdasarkan analogi penghitungan mean squared error (MSE), berikut perumusan MSE: MSE = 1 ( t t) 2 dengan: t : nilai aktual; t: nilai prediksi. Maka MSDP yang mengakomodir sisi probabilitas dirumuskan sebagai berikut: t=1 MSDP = 1 (R t P(s t = i I )) 2 (18) (19) dengan: R t : probabilitas bernilai 1 jika titik waktu tersebut termasuk dalam rezim resesi dan bernilai 0 untuk lainnya (dalam analogi MSE, R t adalah nilai aktual). p(s t = 1 x ; ς): smoothed probability resesi pada titik waktu t (dalam analogi MSE, P(s t = i I ) adalah nilai prediksi) yang dihasilkan persamaan (82) pada saat iterasi sudah konvergen. Berdasarkan persamaan (19) merupakan MSDP untuk model markov switching tanpa adanya autoregressive. amun, jika persamaan (19) diterapkan untuk penentuan order pada model markov switching autoregressive, maka: MSDP (d) = 1 d (R t P(s t = i I )) 2 (20) dengan d: order dari model markov switching autoregressive. Model markov switching autoregressive order (d) terbaik dipilih dari beberapa kandidat model berdasarkan model yang menghasilkan MSDP minimum: min d ( 1 d (R t P(s t = i I )) 2 ) (21) Perbedaan MSDP pada persamaan (19) dan (20) dengan P (turning point) oleh Hamilton dan Quiroz (1996) adalah jika P menggunakan filtered probability dan MSDP menggunakan smoothed probability. IV. APLIKASI Sebagai contoh penerapan MSDP, penulis menggunakan data penelitian Hamilton (1994) yang digunakan untuk memodelkan siklus bisnis dengan salah satu model markov switching autoregressives, yaitu MSM (markov switching in mean)-ar(4), yaitu pertumbuhan PB riil periode 1951 Q Q4, dimana MSM-AR (d) dirumuskan sebagai berikut: (g t ε st ) = ρ 1 (g t 1 ε st 1 ) + + ρ d (g t d ε st d ) + ι t dengan: g t : pertumbuhan PB riil, ρ d : koefisien autoregressive pada order d, ε st : mean pertumbuhan PB riil pada rezim s, dan ι t : random eror. Penulis juga akan mengestimasi MSM-AR (1), MSM-AR (2), MSM-AR (3), MSM-AR (4). Lalu penulis meninjau AIC dan MSDP dari setiap model, tetapi tidak dijelaskan secara gamblang Hamilton (1989) memilih model MSM-AR (4). amun penulis menduga bahwa alasan menggunakan model MSM-AR (4) karena data yang digunakan adalah data dengan level waktu kuartal. Kemudian tabel 3.1 menyajikan periode resesi USA yang dikeluarkan resmi oleh BER, sehingga penulis dapat menghitung MSDP dari setiap model berdasarkan persamaan (21) dan tabel 3.2 menyajikan hasil estimasi MSM-AR (1), MSM-AR (2), MSM-AR (3), dan MSM-AR (4).
6 abel 3.1 Periode Resesi USA, 1951 Q Q4 Periode Rezim Periode Rezim Keterangan 1953 Q Q2 Resesi 1973 Q Q1 Resesi 1957 Q Q2 Resesi 1980 Q Q3 Resesi 1960 Q Q1 Resesi 1981 Q Q4 Resesi 1969 Q Q4 Resesi Sumber: BER Probabilitas Resesi pada tiap titik waktu dalam periode resesi bernilai 1 abel 3.2 Hasil Estimasi MSM-AR Berdasarkan Data Penelitian Hamilton (1989) MSM-AR(1) MSM-AR(2) MSM-AR(3) MSM-AR(4) ε [0.0000] [0.5193] [0.0000] [0.0000] ε [0.0000] [0.0000] [0.2727] [0.1905] ρ [0.0719] [0.0004] [0.1911] [0.9136] ρ [0.3588] [0.5396] [0.6868] ρ [0.2011] [0.0258] ρ [0.0630] AIC MSDP sumber: pengolahan penulis, menggunakan Eviews 9.5 versi Demo, [. ] menyatakan p-value. Berdasarkan tabel 3.2, diketahui bahwa MSM-AR(1) memiliki nilai AIC paling rendah diantara model lainnya, yaitu tetapi MSM-AR (1) memiliki MSDP paling tinggi diantara model lainnya yaitu Sedangkan MSDP paling rendah yakni dimiliki MSM-AR (4). ilai berarti perbedaan smoothed probability rezim resesi dengan realitas resesi yang terjadi sangat kecil dan berimplikasi kepada periodisasi rezim yang makin mendekati kenyataan periode yang terjadi. Contoh di atas juga menunjukkan bahwa belum tentu model markov switching yang memiliki AIC minimum memberikan akurasi prediksi periodisasi rezim resesi (atau rezim lainnya) dalam siklus bisnis yang baik, ini diindikasikan dari MSDP yang besar dibandingkan model lainnya yang memiliki MSDP lebih rendah tetapi memiliki AIC yang lebih besar. Untuk contoh selanjutnya, penulis menggunakan kurs tengah rupiah terhadap dollar USA periode 1985 Q1 sampai dengan 2010 Q1, dimana 1985 Q Q2 sebagai rezim mengambang terkendali dan 1997 Q3 sampai 2010 Q1 didefinisikan sebagai rezim sistem nilai tukar mengambang bebas. Penulis mengajukan model MSM-AR (2), MSM-AR (3), MSM-AR (4) sebagai kandidat model. abel 3.3 Hasil Estimasi MSM-AR Berdasarkan Data Kurs engah Rupiah erhadap US Dollar 1985 Q Q1 MSM-AR(2) MSM-AR(3) MSM-AR(4) ε [0.000] [0.0000] [0.0000] ε [0.000] [0.000] [0.000] ρ [0.113] [0.000] [0.000] ρ [0.000] [0.258] [0.143] ρ [0.616] [0.056] ρ [0.001] AIC MSDP sumber: pengolahan penulis, menggunakan Eviews 9.5 versi Demo, [. ] menyatakan p-value.
7 abel 3.3 menyajikan hasil estimasi kandidat model MSM-AR (2), MSM-AR (3), dan MSM-AR (4). Berdasarkan tabel 3.4 AIC minimum dimiliki model MSM-AR (4), sedangkan MSDP minimum dimiliki model MSM-AR (2) (dimana perbedaan MSDP dari kandidat model sangat kecil). Pada kasus ini menunjukkan juga bahwa model yang memiliki AIC minimum belum tentu memiliki MSDP minimum. Penggunaan MSDP dan AIC tergantung tujuan penelitian apakah untuk mengidentifikasi periodisasi rezim atau peramalan nilai. Jika penelitian bertujuan untuk mengidentifikasi periodisasi rezim, maka gunakan MSDP, dan jika penelitian bukan bertujuan untuk periodisasi rezim, maka gunakan AIC atau sejenisnya. V. KESIMPULA DA SARA 5.1 Kesimpulan Bahwa salah ukuran untuk memilih model markov switching terbaik yang mengakomodir nilai probabilitas rezim adalah mean square deviation probability (MSDP) yang analogi dengan MSE, berikut perumusan MSDP dari model markov switching: MSDP = 1 (R t P(s t = i I )) 2 Sedangkan untuk MSDP dari model markov switching autoregressive order d adalah: 5.2 Saran MSDP (d) = 1 d (R t P(s t = i I )) 2 MSDP menjadi kredibel diterapkan di Indonesia pada fenomena siklus bisnis, jika otoritas ekonomi Indonesia membuat pengumuman resmi perihal keadaan resesi dan ekspansi perekonomian. Kemudian perlu dikaji properti MSDP dan perbedaan properti antara P dengan MSDP. REFERESI Akaike, H A ew Look at the Statistical Model Identification. IEEE. ransaction on Automatic Control, AC-19, Goodwin,.H Business Cycle Analysis with a Markov switching Model. Journal of Business & Economic Statistics 11 o. 3: Hamilton, J.D ime series Analysis. Princeton, Princeton University Press. Hamilton, J.D A ew Approach to the Economic Analysis of onstationary time series and the business cycle. Econometrica 57: Hamilton, J. D Analysis of ime Series Subject to Changes in Regime. Journal of Econometrics 45: Hamilton, J. D., dan Quiroz, G.P What Do the Leading Indicators Lead?. he Journal of Business, Vol.69, o.1, pp
8 Hamilton, J. D Regime-Switching Models (prepared for: Palgrave Dictionary of Economics). Melalui [19/08/16]. Kim, C.J Dynamic Linear Models with Markov-Switching. Journal of Econometrics 60(1): Kim, C. J. dan Charles R State-Space Models with Regime Switching. Cambridge, he MI Press. Petturson,. G Business Cycle Forecasting and Regime Switching. Central Bank of Iceland Working Paper no.7. BER. (2016). US Business Cyce Expansion and Contractions. /cycles/cyclemain.html. Diakses pada tanggal 2 Desember 2016.
UKURAN KEBAIKAN MODEL BERDASARKAN DEVIASI PERIODE UNTUK MODEL MARKOV SWITCHING. Muhammad Fajar Staf Seksi Statistik Sosial BPS Kab. Waropen.
UKURA KEBAIKA MODEL BERDASARKA DEVIASI PERIODE UTUK MODEL MARKOV SWITCHIG Muhammad Fajar Staf Seksi Statistik Sosial BPS Kab. Waropen Abstrak Dalam penelitian ini, penulis mengusulkan ukuran kebaikan model
Lebih terperinciMODEL LAJU PERUBAHAN NILAI TUKAR RUPIAH (IDR) TERHADAP POUNDSTERLING (GBP) DENGAN METODE MARKOV SWITCHING AUTOREGRESSIVE (MSAR)
Jurnal Matematika UNAND Vol. 5 No. 3 Hal. 56 64 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL LAJU PERUBAHAN NILAI TUKAR RUPIAH (IDR) TERHADAP POUNDSTERLING (GBP) DENGAN METODE MARKOV SWITCHING
Lebih terperinciAnis Nur Aini, Sugiyanto, dan Siswanto Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta
MENDETEKSI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR SIMPANAN BANK, NILAI TUKAR RIIL, DAN NILAI TUKAR PERDAGANGAN Anis Nur Aini, Sugiyanto,
Lebih terperinciBAB III MARKOV SWITCHING AUTOREGRESSIVE (MSAR)
25 BAB III (MSAR) 3.1 Model Markov Switching Autoregressive Model runtun waktu Markov Switching Autoregressive adalah salah satu model runtun waktu yang merupakan perluasan dari model Autoregressive (AR).Ide
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciPEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 103-111 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA Vivi Rizky Aristina Suwardi, Sugiyanto, dan Supriyadi
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR IMPOR DAN EKSPOR MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR IMPOR DAN EKSPOR MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING Sisca Rahma Dwi, Sugiyanto, dan Yuliana Susanti Program Studi
Lebih terperinciPEMODELAN MARKOV SWITCHING AUTOREGRESSIVE
ISSN: 23392541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 381 390 Online di: http://ejournals1.undip.ac.id/index.php/gaussian PEMODELAN MARKOV SWITCHING AUTOREGRESSIVE Fiqria Devi Ariyani
Lebih terperinciPEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY
PEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY SKRIPSI Disusun oleh: ANGGITA PURI SAVITRI 24010212140037 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciAUTOREGRESSIVE (MSVAR) SKRIPSI
PEMODELAN MARKOV SWITCHING VECTOR AUTOREGRESSIVE (MSVAR) SKRIPSI Disusun Oleh: HAYUK PERMATASARI 24010210130066 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG 2014 PEMODELAN
Lebih terperinciPEMODELAN MARKOV SWITCHING VECTOR AUTOREGRESSIVE (MSVAR) Hayuk Permatasari, Budi Warsito 2, Sugito 3
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 421-430 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN MARKOV SWITCHING VECTOR AUTOREGRESSIVE (MSVAR) Hayuk
Lebih terperinciPENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN (Studi Kasus Pada Indikator Selisih Suku Bunga Pinjaman
Lebih terperinciBAB III KALMAN FILTER DISKRIT. Kalman Filter adalah rangkaian teknik perhitungan matematika (algoritma)
BAB III KALMAN FILTER DISKRIT 3.1 Pendahuluan Kalman Filter adalah rangkaian teknik perhitungan matematika (algoritma) yang memberikan perhitungan efisien dalam mengestimasi state proses, yaitu dengan
Lebih terperinciMeganisa Setianingrum, Sugiyanto, Etik Zukhronah Prodi Matematika Fakultas Matematika dan Ilmu pengetahuan Alam Universitas Sebelas Maret Surakarta
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR OUTPUT RIIL, KREDIT DOMESTIK PER PDB, DAN IHSG Meganisa Setianingrum, Sugiyanto,
Lebih terperinciPEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 603-610 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY
Lebih terperinciPERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH
PERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Oleh RETNO HESTININGTYAS M0106061 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih terperinciPENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING
PENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING DALAM PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR M1, M2 PER CADANGAN DEVISA, DAN M2 MULTIPLIER Esteti Sophia Pratiwi,
Lebih terperinciRatri Oktaviani, Sugiyanto, dan Yuliana Susanti Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
HUBUNGAN KONDISI INDIKATOR NILAI TUKAR RIIL DAN IHSG DALAM MENDETEKSI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING Ratri Oktaviani, Sugiyanto, dan Yuliana Susanti
Lebih terperinciPEMODELAN MARKOV SWITCHING AUTOREGRESSIVE
PEMODELAN MARKOV SWITCHING AUTOREGRESSIVE asa M arga ro) C ng Semara SKRIPSI Oleh : FIQRIA DEVI ARIYANI 24010210120021 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO 2014 PEMODELAN
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 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 3 SMOOTH TRANSITON AUTOREGRESSIVE. waktu nonlinear yang merupakan perluasan dari model Autoregressive (AR).
BAB 3 SMOOTH TRANSITON AUTOREGRESSIVE 3.1. Model Smooth Transition Autoregressive Model Smooth Transition Autoregressive adalah salah satu model runtun waktu nonlinear yang merupakan perluasan dari model
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
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 IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah
BAB IV PEMBAHASAN 4.1 Deskripsi Data Gambar 4.1 memperlihatkan bahwa data berfluktuasi dari waktu ke waktu. Hal ini mengindikasikan bahwa data tidak stasioner baik dalam rata-rata maupun variansi. Gambar
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciBAB I PENDAHULUAN. atau memprediksi nilai suatu perolehan data di masa yang akan datang
BAB I PENDAHULUAN 1.1 Latar Belakang Time Series atau deret waktu merupakan barisan suatu nilai pengamatan yang diukur dalam rentang waktu tertentu dalam interval waktu yang sama. Analisis data deret waktu
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciBAB III THRESHOLD AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICTY (TARCH) Proses TARCH merupakan modifikasi dari model ARCH dan GARCH.
BAB III THRESHOLD AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICTY (TARCH) 3.1. Model TARCH Proses TARCH merupakan modifikasi dari model ARCH dan GARCH. Pada proses ini nilai residu yang lebih kecil dari nol
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciMetode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data. Identifikasi model ARCH
6 Metode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data Identifikasi model ARCH Pendugaan parameter dan pemilihan model ARCH/GARCH Uji pengaruh asimetrik
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 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 terperinciJurnal Jilid 7, No. 2, 2017, Hal ISSN
Jurnal LOG!K@, Jilid 7, No. 2, 2017, Hal. 112-121 ISSN 1978 8568 PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN MODEL MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (SWARCH) BERDASARKAN
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih terperinciPERAMALAN NILAI TUKAR RUPIAH TERHADAP USD DAN AUD BERDASARKAN MODEL VAR
PERAMALAN NILAI TUKAR RUPIAH TERHADAP USD DAN AUD BERDASARKAN MODEL VAR Mega Novita 1, Adi Setiawan 2, dan Didit Budi Nugroho 2 1,2 Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen
Lebih terperinciBAB III METODE PENELITIAN. Objek dari penelitian ini adalah perilaku prosiklikalitas perbankan di
BAB III METODE PENELITIAN A. Objek Penelitian Objek dari penelitian ini adalah perilaku prosiklikalitas perbankan di Indonesia pada tahun 2007M01 2016M09. Pemilihan pada periode tahun yang digunakan adalah
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian 4.2 Jenis dan Sumber Data
IV METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Lokasi penelitian tentang risiko harga sayuran di Indonesia mencakup komoditas kentang, kubis, dan tomat dilakukan di Pasar Induk Kramat Jati, yang
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH. Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi semakin sulit untuk diperkirakan. Selama ini, manajer PT. Focus
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 2 LANDASAN TEORI. variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan bagian
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengantar Pada bab ini akan diuraikan beberapa landasan teori untuk menunjang penulisan skripsi ini. Uraian ini terdiri dari beberapa bagian yang akan dipaparkan secara terperinci
Lebih terperinciIII. METODOLOGI PENELITIAN. Modal, Dinas Penanaman Modal Kota Cimahi, Pemerintah Kota Cimahi, BPS Pusat
III. METODOLOGI PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini berupa data tenaga kerja, PDRB riil, inflasi, dan investasi secara berkala yang ada di kota Cimahi.
Lebih terperinciPROSIDING ISBN :
S - 10 APLIKASI METODE FULL INFORMATION MAXIMUM LIKELIHOOD (FIML) PADA PENYELESAIAN SISTEM PERSAMAAN SIMULTAN (Studi Kasus : Data Stok Uang, PDRB, dan Konsumsi Rumah Tangga Di DIY) Eka Septiana 1, Retno
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
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 terperinciBAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION 3.1 Mixed Geographically Weighted Regression Model Mixed Geographically Weighted Regression merupakan model kombinasi atau gabungan antara regresi global
Lebih terperinciBAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU
BAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU 3.1 Model Regresi Cox Proportional Hazard dengan Variabel Terikat oleh Waktu Model regresi Cox proportional hazard
Lebih terperinciSENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU
SENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU Asep Saefuddin, Anang Kurnia dan Sutriyati Departemen Statistika FMIPA IPB Ringkasan Data deret waktu pada bidang keuangan
Lebih terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciBAB IV MODEL HIDDEN MARKOV
BAB IV MODEL HIDDEN MARKOV 4.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang (Ω, F, P). Misalnya X = {X : k N} adalah rantai Markov dengan state berhingga yang bersifat homogen
Lebih terperinciAnalisis Ekonometrika Model Pendapatan Nasional Indonesia dengan Pendekatan Persamaan Sistem Simultan
1 Analisis Ekonometrika Model Pendapatan Nasional Indonesia dengan Pendekatan Persamaan Sistem Simultan Ainul Fatwa Khoiruroh, Setiawan Jurusan Statistika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember
Lebih terperinciTINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen
4 TINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen (1989). Namun demikian sebagian besar penerapannya menggunakan
Lebih terperinciAnalisis Regresi Nonlinear (I)
9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi
Lebih terperinciBAB III METODE PENELITIAN. tercatat secara sistematis dalam bentuk data runtut waktu (time series data). Data
24 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data 3.1.1 Jenis Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder atau kuatitatif. Data kuantitatif ialah data yang diukur dalam
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 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 terperinciPENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN (Studi Kasus pada Indikator Selisih Suku Bunga Pinjaman
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder, time series triwulan dari
34 III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder, time series triwulan dari tahun 2005-2012, yang diperoleh dari data yang dipublikasikan
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 terperinciV. HASIL DAN PEMBAHASAN
44 V. HASIL DAN PEMBAHASAN 5.1 Analisis Integrasi Pasar (keterpaduan pasar) Komoditi Kakao di Pasar Spot Makassar dan Bursa Berjangka NYBOT Analisis integrasi pasar digunakan untuk mengetahui bagaimana
Lebih terperinciBAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR)
BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) 3.1 Regresi Poisson Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data
Lebih terperinciBAB 1 PENDAHULUAN. ii Bagaimana rata-rata atau nilai tengah dibuat oleh Stimulan eksternal.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan matematika dan penerapannya dalam berbagai bidang keilmuan selalu mencari metode baru untuk memudahkan dalam memprediksi dan menaksir
Lebih terperinciESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Abstract
Estimasi Parameter (Mika Asrini) ESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Mika Asrini 1, Winita Sulandari 2, Santoso Budi Wiyono 3 1 Mahasiswa
Lebih terperinciBAB I PENDAHULUAN. Salah satu kegiatan yang dilakukan oleh orang orang saat ini adalah melakukan
BAB I PENDAHULUAN I.1. Latar Belakang Salah satu kegiatan yang dilakukan oleh orang orang saat ini adalah melakukan peralaman (forecasting) akan apa yang terjadi dimasa akan datang dan membuat rencana
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 III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY
BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY 3.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang Ω,,. Misalkan ; adalah rantai Markov dengan state berhingga
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 III GENERALIZED SPACE TIME AUTOREGRESSIVE. Model GSTAR adalah salah satu model yang banyak digunakan untuk
BAB III GENERALIZED SPACE TIME AUTOREGRESSIVE 3.1 Indeks Gini Model GSTAR adalah salah satu model yang banyak digunakan untuk memodelkan dan meramalkan data deret waktu dan lokasi. Model ini merupakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciBAB III METODE DEKOMPOSISI SEASONAL TREND BASED ON LOESS (STL) average sebagai pemulus data untuk mengestimasi komponen musiman dan
BAB III METODE DEKOMPOSISI SEASONAL TREND BASED ON LOESS (STL) 3.1 Pendahuluan Metode dekomposisi klasik menggunakan pendekatan prosedur moving average sebagai pemulus data untuk mengestimasi komponen
Lebih terperinciPENDAHULUAN LANDASAN TEORI
1 PENDAHULUAN Latar Belakang Dalam kehidupan sehari-hari, banyak permasalahan yang dapat dimodelkan dengan proses stokastik. Proses stokastik dapat dibedakan menjadi dua yaitu proses stokastik dengan waktu
Lebih terperinciPRINCIPAL COVARIATE REGRESSION PADA DATA RUNTUN WAKTU
PRINCIPAL COVARIATE REGRESSION PADA DATA RUNTUN WAKTU Nuruma Nurul Malik 1, Fevi Novkaniza 2 Departemen Matematika FMIPA UI, Depok Email korespondensi : fevi.novkaniza@sci.ui.ac.id Abstrak Pada suatu data
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
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 III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
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 terperinciIII. METODE PENELITIAN. tahun 1980 hingga kuartal keempat tahun Tabel 3.1 Variabel, Notasi, dan Sumber Data
III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder berupa data kuartalan. Periode waktu penelitian ini dimulai dari kuartal pertama tahun
Lebih terperinciBAB III. Metode Penelitian. Penelitian ini menggunakan pendekatan kuantitatif yaitu data yang diukur dalam skala
BAB III Metode Penelitian A. Pendekatan Penelitian Penelitian ini menggunakan pendekatan kuantitatif yaitu data yang diukur dalam skala numerik, berdasarkan data time series yang berhubungan dengan inflasi,suku
Lebih terperinciSTUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN ANALISIS VAR
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 16 Mei 2009 STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN
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 terperinciIV METODE PENELITIAN 4.1 Lokasi Penelitian 4.2. Data dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi Penelitian Penelitian mengenai risiko harga dan perilaku penawaran apel dilakukan di PT Kusuma Satria Dinasasri Wisatajaya yang beralamat di Jalan Abdul Gani Atas, Kelurahan
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data time series
40 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data time series sekunder. Data-data tersebut diperoleh dari berbagai sumber, antara lain dari
Lebih terperinciIII.METODE PENELITIAN. Penelitian ini merupakan penelitian kuantitatif, karena penelitian ini
43 III.METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini merupakan penelitian kuantitatif, karena penelitian ini disajikan dengan angka-angka. Hal ini sesuai dengan pendapat Arikunto (2006) yang
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melakukan pembahasan mengenai permasalahan dari skripsi ini, akan diuraikan beberapa teori penunjang antara lain: Kredit Macet, Regresi Logistik, Model Terbaik
Lebih terperinciPREDIKSI PERGERAKAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA SERIKAT MENGGUNAKAN HIDDEN MARKOV MODEL (HMM)
Jurnal LOG!K@, Jilid 6, No 1, 2016, Hal 32-41 ISSN 1978 8568 PREDIKSI PERGERAKAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA SERIKAT MENGGUNAKAN HIDDEN MARKOV MODEL (HMM) Mahmudi dan Ardi Program Studi Matematika,
Lebih terperinciMETODE PENELITIAN. wilayah Kecamatan Karawang Timur dijadikan sebagai kawasan pemukiman dan
IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian ini merupakan studi kasus yang dilakukan di Kecamatan Karawang Timur, Kabupaten Karawang. Pemilihan lokasi tersebut didasarkan atas wilayah
Lebih terperinciBAB III METODE PENELITIAN. transaksi berjalan di Indonesia periode adalah anggaran pemerintah,
BAB III METODE PENELITIAN 3.1 Objek Penelitian Objek dalam penelitian ini adalah menganalisis hubungan antara kebijakan fiskal dan transaksi berjalan tergantung pada rasio utang luar negeri terhadap PDB
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
50 BAB IV HASIL DAN PEMBAHASAN A. Analisis Statisik Deskriptif Statistik deskriptif digunakan untuk melihat gambaran umum data yang telah dikumpulkan dalam penelitian ini. Sebanyak 25 perusahaan yang masuk
Lebih terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
Lebih terperinciBAB III PEMODELAN DATA IHSG DAN LAJU INFLASI INDONESIA MENGGUNAKAN VECTOR AUTOREGRESSIVE WITH EXOGENOUS VARIABLE (VARX)
BAB III PEMODELAN DATA IHSG DAN LAJU INFLASI INDONESIA MENGGUNAKAN VECTOR AUTOREGRESSIVE WITH EXOGENOUS VARIABLE (VARX) 3.1 Model Vector Autoregressive (VAR) Model Vector Autoregressive (VAR) adalah model
Lebih terperinciIV. METODE PENELITIAN
34 IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Lokasi penelitian faktor-faktor yang mempengaruhi harga komoditas kakao dunia tidak ditentukan. Waktu pengumpulan data dilaksanakan pada bulan Februari
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciIII. METODE PENELITIAN
21 III. METODE PENELITIAN 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Desa Babakan Kecamatan Dramaga Kabupaten Bogor. Pemilihan tersebut dengan pertimbangan bahwa wilayah tersebut merupakan
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 IV. Metode dan Model Penelitian
Bab IV Metode dan Model Penelitian 4.1 Spesifikasi Model Sesuai dengan tinjauan literatur, hal yang akan diteliti adalah pengaruh real exchange rate, pertumbuhan ekonomi domestik, pertumbuhan ekonomi Jepang,
Lebih terperinci