Seminar Hasil Tugas Akhir
|
|
- Ida Sugiarto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Peramalan Harga Obligasi Pemerintah Dengan Model Time Series Linier Dan Nonlinier WINDY LESTARI Pembimbing : Dr. Brodjol Sutijo S.U., Msi Co. Pembimbing : Dr. Suhartono, Msc
2 Agenda Pendahuluan Tinjauan Pustaka Metodologi Penelitian Hasil dan Pembahasan Kesimpulan dan Saran Daftar Pustaka 2
3 Latar Belakang () Obligasi Salah satu bentuk investasi yang berupa surat pengakuan utang dari penerbit obligasi kepada pemegang obligasi dan akan dibayarkan pada saat tanggal jatuh tempo pembayaran. >50% Obligasi Pemerintah 200 : Rp. 3.50,39 triliun 20 : Rp. 4.4,66 triliun Peramalan yang tepat Perubahan variabel ekonomi makro, antara lain nilai tukar dollar terhadap rupiah dan indeks harga saham gabungan (Edward, 2007) 3
4 Latar Belakang (2) ARIMA Linier VAR Time Series Analysis Granger Causality Test Nonlinier Neural Network (NN) 4
5 Penelitian Sebelumnya Orr (994) Prediksi yield obligasi di Jerman dengan menggunakan Radial Basis Function Neural Network (RBFNN) Vicente & Tabak (2008) Peramalan yield obligasi pada pasar pendapatan tetap di Brazilia dengan menggunakan model ARIMA Wahyuningsih (20) Peramalan harga dan yield obligasi di Indonesia dengan menggunakan ARIMA dan ANN-Back Propagation. 5
6 Rumusan Masalah. Bagaimana hubungan antar variabel kurs, IHSG, dan harga obligasi? 2. Bagaimana bentuk model peramalan yang sesuai untuk prediksi harga obligasi pemerintah menggunakan model time series linier dengan pendekatan metode VAR? 3. Bagaimana bentuk model peramalan yang sesuai untuk prediksi harga obligasi pemerintah menggunakan model time series linier dengan pendekatan ARIMA? 4. Bagaimana bentuk model peramalan yang sesuai untuk prediksi harga obligasi pemerintahmenggunakan model time series nonlinier dengan pendekatan metode NN? 5. Bagaimana model peramalan yang terbaik antara model time series linier dan nonlinier untuk prediksi harga obligasi pemerintah? 6
7 Mengevaluasi hubungan antar variabel kurs, IHSG, dan harga obligasi. Menentukan bentuk model peramalan yang sesuai untuk harga obligasi pemerintah menggunakan model time series linier dengan pendekatan VAR. Menentukan bentuk model peramalan yang sesuai untuk harga obligasi pemerintah menggunakan model time series linier dengan pendekatan ARIMA. Tujuan Menentukan bentuk model peramalan yang sesuai untuk harga obligasi pemerintah menggunakan model time series dengan pendekatan metode NN. Menentukan model peramalan yang terbaik antara model time series linier dan nonlinier untuk prediksi harga obligasi pemerintah. 7
8 Manfaat Memberikan informasi hasil prediksi harga obligasi sebagai bahan pertimbangan pemerintah dalam perencanaan penerbitan obligasi. Membantu pihak investor dalam mengambil keputusan dalam bidang investasi obligasi di pasar modal. Batasan Masalah Periode data yang digunakan dalam variable harga obligasi adalah bulan Januari 20 sampai dengan Juni 20. Jatuh tempo dari obligasi pemerintah yang digunakan adalah 5 tahun, 0 tahun, dan 20 tahun dengan bunga tetap. 8
9 Tinjauan Pustaka Granger Causality Test () Secara umum bentuk model dari kausalitas Granger adalah (Gujarati, 2003) : m m Yt = αi X t i + βiyt j + e t i= j= Hipotesis yang digunakan pada uji kausalitas Granger adalah : H 0 : α i = 0 H : α i 0 dimana: Y t-i : lag dari Y t, i=, 2,..., n X t-i : lag dari X t, i=, 2,..., n m : panjang lag e t, e 2t : residual 9
10 Tinjauan Pustaka Granger Causality Test (2) Statistik uji yang digunakan adalah (Enders, 995) : dimana : T : jumlah observasi c : jumlah parameter yang diestimasi di model unrestricted : determinan matrik varian kovarian dari residual model restricted : determinan matrik varian kovarian dari residual model unrestricted Tolak H o jika nilai statustik uji lebih besar dari X 2 (2n,-a). Asumsi yang harus dipenuhi pada uji kausalitas Granger adalah :. Variabel harus stasioner. 2. Residual tidak saling berkorelasi. 0
11 Tinjauan Pustaka ARIMA Secara umum, model ARIMA dapat dituliskan sebagai berikut (Wei, 2006). dimana : : variabel dependen pada waktu t : residual pada saat t Prosedur Box-Jenkins untuk peramalan dengan metode ARIMA terdiri dari beberapa langkah yaitu identifikasi model, estimasi parameter, uji kesesuaian model, dan peramalan (Wei, 2006).
12 Vector Autoregressive (VAR) Pemodelan VAR tidak jauh berbeda dengan model Autoregressive (AR), pada intinya model AR diidentifikasi dari fungsi PACF dalam menentukan orde ke-p, sedangkan model VAR diidentifikasi dari MPACF. atau dimana : : Z t - µ a t : Vektor error : Parameter dengan ukuran matrik kxk Tinjauan Pustaka Secara umum langkah peramalan dengan metode VAR terdiri dari pendugaan model awal, penaksiran parameter, uji diagnostik, menentukan model VAR akhir, dan melakukan peramalan. 2
13 Tinjauan Pustaka Backpropagation Neural Network Neural network terdiri atas sekumpulan unit input dan output yang terhubung satu dengan lainnya dan masing-masing hubungan antar unit mempunyai bobot. Input Layer Hidden layer Output Layer v ji f ( ) h Z w j Ẑ t Z 2 Z p v 0 j w 0 3 bias bias
14 BP-NN Tinjauan Pustaka Zˆ ( k ) q p o h = f w0 + w j f j v0 j + v j= i= ji Z i( k ) 4 Zˆ i ( k ) = variabel input sebanyak p, (i=,2,...,p) Zˆ ( k ) = nilai dugaan dari variabel output w 0 = bias pada neuron di lapis output w j = bobot dari neuron ke-j pada lapisan tersembunyi menuju output v 0j = bias pada neuron ke-j pada lapisan tersembunyi v ji = bobot dari input ke-i menuju neuron ke-j pada lapisan tersembunyi f i j = fungsi aktifasi di neuron ke-j pada lapisan tersembunyi Langkah pertama yang dilakukan adalah menentukan arsitektur jaringan, yaitu menentukan unit input yang akan digunakan, banyak neuron dalam lapisan hidden, fungsi aktivasi pada lapisan hidden, dan fungsi aktivasi pada lapisan output Fungsi aktivasi logistik sigmoid f ( x) = + exp( x)
15 Tinjauan Pustaka Kriteria Pemilihan Model Terbaik MAPE (Mean Absolute Percentage Error) MAPE x 00% dimana n adalah banyaknya periode peramalan/dugaan. RMSE (Root Mean Square Error) RMSE = 5
16 Metodologi Penelitian Sumber Data dan Variabel Penelitian Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari Departemen Keuangan dengan periode Januari 20 sampai dengan Juni 20. Variabel Harga Kurs IHSG Penelitian Obligasi Satuan Juta Rupiah Ribu Rupiah - Jumlah Data In-sample Out-sample
17 Mulai Diagram Alir A Univariat Multivariat B Linier Nonlinier Linier Nonlinier Granger Causality Test Memodelkan dengan VAR Memodelkan dengan NN- Input VAR Memodelkan dengan ARIMA Memilih model peramalan terbaik Memodelkan dengan NN- Input ARIMA Memilih model peramalan terbaik Menarik kesimpulan 7 Selesai
18 Hasil dan Pembahasan Data Time Series Plot of Obligasi; IHSG Index 80 Variable Obligasi IHSG Kurs IHSG Y Kurs Pearson Correlation -,54 Sig, (2-tailed),000 N 00 Pearson Correlation,888 -,777 Sig, (2-tailed),000,000 N Data 2,5 2,0,5,0 0,5 0,0-0,5 -,0 Time Series Plot of Obligasi; Kurs Variable Obligasi Kurs Penurunan harga yang terjadi mempunyai kaitan dengan tingkat inflasi yang rendah, dan penurunan indeks harga saham gabungan ( -, Index
19 Granger Causality Test Grup Test DF Chi-Square Pr > ChiSq () 8 3,76 0,8783 (2) 8 8,68 0,3700 (3) 8 8,42 0,3938 Grup 2 Test DF Chi-Square Pr > ChiSq () 4 4,76 0,328 H 0 : harga obligasi jatuh tempo 5 tahun mempengaruhi kurs dan ihsg, tetapi tidak sebaliknya H 0 : kurs mempengaruhi harga obligasi jatuh tempo 5 tahun dan ihsg, tetapi tidak sebaliknya H 0 : ihsg mempengaruhi harga obligasi jatuh tempo 5 tahun dan kurs, tetapi tidak sebaliknya (2) 4 0,9 0,9236 (3) 4,0 0,0254 Grup 3 Test DF Chi-Square Pr > ChiSq () 8 2,99 0,9347 IHSG mempengaruhi harga obligasi 0 tahun, kurs, dan sebaliknya (2) 8 7,6 0,5234 (3) 8 0,93 0,2054 9
20 Pemodelan VAR Nilai AIC Lag Grup Grup 2 Grup 3 AR 0-2,655 -,877 -,9657 AR -2,5944 -,806 -,8930 AR 2-2,6252 -,9077-2,0246 AR 3-2,975 -,8990-2,084 AR 4-3,0294 -,696-2,65 AR 5-2,9796 -,465-2,022 VAR (4) VAR (2) VAR (4) 20
21 Pemodelan VAR Estimasi Parameter Equation Parameter Estimate P-value Variabel Y φ 4 0,2785 0,002 y(t-4) Kurs φ 222 0,26 0,05 kurs(t-2) φ 322-0,83 0,034 kurs(t-3) φ 42 0,0045 0,0458 y(t-4) IHSG φ 33 0,464 0,039 ihsg(t-) φ 333-0,238 0,007 ihsg(t-3) 2
22 Pemodelan VAR Estimasi Parameter Grup 2 Equation Parameter Estimate P-value Variabel Y f 3 0,005 0,0359 ihsg(t-) f 2-0,2787 0,0009 y(t-2) IHSG f 3 8,0269 0,026 y(t-) f ,528 0,0047 kurs(t-) f 33 0,259 0,043 ihsg(t-) f 233-0,2587 0,0004 ihsg(t-2) 22
23 Pemodelan VAR Estimasi Parameter Equation Parameter Estimate P-value Variabel Y φ 3 0,0052 0,064 ihsg(t-) φ 2-0,2560 0,006 y(t-2) Kurs φ 322-0,823 0,0323 kurs(t-3) φ 42 0,0044 0,003 y(t-4) IHSG φ ,7250 0,0074 kurs(t-) φ 33 0,343 0,004 ihsg(t-) φ 233-0,93 0,0 ihsg(t-2) φ 333-0,2053 0,0076 ihsg(t-3) φ 43-6,4374 0,033 y(t-4) 23
24 Model VAR Grup 2 24 dimana variabel Y, IHSG, dan Kurs adalah yang sudah di diferencing
25 Pemodelan ARIMA Identifikasi Jatuh Tempo 5 Tahun Autocorrelation Function Partial Autocorrelation Function Autocorrelation,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -,0 Partial Autocorrelation,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -, Lag Lag Lag 4 dan lag 7 Lag 4 dan lag 7 25
26 Pemodelan ARIMA Identifikasi Jatuh Tempo 0 Tahun Autocorrelation Function Partial Autocorrelation Function,0,0 0,8 0,8 Autocorrelation 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -, Lag Partial Autocorrelation 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -, Lag Lag 2 dan lag 8 Lag 2 dan lag 8 26
27 Pemodelan ARIMA Identifikasi Jatuh Tempo 20 Tahun Autocorrelation Function Partial Autocorrelation Function,0,0 0,8 0,8 Autocorrelation 0,6 0,4 0,2 0,0-0,2-0,4-0,6 Partial Autocorrelation 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-0,8 -,0 -, Lag Lag Lag Lag dan 2 27
28 Pemodelan ARIMA Uji Signifikansi Parameter Jatuh Tempo 5 Tahun ARIMA Parameter SE t-value P-value ([4,7],,0 ) 0 Tahun ([2,8],,0 ) 20 Tahun (2,,0) φ 4 0,2743 0, ,26 0,0262 φ 7 0, , ,47 0,054 φ , , φ ,0973 2, φ 0, ,0994 2,26 0,026 φ 2-0,2068 0, ,08 0,040 < 0,05 28
29 Pemodelan ARIMA Diagnostics Check Jatuh Tempo 5 Tahun 0 Tahun 20 Tahun Model ARIMA ([4,7],,0) ARIMA ([2,8],,0) ARIMA (0,,) Cek Residual White Noise Cek Normalitas Lag Chi- Square DF P-value D P-value 6 3,44 4 0, ,98 0 0,5340 8,4 6 0,7837 0, , ,8 22 0,8949 6, , , ,3767 <0, , , , , , , , < 0,05 29
30 Pemodelan ARIMA Deteksi Outlier Jatuh Tempo Sigifikansi Parameter Estimate P-value Tipe outlier Cek Residual White Noise Normalitas Lag P-value P-value φ 4 0,2975 0, ,437 0,0650 φ 7 0,2095 0, ,763 5 Tahun ω,5988 0,0023 AO7 8 0,900 ω ,0022 AO 24 0,908 ω 3, ,098 AO2 ω 4 2,55207 <0,000 AO7 ω,843 0,0205 AO7 6 0,99 0,0702 ω 2-3,47750 <0,000 LS4 2 0,332 0 Tahun ω 3 3,6369 <0,000 LS6 8 0,467 ω 4-4,68000 <0,000 AO6 24 0,323 30
31 Pemodelan ARIMA Perbandingan Kriteria Kebaikan Model Jatuh Tempo Kriteria ARIMA ARIMAX 5 Tahun AIC 99, ,6266 SBC 205,378 8,973 0 Tahun AIC 283, ,809 SBC 288, , Tahun AIC 27,29 - SBC 273,885-3
32 Model ARIMA Terbaik 5 Tahun Z t = a (7) +,843I,, a t I t 7 ( 0,297B 0,20B )( B) () a, t + (2) (7),20928 I a, t + 2, I a, t 0 Tahun Z t =,843I (7) a, t 3,47750 I (4) + 3,6369 I (6) 4,68 I s, t s, t a, t ( B) ( B) ( B) (6) + a t 20 Tahun Z t = Zt t + at + 0, 30502a dengan 32
33 Pemodelan NN NN-Input ARIMA Jatuh Tempo 5 Tahun 0 Tahun t Input yang digunakan Z + a t = Zt + φ4zt 4 φ4zt 5 + φ7zt 7 φ7zt 8 Z + a = Zt + φ2zt 2 φ2zt 3 + φ8zt 8 φ8zt 9 t t 20 Tahun Z t Z a θ a = t + t t 33
34 Pemodelan NN Pemilihan Jumlah Neuron di Hidden Layer NN-Input ARIMA Tenor 5 Tahun 0 Tahun 20 Tahun Neuron Kriteria MAPE 0,278 0,286 0,320 2,38 0,53 RMSE 0,328 0,336 0,48 3,44 0,88 MAPE,53 3,68 0,509,343 5,56 RMSE,740 3,680 0,636,579 6,245 MAPE 2,7 2, RMSE 2,520 2,
35 Pemodelan ARIMA 5 Tahun 0 Tahun Z t- v ji f Z t- v ji Z t-4 f 2 w 2 w Z t-2 f w Z t-5 f 3 w 3 Zt Z t-3 f 2 w 2 Zt w 4 w 3 Z t-7 f 4 w 5 w 0 Z t-8 f 3 w 0 Z t-8 f 5 Z t-9 v j0 v j0 NN (5,5,) 20 Tahun NN (5,3,) v ji f w Z t- f 2 w 2 Zt NN (,2,) v j0 w 0 35
36 Model NN-Input ARIMA Harga Obligasi Jatuh Tempo 5 Tahun Zˆ t =, exp + exp + exp + exp + exp 4,06 [ ( 2,65 2,28Z + 0,27Z + 3,03Z 0,94Z + 6, Z )] + t t 4 t 5 t 7 t ,62 [ ( 3,74 2,54Z + 3,87Z + 3,53Z,34Z + 5, Z )] + t t 4 t 5 t 7 t 8 72,46 [ ( 3,92 +,33Z + 3,Z 3,42Z 2,58Z, Z )] + t t 4 t 5 t 7 t , [ (,63 + 0,57Z + 3,79Z + 0,3Z + 0,09Z 2, Z )] + t t 4 t 5 t 7 t 8 79,06 2,04Zt 4 +,7Zt 5 0,84Zt 7 4, 74Z [ ( 0,89 6,64Z )] t + t 8 36
37 Model NN-Input ARIMA Harga Obligasi Jatuh Tempo 0 Tahun Zˆ t = 0, exp exp 2,5 [ ( 0,39Z 0,88Z +,64Z 2,68Z +, Z )] + t t 2 t 3 t 8 t ,20 [ ( 0,32 + 0,27Z +,52Z +,8Z 3,99Z + 2, Z )] + + t t 2 t 3 t 8 t 9 + exp 8 4,2 [ ( 2,49 3,56Z + 4,34Z,32Z,95Z + 2, Z )] + t t 2 t 3 t 8 t 9 3 Zˆ t = 0,0 + + exp,36 Harga Obligasi Jatuh Tempo 20 Tahun, [ ( 0,2+,59Z )] + exp[ ( 0,5, Z )] t t 37
38 Model NN NN-Input VAR Jatuh Tempo Input yang digunakan 5 Tahun Z t-, Z t-4, Z t-5 0 Tahun IHSG t-, IHSG t-2, Z t-, Z t-2, Z t-3 20 Tahun IHSG t-, IHSG t-2, Z t-, Z t-2, Z t-3 38
39 Model NN-Input VAR Pemilihan Jumlah Neuron di Hidden Layer Jatuh Tempo 5 Tahun 0 Tahun 20 Tahun Neuron Kriteria MAPE 0,378 0,203 0,426 0,203 0,49 RMSE 0,422 0,236 0,5 0,230 0,487 MAPE,524,06,39 0,676 0,456 RMSE,72,65,309 0,805 0,678 MAPE 2,062 2,006 2,87 2,092,825 RMSE 2,49 2,389 2,499 2,374 2,026 39
40 Model NN-Input VAR Tenor 5 Tahun v f ji Z t- Tenor 0 Tahun v ji f Z t- f 2 w Z t-2 f 2 w 2 w Z t-4 f 3 w2 Z t-3 f 3 Zt w 3 w 3 w 4 Zt Z t-5 f 4 w 0 X t- f 4 w 5 w 0 v j0 X t-2 f 5 v j0 NN (3,4,) Z t- v ji c f NN (5,5,) Z t-2 f 2 w 2 w NN (5,5,) Z t-3 X t- f 3 f 4 w 5 w 3 w 4 w 0 Zt Tenor 20 Tahun X t-2 f 5 40 v j0
41 Model NN-Input VAR Zˆ t = 0, exp 2,69 [ ( 0,54 0,5Z 0,87Z 0, Z )] + 5,5 t t 4 2 t 5 [ ( 2,9 0,52Z 3,03Z 0, Z )] + + exp t t 4 38 t 5 + exp + exp 0,78 [ ( 0,55 8,89Z +,77Z 3, Z )] + t t 4 t 5 2,46 Harga Obligasi Jatuh Tempo 5 Tahun 63 [ ( 3,5+ 2,3Z 6,Z 0, Z )] t t 4 8 t 5 4
42 Model NN-Input VAR Zˆ t = 0,5 + + exp + exp + exp exp Harga Obligasi Jatuh Tempo 0 Tahun 4,33 [ ( 2, + 3,73Z 4,7Z +,94Z 0,6X 0, X )] t t 2 t 3 t + 9 4,32 [ ( 0,33 +,74Z 0,7Z + 0,84Z 0,99X 0, X )] + t t 2 t 3 t t 2 0 2,9 + 0,36Z t 2 + 0,96Z t 3 + 0,9X t 0, 7X [ ( 2,47 + 4,5Z )] + t t 2 2,55 [ (,83 + 2,3Z + 2,03Z,6Z + 3,27X + 0, X )] + + t t 2 t 3 t t 2 + exp 02 3,26 0,93Zt 2,7Zt 3 +,96X t 0, 22X [ (,46 3,3Z )] t t 2 t 2 42
43 Model NN-Input VAR Zˆ t = + exp 4,57 [ (,33,33Z + 0,68Z 0,92Z + 2,55X + 3, X )] + t t 2 t 3 t t 2 3 3,0 [ (,39 4,60Z + 3,47Z 2,79Z + 4,38X + 2, X )] + + exp t t 2 t 3 t 53 t 2 2,43 [ (,4 + 0,94Z,4Z +,68Z + 0,44X + 3, X )] + + exp t t 2 t 3 t 78 t 2 + exp Harga Obligasi Jatuh Tempo 20 Tahun 2,5 [ ( 0,4 2,55Z,38Z + 3,2Z,34X +, X )] + t t 2 t 3 t t ,64 [ ( 0,82 + 0,85Z 2,64Z + 3,04Z,79X 0, X )] + exp t t 2 t 3 t + 99 t 2 43
44 Model Peramalan Harga Terbaik Jatuh Tempo 5 Tahun 0 Tahun 20 Tahun Kriteria ARIMA NN dengan Input ARIMA MAPE 0, ,534 RMSE 0, ,880 MAPE, ,20948 RMSE, ,63560 MAPE,0009 2,6077 RMSE, ,
45 Model Peramalan Harga Terbaik Jatuh Tempo 5 Tahun 0 Tahun 20 Tahun Kriteria VAR NN-VAR MAPE 0,9337 0,64753 RMSE 0,775 0,70746 MAPE 0, ,25353 RMSE 0, ,6709 MAPE,4525,90032 RMSE, ,
46 Perbandingan Plot Nilai RMSE untuk ModelVAR dan NN 0,25 0, Variable Model VAR Model NN Data 0,5 0,0 Data 2 0,05 0, Index 0 2 Variable Model VAR Model NN Tahun 0Tahun 2, Index ,5 2,0 2,0 Data,5,0 Data,5,0 0,5 0,5 0, Index Variable Model VAR Model NN Variable Model VAR Model NN 20Tahun 0, Index
47 Kesimpulan (). Hubungan antar variabel harga obligasi masing-masing jatuh tempo, kurs, dan IHSG berdasarkan uji Granger menunjukkan hubungan yang tidak saling timbal balik, untuk variabel harga obligasi jatuh tempo 0 tahun terdapat hubungan kausal dua arah dengan IHSG terbukti pada model kedua variabel saling mempengaruhi satu sama lain. 2. Model yang diperoleh dari metode VAR menghasilkan nilai ramalan yang mendekati data aktual. Model terbaik untuk peramalan harga obligasi dengan menggunakan model VAR pada masing-masing jatuh tempo 5 tahun, 0 tahun, dan 20 tahun adalah VAR(4), VAR(2), dan VAR(4) dengan nilai RMSE masing-masing sebesar 0,78, 0,579, dan, Model ARIMA terbaik untuk harga jatuh tempo 5 tahun, 0 tahun dan 20 tahun adalah berturut-turut ARIMAX ([4,7],,0), ARIMAX (0,,0), dan ARIMA (0,,) dengan nilai RMSE sebesar 0,236,,64, dan,35. 47
48 Kesimpulan (2) 4. Model dengan Neural Network juga menghasilkan ramalan yang sesuai dengan nilai aktualnya, model NN terbaik untuk harga obligasi jatuh tempo 5 tahun, 0 tahun, dan 20 tahun adalah NN (5,4,), NN (5,5,), dan NN (5,5,). 5. Model peramalan terbaik untuk variabel jatuh tempo 5 tahun dan 0 tahun dengan pendekatan univariat adalah dengan menggunakan model NN, untuk variabel harga obligasi jatuh tempo 20 tahun adalah dengan menggunakan model ARIMA. Dengan pendekatan multivariat, model peramalan NN lebih baik dari VAR pada peramalan 4 periode kedepan, setelah periode tersebut peramalan untuk kasus multivariat pada jatuh tempo 20 tahun lebih baik menggunakan model VAR, sedangkan pada jatuh tempo 5 tahun dan 0 tahun model NN tidak lebih baik dari model VAR untuk memprediksi harga obligasi. 48
49 Saran Pemilihan banyaknya jumlah data dalam in-sample dan out sample dapat mempengaruhi model, sehingga saran yang dapat diberikan kepada penelitian selanjutnya adalah trial and error untuk penentuan jumlah data dalam in-sample dan out sample 49
50 Daftar Pustaka.Siaran Pers Akhir Tahun 200 Badan Pengawas Pasar Modal dan Lembaga Keuangan (BAPEPAM-LK). Kementrian Keuangan Republik Indonesia. Jakarta. Cryer, J.D., and Chan, K.S Time Series Analysis with Application in R. 2nd edition. New York: Springer Science+Business Media. Enders, W Applied Econometric Time Series. New Era Estate: John Wiley and Sons, Inc. Erward Analisis Faktor-Faktor Yang Berpengaruh Terhadap Perubahan Harga Obligasi (Studi pada Kelompok Perusahaan Sektor Industri) Periode Triwulan Triwulan Thesis S-2. Pasca Sarjana Universitas Diponegoro. Fabozzi, F. J Manajemen Investasi. Buku 2. Jakarta: Salemba Empat. Gujarati, D. N Basic Econometrics. Fourth Edition. New York: Mc-Graw Hill. Husnan, S. dan Enny, P Dasar-DasarTeori Portofolio dan Analisis Sekuritas. Yogyakarta: UPP AMPYKPN. Husnan, S Dasar-Dasar Teori Portofolio dan Analisis Sekuritas. Edisi keempat. Yogyakarta: UPP AMP YKPN. Kusnandar, V. B Website: Diakses pada tanggal 26 Januari 202. Kusumadewi, S Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB dan Excel Link. Yogyakarta: Graha Ilmu. Kuswanto, H Initial Test and Optimum Model : a Problem of Misleading Results in Real Exchange Rate Behaviour. Journal of Applied Sciences Research, 6(4), Hal: Orr, M. L. J Extrapolating Uncertain Bond Yield Predictions. Edinburgh University. Samsul, M Pasar Modal & Manajemen Portofolio. Jakarta: Erlangga. Santosa, B Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Suhartono Feedforward Neural Networks Untuk Pemodelan Runtun Waktu. Disertasi Universitas Gajah Mada. Tiao, G. C. dan Box, G. E. P. 98. Modelling Multiple Time Series with Applications, J. Amer. Statist. Assoc.,Vol. 76, Hal Vicente, J. dantabak, B. M. (2008). Forecasting bond yields in the Brazilian fixed income market. International Journal of Forecasting, Vol. 24, Hal Wahyuningsih, Y. 20. PeramalanYield dan Harga Obligasi Pemerintah Dengan Pendekatan Arima dan Backpropagation ANN. Tugas Akhir S-. Institut Teknologi Sepuluh Nopember. Wei, W. W. S Time Series Analysis: Univariate and Multivariate Methods. Second Edition. New York: Addison-Wesley Publishing Company. 50
51 5 Terima Kasih
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN ARTIFICIAL NEURAL NETWORK
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN ARTIFICIAL NEURAL NETWORK Disusun Oleh : Yuli Wahyuningsih 1308 100 074 Pembimbing Co.Pembimbing : Dr. Brodjol Sutijo Suprih Ulama,
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 terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPemodelan Vector Autoregresive (VAR) pada Komoditas Harga Cabai di Jawa Tengah
Pemodelan Vector Autoregresive (VAR) pada Komoditas Harga Cabai di Jawa Tengah Memi Nor Hayati 1, Alan Prahutama 2,*, Hasbi Yasin 2, Tiani Wahyu Utami 3 1 Program Studi Statistika, Universitas Mulawarman
Lebih terperinciModel Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer
Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI Bursa saham atau Pasar
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan analisis data dan pembahasan pada Bab IV, kesimpulan penelitian ini adalah sebagai berikut. 1. Model VARIMA yang sesuai untuk data penjualan obat I,
Lebih terperinciPeramalan Laju Inflasi dan Nilai Tukar Rupiah Terhadap Dolar Amerika Menggunakan Model Vector Autoregressive (VAR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 673-682 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian Peramalan Laju Inflasi dan Nilai Tukar Rupiah Terhadap Dolar
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer
Lebih terperinciPemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer
TUGAS AKHIR Pemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer Oleh : Fani Felani Farid (1306 100 047) Pembimbing : Drs. Kresnayana Yahya M.Sc Latar Belakang
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciData Mining Peramalan Konsumsi Listrik dengan Pendekatan Cluster Time Series sebagai Preprocessing
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-121 Data Mining Peramalan Konsumsi Listrik dengan Pendekatan Time Series sebagai Preprocessing M. Alfan Alfian Riyadi, Kartika
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciProgram Studi Matematika, Institut Teknologi Kalimantan, Balikpapan
J. Math. and Its Appl. E-ISSN: 2579-8936 P-ISSN: 1829-605X Vol. 14, No. 2, Desember 2017, 25-37 Perbandingan Metode ARIMA dan Double Exponential Smoothing pada Peramalan Harga Saham LQ45 Tiga Perusahaan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih terperinciPERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih terperinciPeramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL)
Peramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL) Ainil Karomah dan Suhartono Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih terperinciPeramalan Harga Beras di Perum BULOG Divre Jatim
Peramalan Harga Beras di Perum BULOG Divre Jatim Disusun oleh : Woro Morphi H (1309030010) Dosen Pembimbing : Dr. Suhartono, S.Si, M.Sc Pendahuluan Latar Belakang, Perumusan Masalah,Tujuan Penelitian,
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2
Vol. 7, No. 2, Desember 2012 ESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2 Novi Mara KODE ARTIKEL : 117-2-12
Lebih terperinciBAB I PENDAHULUAN. finansial (financial assets) dan investasi pada aset-aset riil (real assets). Investasi pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Investasi pada hakikatnya merupakan komitmen terhadap sejumlah sumber daya pada saat ini dengan tujuan untuk mendapatkan keuntungan di masa depan (Abdul halim,
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
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 terperinciPERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2016, Halaman 101-110 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA
Lebih terperinciSedangkan model fungsi transfer bentuk kedua adalah sebagai berikut :
1 Metode Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 255 dengan Pendekatan Fungsi Transfer Dwi Listya Nurini, Brodjol Sutijo SU Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 771-780 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP
Lebih terperinciPenerapan Model Hybrid ARIMA-Neural Network pada Data Saham IHSG
Penerapan Model Hybrid ARIMA-Neural Network pada Data Saham IHSG ¹) Ariane Yustisiani Mutmainah 1, Jadi Suprijadi 2, Zulhanif 3 Mahasiswa Program Studi Magister Statistika Terapan Universitas Padjajaran
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 terperinciCombined for Time Series Forecasting
RBF and ARIMA Combined for Time Series Forecasting Dian Tri Wiyanti Teknik Informatika Universitas Semarang Semarang, Indonesia deediy87@gmailcom Reza Pulungan Jurusan Ilmu Komputer dan Elektronika FMIPA
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 terperinciPERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT
PERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT Novian Endi Gunawan 1, I Wayan Sumarjaya 2, I G.A.M. Srinadi 3 1 Program Studi Matematika,
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model)
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun
Peramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun NAMA : RITA RAHMADHANI NRP : 1306 030 008 PEMBIMBING: DR. BRODJOL SUTIJO
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciPemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR
JURNAL SAINS DAN SENI POMITS Vol., No., (0) 7-0 (0-X Prin D-7 Pemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR Laily Awliatul Faizah dan Setiawan Jurusan Statistika,
Lebih terperinciPEMODELAN DAN PERAMALAN INDEKS HARGA SAHAM VECTOR AUTOREGRESSIVE EXOGENOUS (VARX)
PEMODELAN DAN PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG), JAKARTA ISLAMIC INDEX (JII), DAN HARGA MINYAK DUNIA BRENT CRUDE OIL MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE EXOGENOUS (VARX) SKRIPSI Disusun
Lebih terperinciPeramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA
JEKT 8 [2] : 136-141 ISSN : 2301-8968 Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA Rukini *) Putu Simpen Arini Esthisatari Nawangsih Badan Pusat Statistik
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB IV KESIMPULAN DAN SARAN. maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan data
BAB IV KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan uraian dan pembahasan pada bab-bab sebelumnya, maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih 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 terperinciSKRIPSI JURUSAN STATISTIKA PERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
PERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SKRIPSI Disusun Oleh : LINA IRAWATI NIM : 24010211140072 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama : Zahroh Atiqoh NRP : 1205 100 021 Dosen Pembimbing : 1. Dra. Nuri Wahyuningsih, MKes 2. Drs. Sulistiyo,
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas FMIPA
Lebih terperinci99.9. Percent maka H 0 diterima, berarti residual normal
Uji residual white noise 2 Lag Q P value 6 3.5 9.49 0.5330 2 6.6 8.3 0.803 8 9.8 26.30 0.9059 24 9.3 33.92 0.6374 K p q Uji residual berdistribusi normal Percent 99.9 99 95 90 80 70 60 50 40 30 20 0 5
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciTugas Akhir. Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA. Oleh : C. Ade Kurniawan
Tugas Akhir Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA Oleh : C. Ade Kurniawan 1304100022 Latar Belakang Ketidakpastian dalam aliran hulu supply
Lebih terperinciPENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: NURKHOIRIYAH 1205100050 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. 1 Latar
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciPERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.
PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 737-745 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DAYA LISTRIK BERDASARKAN JUMLAH PELANGGAN PLN MENGGUNAKAN
Lebih terperinciPERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN
PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN MENGGUNAKAN HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE NEURAL NETWORK Disusun oleh : Berta Elvionita Fitriani 24010211120005
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciPENDEKATAN MODEL EKONOMETRIKA UNTUK MEMPREDIKSI INDEKS SAHAM SYARIAH INDONESIA
PENDEKATAN MODEL EKONOMETRIKA UNTUK MEMPREDIKSI INDEKS SAHAM SYARIAH INDONESIA Nuri Wahyuningsih 1), Daryono Budi U. 2), R.A. Diva Zatadini 3) 1)2))3) Departemen Matematika FMIPA ITS Kampus ITS Keputih,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 323-332 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN FUNGSI TRANSFER DENGAN DETEKSI OUTLIER UNTUK MEMPREDIKSI
Lebih terperinciPEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL PADA DATA JUMLAH WISATAWAN MANCANEGARA EMPAT KABUPATEN/KOTA DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 1017-1026 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciPERAMALAN PRODUKSI PADI DENGAN ARIMA, FUNGSI TRANSFER DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
PERAMALAN PRODUKSI PADI DENGAN ARIMA, FUNGSI TRANSFER DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Oleh: ADI WIJAYA NRP. 1310201720 Dosen Pembimbing: Dr. Suhartono, S.Si, M.Sc PROGRAM MAGISTER STATISTIKA
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018 1 a. Misalkan data asal Y t. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal sehingga
Lebih terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
Lebih 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 terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 1 Ada tiga tahapan iteratif dalam pemodelan data deret waktu yang berbasis model ARIMA, yaitu: 1. Penentuan model
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciEFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN
EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN Puji Rahayu 1), Rohmah Nur Istiqomah 2), Eminugroho Ratna Sari 3) 1)2)3) Matematika
Lebih terperinciPEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL LIFE ASSURANCE
PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL LIFE ASSURANCE Suryo Djojonegoro 1), Suhartono 2), dan Dian Retno Sari
Lebih terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA SKRIPSI Disusun Oleh: UMI SULISTYORINI ADI 24010212140082 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciKAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPemodelan Data Curah Hujan Di Kabupaten Banyuwangi dengan Metode ARIMA dan Radial Basis Function Neural Network
JURNAL SAINS DAN SENI ITS Vol. 5 No. (6) 337-35 (3-98X Print) D-339 Pemodelan Data Curah Hujan Di Kabupaten Banyuwangi dengan Metode ARIMA dan Radial Basis Function Neural Network Novelina Purba dan Brodjol
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 683-693 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN DAN PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG),
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciSpesifikasi Model. a. ACF
Dept. Statistika IPB, 0 Spesifikasi Model Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi
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 terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciPeramalan Indeks Harga Saham di Indonesia dan Dunia dengan Model Univariate dan Multivariate Time Series
Peramalan Indeks Harga Saham di Indonesia dan Dunia dengan Model Univariate dan Multivariate Time Series Silvia Roshita Dewi, Agus Suharsono, dan Suhartono Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPERAMALAN KONSUMSI LISTRIK JANGKA PENDEK DENGAN ARIMA MUSIMAN GANDA DAN ELMAN-RECURRENT NEURAL NETWORK
Suhartono, Peramalan Konsumsi Listrik Jangka Pendek dengan Arima Musiman Ganda Elman-Recurrent Neural Network PERAMALAN KONSUMSI LISTRIK JANGKA PENDEK DENGAN ARIMA MUSIMAN GANDA DAN ELMAN-RECURRENT NEURAL
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-24 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 20, Halaman 74-74 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus : KA Argo Muria)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 131-140 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih terperinci