PROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA
|
|
- Harjanti Kurnia
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PROSES AUOREGRESSIVE CONDIIONAL HEEROSCEDASICIY DENGAN DUGAAN VARIANSI INFLASI INDONESIA Rianiai Monica, Suyono, dan Vera Maya Sani Jurusan Maemaika FMIPA UNJ Absrak Model-model runun waku konvensional, seperi model-model ARIMA, mengasumsikan bahwa variansi dari gala adalah konsan. Namun, pada kenyaaannya dalam daa keuangan, conohnya daa inflasi, variansi galanya berubah dari waku ke waku. Fenomena ersebu disebu sebagai heeroskedasisias. Model auoregressive condiional heeroscedasiciy (ARCH) seperi yang diperkenalkan oleh Engle (198) mengakomodasikan fenomena ini. Model ARCH adalah model variansi dari suau runun waku. ujuan dari penulisan ini adalah unuk memperkenalkan model auoregressive condiional heeroscedasiciy (ARCH). eori ARCH kemudian diaplikasikan unuk menganalisis daa inflasi Indonesia mulai dari Januari 003 sampai Nopember 015. Daa diperoleh dari sius Bank Indonesia. Kaa kunci: ARIMA, heeroskedasisias, ARCH, inflasi. I. Pendahuluan A. Laar Belakang Auoregresi adalah suau model yang dikembangkan unuk menganalisis daa runun waku (ime series). Pada awalnya model yang biasa digunakan unuk memodelkan suau daa runun waku adalah model ARIMA (Auoregressive Inegraed Moving Average). Model ini mengasumsikan bahwa nilai variansi gala dari daa runun waku adalah konsan (bersifa homokedasisias). Namun pada kenyaaannya, banyak diemukan daa runun waku yang memiliki masalah variansi gala idak konsan, eruama pada daa runun waku finansial, kondisi ini dinamakan heeroskedasisias. Heeroskedasisias disebabkan oleh volailias daa yang inggi, dimana adanya flukuasi yang cukup ajam pada daa di periode waku erenu namun sabil pada periode waku yang lain. Masalah ini menyebabkan model ARIMA idak lagi sesuai digunakan unuk memodelkan pergerakannya, karena melanggar asumsi variansi konsan. Diperlukan suau model baru yang epa unuk mengalisis daa runun waku yang bersifa heeroskedasisias. Salah sau model runun waku yang digunakan unuk daa yang bersifa heeroskedasisias adalah model Auoregressive Condiional Heeroscedasiciy (ARCH) (Engle, 198). Kelebihan penggunaan model ARCH dibandingkan model runun waku yang lain yaiu model ini mampu menduga variansi bersyara melalui daa gala pada model raaan. Sehingga sifa heeroskedasisias pada daa idak lagi menjadi masalah, melainkan dapa menjadi informasi ambahan unuk memperoleh model yang lebih epa. Salah sau conoh daa runun waku yang bersifa heeroskedasisias adalah daa ingka inflasi Indonesia, jadi model ARCH akan lebih epa jika diaplikasikan dalam memodelkan pergerakan variansinya yang idak konsan. B. Perumusan Masalah 1. Bagaimana pembenukan model variansi dari daa runun waku yang bersifa heeroskedasisias?. Bagaimana model variansi ingka inflasi Indonesia? C. Pembaasan Masalah 1. Pembahasan dalam skripsi ini dibaasi pada proses runun waku ARCH(p) dengan orde p hanya sampai orde perama.. Analisis pada ingka inflasi Indonesia hanya sampai pembenukkan model variansinya saja. 43
2 II. Landasan eori A. Runun Waku Suau runun waku (ime series) adalah himpunan observasi beruru yang dikumpulkan menuru uruan waku dalam suau renang waku erenu. Makridakis (1999) mengungkapkan bahwa langkah pening dalam memilih suau meode runun waku yang epa adalah dengan memperimbangkan jenis pola daanya. Pola daa dapa dibedakan menjadi empa, yaiu: 1. Pola Daa Horizonal: erjadi saa daa observasi berflukuasi di sekiar suau nilai konsan aau raaan yang membenuk garis horizonal.. Pola Daa rend: erjadi saa daa observasi mengalami kecenderungan naik aau urun selama periode jangka panjang. 3. Pola Daa Musiman: erjadi saa suau dere daa dipengaruhi oleh fakor musiman. 4. Pola Daa Siklis: erjadi saa dere daa dipengaruhi oleh flukuasi ekonomi jangka panjang seperi yang berhubungan dengan siklus bisnis. B. Proses Sokasik Proses sokasik adalah koleksi peubah acak {Z, ε} yang didefinisikan pada ruang probabilias (Ω, F, P), dimana menunjukkan suau himpunan yang beranggoakan iik-iik waku. Analisis runun waku merupakan realisasi dari proses sokasik. Beberapa sifa-sifa dari proses sokasik anara lain: 1. Nilai raaan dari prosesnya pada keseluruhan waku adalah: μ = E(Z ).. Fungsi auokovariansi anara Z dan Z s adalah: γ,s = Cov(Z, Z s ) = E((Z μ )(Z s μ s )) = E(Z Z s ) μ μ s. 3. Fungsi auokorelasi anara Z dan Z s adalah: ρ,s = Corr(Z, Z s ) = γ,s. γ, γ s,s 4. Fungsi auokorelasi parsial anara Z dan Z s adalah: 1 ρ 1 ρ ρ k ρ 1 ρ 1 1 ρ 1 ρ k 3 ρ ρ k ρ k 1 φ kk = Corr(Z, Z +k Z +1,, Z +k 1 ) = 1 ρ 1 ρ k 1 ρ k ρ 1 1 ρ k ρ k 3 ρ ρ 1 ρ k 3 ρ 1 ρ k ρ k 3 ρ 1 ρ k 1 ρ k 1 C. Sasionerias Sasionerias adalah asumsi umum yang digunakan dalam koneks runun waku. Ada jenis sasioner, yaiu: 1. Sasioner lemah, yaiu jika raaan dan variansi dari proses ersebu konsan.. Sasioner kua, yaiu jika fungsi disribusi kumulaif dari (Z 1, Z,, Z n ) sama dengan fungsi disribusi kumulaif dari (Z 1 k, Z k,, Z n k). D. Proses Whie Noise Proses whie noise adalah barisan peubah acak {a } yang independen dan berdisribusi normal dengan raaan konsan E(a ) = 0 dan variansi konsan Var(a ) = σ a. Proses whie noise memiliki fungsi auokovariansi: Cov(a, a k ) = { σ a, k = 0 0, k 0.dan fungsi auokorelasi: 1, k = 0 Corr(a, a k ) = { 0, k 0 44
3 E. Maximum Likelihood Esimaor (MLE) Misalkan X 1, X,, X n adalah peubah acak dengan fungsi peluang masing-masing f(x i ), i = 1,,, n. Maka langkah-langkah unuk menenukan penduga parameer dalam model dengan meode maximum likelihood adalah sebagai beriku: n i=1. 1. enukan fungsi likelihood: L(θ) = f(x 1, x,, x n ) = f(x i ). enukan fungsi log-likelihood: l = ln (L(θ)). 3. enukan urunan perama dari fungsi log-likelihood erhadap parameer θ. Maka penyelesaian dari persamaan ini merupakan esimaor maksimum likelihood unuk θ. F. Proses Auoregressive Dalam model runun waku auoregressive (AR), sebuah observasi (Z ) berkaian langsung dengan observasi-observasi sebelumnya (Z 1, Z,, Z p ). Benuk umum suau proses auoregressive dengan orde p adalah: Z = 1 Z 1 + Z + + p Z p + ε dimana ε ~N(0, σ ) dan ε idak berkorelasi dengan Z 1,, Z p. Grafik ACF dari AR(p) memiliki ciri-ciri menurun secara eksponensial menuju nol, sedangkan grafik PACF dari AR(p) mengalami cu off seelah lag ke-p. G. Proses Moving Average Dalam model runun waku moving avegare (MA), nilai sekarang suau proses dinyaakan sebagai jumlah erimbang nilai gala saa ini dan masa lalu sampai q sauan waku ke belakang. Benuk umum suau proses moving average dengan orde q adalah: Z = ε θ 1 ε 1 θ ε θ p ε q dimana ε ~N(0, σ ). Grafik ACF dari MA(q) memiliki ciri-ciri mengalami cu off seelah lag ke-q, sedangkan grafik PACF dari MA(q) menurun secara eksponensial menuju nol. H. Proses Auoregressive Moving Average Proses auoregressive moving average (ARMA) adalah gabungan dari proses auoregressive dan proses moving average. Proses {Z } dikaakan mengikui proses ARMA (p,q), jika memenuhi: Z = 1 Z p Z p + ε θ 1 ε 1 θ p ε q dimana ε adalah proses whie noise yang berdisribusi normal dengan raaan nol dan variansi σ ε. Raaan ak bersyara dari proses ARMA(p,q) adalah sama dengan nol. Sedangkan raaan bersyara dari proses ARMA(p,q) adalah 1 Z p Z p θ 1 ε 1 θ p ε q. Dan variansi bersyaranya sama dengan σ ε. Plo ACF dan PACF ARMA(p,q) memiliki ciri-ciri menurun secara eksponensial menuju nol, I. Esimasi Model ARMA(0,1) aau MA(1) Model dari runun waku {Z } yang mengikui proses MA(1) adalah sebagai beriku: Z = ε θ 1 ε 1 dimana ε adalah proses whie noise. Parameer dalam model MA(1) dapa diduga dengan menggunakan meode maximum likelihood. Di bawah asumsi normalias dan dengan diberikan asumsi ambahan ε 0 = 0, fungsi likelihood dari proses MA(1) adalah: L = f(z 1,, Z ε 0 = 0; θ) = 1 πσ exp ( ε ε σ ) ε =1 maka, fungsi log-likelihoodnya adalah: l = ln f(z 1,, Z ε 0 = 0; θ) = ln(π) ln(σ ε ) ε σ ε =1 45
4 Selanjunya unuk memperoleh penduga parameer θ, dapa dicari nilai maksimum dari fungsi loglikelihood dengan menyelesaikan persamaan l θ = 0. J. Runun Waku idak Sasioner Diperlukan suau ransformasi unuk mengubah daa runun waku yang bersifa idak sasioner menjadi sasioner, sehingga daa ersebu dapa kemudian dimodelkan dengan model-model sasioner yang elah dijelaskan pada pembahasan sebelumnya. ransformasi yang dapa digunakan adalah ransformasi diferensi, dengan rumus sebagai beriku: d Z = (1 B) d Z dimana d Z adalah selisih ke-d unuk suau runun waku Z dan B adalah operaor backward shif. K. Uji Augmened Dickey Fuller (ADF) Uji ADF aau uji akar uni digunakan unuk menguji kesasioneran daa runun waku. Pengujian dilakukan dengan mengecek ada idaknya akar uni dalam model runun waku, misal Z = Z 1 + ε. Hipoesis pengujian yang digunakan adalah: H 0 : = 1 (daa mengandung akar uni aau idak sasioner) H 1 : 1 (daa idak mengandung akar uni aau sasioner) dengan saisik uji: ADF = SE( ) dan krieria kepuusan H 0 diolak jika p value < α aau nilai saisik uji ADF kurang dari abel ADF. L. Uji ARCH-LM Uji ARCH-LM digunakan unuk menguji ada idaknya heeroskedasisias bersyara aau efek ARCH pada gala dari model runun waku. Misalkan ε = Z μ adalah gala dari model raaan, maka barisan ε digunakan unuk menguji keberadaan ARCH. Uji ini sama dengan uji saisik F pada umumnya unuk menguji α i = 0 (i = 1,, m) dalam regresi linear: ε = α 0 + α 1 ε α m ε m + a dimana = m + 1,, Hipoesis pengujian yang digunakan adalah: H 0 : α 1 = α 1 = = α 1 = 0 (idak erdapa efek ARCH) H 1 : α i 0, i = 1,,, m (erdapa efek ARCH) dengan saisik uji: (JK JKG)/m F = JKG/( m 1) dimana JK = =m+1 (ε ω ) dengan ω raaan sampel dari ε, dan JKG = =m+1 a dengan a adalah gala kuadra erkecil. M. Akaike Informaion Crierion (AIC) Akaike Informaion Crierion adalah krieria pemilihan model sebagai perluasan dari prinsip maximum likelihood. Nilai AIC didefinisikan dengan rumus: AIC = (loglikelihood) + N dimana loglikelihood adalah fungsi log likelihood dari esimasi parameer dan N adalah jumlah observasi. Model yang dipilih adalah model dengan nilai AIC erendah. 46
5 III. Pembahasan A. ARCH(m) Model auoregressive condiional heeroscedasiciy menginerpreasikan bahwa variansi dari Z dipengaruhi oleh gala kuadra pada periode yang lalu. Model ARCH(m) didefinisikan sebagai beriku: ε = a α 0 + α 1 ε α m ε m dimana α 0 adalah kosana dan α i adalah parameer yang idak dikeahui dengan i = 1,,, m, yang memenuhi syara α 0 > 0 dan α i 0. Raaan bersyara dari proses ARCH(m) bernilai nol, maka raaan ak bersyara dari ARCH(m) juga bernilai nol. Variansi bersyara dari ARCH(m) adalah α 0 + α 1 ε α m ε m, sedangkan α variansi ak bersyara dari ARCH(m) adalah 0. Fungsi auokovariansi anara ε 1 α 1 α dan ε k pada m ARCH(m) adalah nol unuk k 1. eorema Unuk bilangan bula r, momen ke-r dari proses ARCH(1) dengan α 0 > 0, dan α 1 0 ada, jika dan hanya jika: r α r 1 (j 1) < 1 j=1 eorema Proses ARCH(m) dengan α 0 > 0, dan α 1, α, α m 0, adalah kovariansi yang sasioner jika dan hanya jika persamaan karakerisik yang erkai memiliki akar-akar di luar lingkaran sauan. Dimana variansi sasioner diberikan sebagai beriku: E(ε ) = m. 1 j=1 α j Parameer α 0, α 1,, α m dalam model ARCH(m) dapa diduga dengan meode maximum likelihood. Di bawah asumsi normalias, fungsi likelihood dari model ARCH(m) adalah: f(ε 1,, ε ; α) = f(ε 1,, ε m ; α) 1 πh exp [ ε h ] =m+1 karena benuk dari f(ε 1,, ε m ; α) sanga rumi, benuk ini biasanya dihilangkan dari fungsi likelihood, maka fungsi likelihood dari model ARCH(m) menjadi: f(ε m+1,, ε, ε m ; α) = 1 exp [ ε πh h ] α 0 =m+1 sebagai akibanya, fungsi log-likelihood dari model ARCH(m) adalah: l(ε m+1,, ε, ε m ; α) = [ 1 ln(h ) + 1 h ] =m+1 dimana h = α 0 + α 1 ε α m ε m. Selanjunya, unuk memperoleh penduga parameer α 0, α 1,, α m dapa dicari nilai maksimum dari fungsi log-likelihood dengan menyelesaikan persamaan l l l = 0, = 0,, = 0. α 0 α α m Unuk menenukan orde m dalam model ARCH(m) digunakan PACF dari runun ε, dengan meliha lag PACF yang signifikan. B. Analisis Daa ingka Inflasi Indonesia Daa erdiri aas 155 observasi bulanan dari ingka inflasi Indonesia selama periode Januari 003 sampai dengan Nopember 015. abel di bawah ini memberikan gambaran saisik dari daa yang akan digunakan. ε 47
6 Saisik Deskripif Daa Awal Mean Median Maximum Minimum Kurosis Prob. ADF Nilai 7,16 6,51 18,38,41 5,68 0,1576 Hasil dari uji Augmened Dickey Fuller (ADF) dalam abel 3.1 menunjukkan bahwa daa memiliki uni roo yang berari daa idak sasioner. Unuk memperoleh daa yang sasioner, dilakukan ransformasi diferensi perama pada daa, dengan rumus R = Z Z 1, dimana R adalah daa baru hasil ransformasi yang disbeu dengan daa reurn. Saisik Deskripif Daa Reurn Mean Median Maximum Minimum Kurosis Prob. ADF Nilai -0,046-0,07 8,83-8,6 34,41 0,01 Nilai probabilias dari uji ADF yang kurang dari α = 0,05, menunjukkan bahwa daa idak mengandung uni roo, sehingga dapa disimpulkan bahwa hasil ransformasi diferensi perama sudah menghasilkan proses sasioner pada daa. Jadi, daa yang akan digunakan unuk pembenukan model adalah daa reurn. Plo ACF dan PACF dari daa reurn diberikan pada gambar di bawah ini. Plo ACF dan PACF Daa Reurn Plo ACF dan PACF mengalami cu off seelah lag ke-1. Maka model yang sesuai dengan lag ke-1 adalah AR(1), MA(1), ARMA(1,1). Selanjunya, unuk memperoleh model erbaik, digunakan krieria pemilihan model Akaike Informaion Crieria (AIC). Model AR(1) MA(1) ARMA(1,1) AIC 493,19 49,05 493,51 Maka model raaan erbaik unuk daa reurn adalah model MA(1), karena memiliki nilai AIC erendah. Esimasi model MA(1) yang diperoleh adalah R = 0,08 + ε 0,31ε 1. Uji ARCH-LM pada runun gala MA(1) menghasilkan p value = 0,001 < 0,05 yang berari olak H 0, maka dapa disimpulkan bahwa erdapa efek ARCH pada gala. Selanjunya, unuk meneukan orde ARCH dapa digunakan PACF dari gala kuadra (ε ). 48
7 Plo PACF dari Gala Kuadra Plo PACF dari gala kuadra melewai garis signifikan pada lag 1, maka orde ARCH unuk gala dalam mode MA(1) adalah ARCH(1), dengan esimasi model sebagai beriku: ε = a 0, ,1783ε 7 + 0,11557ε 1 Dengan melakukan uji ARCH-LM pada runun gala dari model ARCH(1), diperoleh nilai p value = 0,998 < 0,05, maka dapa disimpulkan bahwa sudah idak erdapa efek ARCH dalam gala model ARCH(1). IV. Penuup A. Kesimpulan 1. Runun waku heeroskedasisias idak dapa hanya dimodelkan dengan model ARIMA biasa. Model yang dapa mengakomodasikan runun waku yang bersifa heeroskedasisias adalah model ARCH. Model ARCH(m) adalah sebagai beriku: ε = a h, m h = h + α i ε 1. Model ARCH dapa dierapkan pada daa inflasi Indonesia periode Januari 003 sampai dengan Nopember 015, karena daa bersifa heeroskedasisias bersyara. Dari analisis yang dilakukan erhadap daa ersebu, dapa disimpulkan bahwa daa reurn inflasi Indonesia memiliki model raaan MA(1) sebagai beriku: R = 0,08 + ε 0,31ε 1 dengan gala mengikui proses ARCH(1): 1/ ε = a h dimana a ~WN(0,1), dan model volailiasnya: h = 0, ,1783ε 7 + 0,1157ε 1 B. Saran Disarankan unuk peneliian selanjunya membahas enang model-model perluasan ARCH, sehingga dapa memperoleh informasi yang lebih lengkap dalam menganalisis daa finansial. i=1 49
8 Dafar Pusaka Anon, Howard dan Chris Rorres Elemenary Linear Algebra. Edisi ke-8. New York: John Wiley & sons, Inc. Bera, Anil K, M.L. Higgins ARCH Models: Properies, Esimaion and esing. Journal of Economics Surveys Vol.7 No.4. Bozdogan, Hamparsum Akaike's Informaion Crierion and Recen Developmens in Informaion Complexiy. Journal of Mahemahical Psychology vol 44 page Engle, R.F Auoregressive Condiional Heeroscedasiciy wih Esimaes of he Variance of Unied Kingdom Inflaion. Journal of Economerica vol 50 No.4 page Granger, C.W.J., dan A. Anderson An Inroducion o Bilinear ime-series Models. Goingen: Vandenhoeck and Ruprech. Lo, Michael S Generalized Auoregressive Condiional Heeroscedasiciy ime Series Models. hesis. Burnaby: Deparmen of Saisics and Acuarial Science, Simon Fraser Universiy. Makridakis Meode dan Aplikasi Peramalan. Edisi. Jakara: Binarupa Aksara. Purcell, E.J., D. Varberg dan Seven E.R Kalkulus. Edisi 8, jilid. Jakara: Erlangga. Purnomo, Kurano Esimasi Underground Economy Periode Melalui Pendekaan Moneer. Universias erbuka. Soejoei, Zanzawi Analisis Runun Waku. Jakara: Karunia Jakara Universias erbuka. say, R.S. 00. Analysis of Financial ime Series. New York: John Wiley & sons, Inc. Walpole, R.E. dan Raymond H.M Ilmu Peluang dan Saisika unuk Insinyur dan Ilmuwan. Edisi ke-4. Bandung: IB. Wei, William W.S ime Series Analysis: Univariae and Mulivariae Mehods. Edisi ke-. New York: Pearson Educaion, Inc. 50
BAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciKata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.
METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE
Lebih terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciPENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY
PENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY Hermansah Program Sudi Pendidikan Maemaika, Fakulas Keguruan
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciBAB IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN Dalam peneliian ini, penulis akan menggunakan life cycle model (LCM) yang dikembangkan oleh Modigliani (1986). Model ini merupakan eori sandar unuk menjelaskan perubahan dari
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 91-100 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI BREAKPOINT DAN PEMODELAN AUTOREGRESSIVE STRUCTURAL
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
Lebih terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciPenerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan
Jurnal Sains Maemaika dan Saisika, Vol. 4, No., Januari 8 ISSN 46-454 prin/issn 65-8663 online Penerapan Model ARCH/GARCH unuk Peramalan Nilai Tukar Peani Ari Pani Desvina, Inggrid Ocaviani Meijer, Jurusan
Lebih terperinciBAB III METODE PENELITIAN
3. METODE PENELITIAN 3.1. Kerangka Pikir BAB III METODE PENELITIAN Peneliian ini diujukan unuk membukikan adanya hubungan dan pengaruh dari nilai ukar Rupiah erhadap Dollar Amerika Serika (exchange rae),
Lebih terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinciISSN : e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3732
ISSN : 355-9365 e-proceeding of Engineering : Vol.3, No. Agusus 016 Page 373 Sifa Asimeris Model Prediksi Generalized Auoregressive Condiional Heerocedasiciy (GARCH) dan Sochasic Volailiy Auoregressive
Lebih terperinciPENERAPAN MODEL AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (ARCH-M) PADA RETURN SAHAM (Studi Kasus Pada PT.
PENERAPAN MODEL AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (ARCH-M) PADA RETURN SAHAM (Sudi Kasus Pada PT. Indosa Tbk) SKRIPSI Oleh : Linda Wiguna J2A 605 068 PROGRAM STUDI MATEMATIKA JURUSAN
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciPENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)
Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciPeramalan Return Saham Bank Central Asia Menggunakan Self Exciting Threshold Autoregressive Genetic Algorithm
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Prin) D-71 Peramalan Reurn Saham Bank Cenral Asia Menggunakan Self Exciing Threshold Auoregressive Geneic Algorihm Tesalonika Puri dan
Lebih terperinciPEMODELAN VOLATILITAS DALAM ANALISIS DATA MAKROEKONOMI STUDI KASUS PADA INFLASI.
Prosiding Seminar Nasional Peneliian, Pendidikan dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 29 PEMODELAN VOLATILITAS DALAM ANALISIS DATA MAKROEKONOMI STUDI KASUS PADA INFLASI.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciARIMA (Autoregressive Integrated Moving Average)
ARIMA (Auoregressive Inegraed Moving Average) I. Prinsip Dasar dan Tujuan Analisis. Prinsip Dasar ARIMA sering juga disebu meode runun waku Box-Jenkins. ARIMA sanga baik keepaannya unuk peramalan jangka
Lebih terperinciBAB III METODOLOGI PENELITIAN
perpusakaan.uns.ac.id BAB III METODOLOGI PENELITIAN A. Ruang Lingkup Peneliian Peneliian ini dilaksanakan di Indonesia dengan periode ahun 984 sampai dengan ahun 0. Peneliian ini memfokuskan pada fakor-fakor
Lebih terperinciPENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH
Penerapan Model Generalized Auoregressive Condiional Heeroscedasic (Garch) PENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciPERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH
Vol.. No., 03 PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH Ari Pani Desvina, Sari Marlinda, Jurusan Maemaika Fakulas Sains dan Teknologi
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciBAB 3 LANDASAN TEORI. peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan teknik dan
BAB 3 LANDASAN TEORI 3. Peramalan Pada sub bab ini akan dibahas mengenai pengerian peramalan, kegunaan meode peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan eknik dan meode peramalan,
Lebih terperinciModel Dinamis: Autoregressive Dan Distribusi Lag (Studi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domestik Regional Bruto (PDRB))
Model Dinamis: Auoregressive Dan Disribusi Lag (Sudi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domesik Regional Bruo (PDRB)) Dynamic Model : Auoregressive and Disribuion Lag (Case Sudy: Effecs
Lebih terperinciPenentuan Pelebaran Window Time Optimal Pada Data Deret Waktu
1 Penenuan Pelebaran Window Time Opimal Pada Daa Dere Waku (1) Nursya`bani Hendro Prabowo dan (2) Raden Mohamad Aok Deparemen Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Insiu Teknologi Sepuluh
Lebih terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hipoesis Peneliian Seperi yang sudah dijelaskan pada bab-bab sebelumnya, peneliian ini mencoba menemukan anomali DOTW pada volailias dan volume saham dengan menggunakan
Lebih terperinciBAB I PENDAHULUAN. Volatilitas memiliki banyak peranan dalam sektor finansial, satu
BAB I PENDAHULUAN. Laar Belakang Masalah Volailias memiliki banyak peranan dalam sekor finansial, sau dianaranya dalam hal pengamaan perilaku dari harga suau ase finansial. Perilaku dari harga suau ase
Lebih terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan adalah data sekunder runtun waktu (time series) bulanan
III. METODE PENELITIAN A. Jenis dan Sumber Daa Daa yang digunakan adalah daa sekunder runun waku (ime series) bulanan dari 2002:01 sampai dengan 2009:06 yang bersumber dari Laporan dan websie Bank Indonesia
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
Lebih terperinciTREND DALAM RUNTUN WAKTU EKONOMETRI DAN PENERAPANNYA
TREND DALAM RUNTUN WAKTU EKONOMETRI DAN PENERAPANNA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri ogyakara unuk memenuhi sebagian persyaraan guna memperoleh gelar
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-299
JURNAL SAINS DAN SENI ITS Vol. 4, No., (5) 337-35 (3-98X Prin) D-99 Esimasi Value a Risk (VaR) Porofolio Saham yang Tergabung dalam Indeks LQ45 Periode Agusus 4 sampai Januari 5 Menggunakan Meode Copula
Lebih terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
Lebih terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciKARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP
Karakerisik Umur Produk (Sudarno) KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL Sudarno Saf Pengajar Program Sudi Saisika FMIPA UNDIP Absrac Long life of produc can reflec is qualiy. Generally, good producs
Lebih terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER
ANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER Abdul Aziz Dosen Jurusan Maemaika Fakulas Sains Teknologi Universias Islam Negeri (UIN) Maulana Malik Ibrahim Malang e-mail : abdulaziz_uinmlg@yahoo.com
Lebih terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih 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 Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika
Lebih terperinciBAB 2 LANDASAN TEORI. dari sisi ekonometrika maupun dari segi perancangan. Ekonometrika akan berguna
BAB LANDASAN TEORI. Kerangka Teori Kerangka eori berisi penjabaran semua eori-eori yang akan digunakan, baik dari sisi ekonomerika maupun dari segi perancangan. Ekonomerika akan berguna dalam analisis
Lebih terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih terperinciPeramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model
Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan
Lebih terperinciPeramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciIII KERANGKA PEMIKIRAN
III KERANGKA PEMIKIRAN 3.1 Teori Risiko Produksi Dalam eori risiko produksi erlebih dahulu dijelaskan mengenai dasar eori produksi. Menuru Lipsey e al. (1995) produksi adalah suau kegiaan yang mengubah
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Salah sau ujuan didirikannya perusahaan adalah dalam rangka memaksimalkan firm of value. Salah sau cara unuk mengukur seberapa besar perusahaan mencipakan
Lebih terperinciPENAKSIRAN PARAMETER KOINTEGRASI (STUDI KASUS: NILAI EKSPOR DAN INVESTASI INDONESIA PADA TAHUN ) RIZKI NUGROHO ARYANTO
PENAKSIRAN PARAMETER KOINTEGRASI (STUDI KASUS: NILAI EKSPOR DAN INVESTASI INDONESIA PADA TAHUN 1970 007) RIZKI NUGROHO ARYANTO 0305010556 UNIVERSITAS INDONESIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Definisi Peramalan Peramalan adalah suau kegiaan dalam memperkirakan aau kegiaan ang melipui pembuaan perencanaan di masa ang akan daang dengan menggunakan daa masa lalu dan daa masa
Lebih terperinciPemulusan Eksponensial dengan Metode Holt Winter Additive Damped
Pemulusan Eksponensial dengan Meode Hol Winer Addiive Damped Hurul in 1),Dr. Erna Tri Herdiani, M.Si 2), Andi Kresna Jaya, S.Si., M.Si 3) Program Sudi Saisika Jurusan Maemaika FMIPA Unhas Jln. Perinis
Lebih terperinciPEMODELAN BOX-JENKINS (ARIMA) UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN
PEMODELAN BOX-JENKINS (ARIMA) UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN Vincenius Iwan Primadiya 1 dan Nur Iriawan 2 1) Program Sudi Magiser Manajemen Teknologi, Insiu Teknologi Sepuluh Nopember e-mail:
Lebih terperinciPENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA
PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA Leopoldus Ricky Sasongko, Lydia Ninuk Rahayu, dan Alberh Roy Koa 3,,3 Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PADA PT
PERAMALAN JUMLAH PENUMPANG PADA PT. ANGKASA PURA I (PERSERO) KANTOR CABANG BANDAR UDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA DENGAN METODE WINTER S EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA SKRIPSI Diajukan
Lebih terperinciPeramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS
JURNAL SAINS DAN SENI IS Vol. 4, No., () 2337-3 (2-928X Prin) D-67 Peramalan Inflasi Nasional Berdasarkan Fakor Ekonomi Makro Menggunakan Pendekaan ime Series Klasik dan ANFIS Clara Agusin Sephani, Agus
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.. Ruang Lingkup Peneliian Peneliian ini diujukan unuk menenukan meode erbaik yang dapa digunakan dalam meramalkan harga ayam pada enam koa besar di Jawa-Bali. Meode peramalan yang
Lebih terperinciBAB III DATA DAN METODOLOGI PENELITIAN
BAB III DATA DAN METODOLOGI PENELITIAN 3. Daa Pada karya akhir ini proxy unuk mengukur kegiaan perekonomian adalah ingka perubahan GDP real per kuaral dari ahun 3:Q sampai dengan ahun 8:Q dengan ahun dasar.
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperincimetodologi penelitian
pendahuluan injauan pusaka meodologi peneliian hasil dan pembahasan kesimpulan Pusaka Meodologi Peningkaan Energi lisrik Kebuuhan energi lisrik Pengembangan sisem energi lisrik Peramalan beban lisrik Slide
Lebih terperinciPenerapan Model ARIMA Dalam Memprediksi IHSG
Penerapan Model ARIMA Dalam Memprediksi IHSG Bambang Hendrawan Polieknik Baam Parkway Sree, Baam Cenre, Baam 29461, Indonesia e-mail: benks@polibaam.ac.id Absrak: Tujuan peneliian ini adalah unuk mencari
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Peneliian Jenis peneliian kuaniaif ini dengan pendekaan eksperimen, yaiu peneliian yang dilakukan dengan mengadakan manipulasi erhadap objek peneliian sera adanya konrol.
Lebih terperinciESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION. Oleh: Tarno Program Studi Statistika FMIPA UNDIP Semarang
ESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION Oleh: Tarno Program Sudi Saisika FMIPA UNDIP Semarang Absrac This paper discuss abou applicaion of cross-validaion mehod for modeling of
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinci