agenda Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran

Transkripsi

1 seminar ugas akhir Renny Elfira Wulansari 0000 pembimbing Dr. Suharono, S.Si, M.Sc Gedung H Lanai Saisika FMIPA-ITS Surabaya, Juli 04

2 agenda Pendahuluan Tinjauan Pusaka Meodologi Peneliian Analisis dan Pembahasan Kesimpulan dan Saran

3 pendahuluan

4 laarbelakang ujuan unggal mencapai dan menjaga kesabilan nilai rupiah Peramalan neflow uang karal Memanau neflow uang karal ARIMA (Dengan Efek Variasi Kalender) pendahuluan

5 laarbelakang peramalan belum baik Eksrapolasi Daa ARIMA Belum menggambarkan pola musiman daa Adanya hari raya idul firi yang nilai neflow uang karalnya cenderung sanga besar, dengan kondisi erjadinya yang iap ahun bergesar maju hari. ARIMA (Dengan Efek Variasi Kalender) pendahuluan

6 laarbelakang Oher Research Suharono e al (00) meramalkan hasil penjualan salah sau perusahaan reail per bulan khususnya pada bulan dimana erdapa hari raya idul firi membandingkan hasil peramalan anara meode ARIMA dengan ren sokasik, ARIMA dengan ren deerminisik, dekomposisi, ARIMA musiman (SARIMA), dan Arificial Neural Nework (ANN) pendahuluan

7 laarbelakang Oher Research Moshiri dan Cameron (000) perbandingan proyeksi inflasi anara model ekonomerika sederhana yaiu ARIMA, Vecor Auoregressive (VAR) model, dan Bayesian Vecor Auoregression model dengan ANN hasil proyeksi ANN lebih baik dibandingkan proyeksi menggunakan model ekonomerika sederhana Model Arificial Neural Nework (ANN) merupakan salah sau eknik peramalan baru dalam bidang ekonomi dan keuangan. Kelebihan dari model ini adalah model ini bebas dari asumsi linierias yang harus digunakan dalam meode ekonomerika radisional seperi ARIMA pendahuluan

8 rumusanmasalah Bagaimana karakerisik dari daa neflow uang karal Bank Indonesia? Bagaimana model ARIMA yang sesuai unuk memprediksi neflow uang karal Bank Indonesia? Bagaimana model Radial Basis Funcion Nework yang sesuai unuk memprediksi neflow uang karal Bank Indonesia? Bagaimana perbandingan hasil prediksi neflow uang karal Bank Indonesia dengan menggunakan model ARIMA dan model Radial Basis Funcion Nework? pendahuluan

9 injauan pusaka

10 uang Pembayaran unai selain menggunakan uang karal juga dapa dengan menggunakan cek. Dalam melakukan pembayaran dengan cek seseorang harus memiliki simpanan dalam benuk rekening giro di suau bank umum. Uang yang berada dalam rekening giro bank umum ini disebuuang giral Uang karal adalah uang keras dan uang logam rupiah yang dikeluarkan dan diedarkan oleh Bank Indonesia

11 uang M M0 Uang Kuasi M Uang Giral Uang Karal di Masyaraka Giro Masyaraka Uang Karal di BI Giro Bank Umum SBI

12 uang Selisih anara ouflow dan inflow disebu neflow ouflow > inflow maka selisihnya disebu ne ouflow ouflow < inflow maka selisihnya disebu ne inflow ouflow Neflow inflow

13 fungsiransfer Fungsi ransfer merupakan meode peramalan nilai dere waku yang didasarkan nilai-nilai masa lalu dere iu sendiri sera pada sau aau lebih dere waku lain yang berhubungan dengan dere waku ersebu (dere inpu ). = v B + η dimana v B = ω s(b)b b δ r (B) dan η = θ(b) φ(b) α dengan, : dere oupu yang sasioner : dere inpu yang sasioner η : dere noise ω s B = ω 0 ω B ω B ω S B S δ r B = δ B δ B δ r B r

14 ARIMA(Calendarvariaioneffec) rend dummy efek variasi kalender dummy seasonal (bulan) Model ARIMA adalah model ARIMA dengan ambahan variabel. Terdapa beberapa jenis ambahan variabel, misalnya variabel-variabel dummy unuk efek variasi kalender dan ren deerminisik. Model ARIMA dengan ren deerminisik adalah sebagai beriku. = l + β V, + β V, + + β k V k, +m S, + m S, + + m k S k, + θ q(b) φ p (B) α Residual yg di modelkan ARIMA (Suharono e al, 00)

15 pemilihanmodelerbaik Mean Absolue Percenage Error (MAPE) merupakan salah sau krieria yang dapa digunakan dalam pemilihan model (Wei, 006). Perhiungan nilai MAPE adalah sebagai beriku: MAPE = n n = : nilai sesungguhnya : nilai peramalan

16 RadialBasisFuncionNework(RBFN) Komponen RBFN sama dengan ANN lainnya, yaiu memiliki neuron, fungsi akivasi, dan bobo (weigh). Pemodelan RBFN diliha pada benuk jaringan yang erdiri dari jumlah neuron pada inpu layer, jumlah neuron pada hidden layer, julah oupu pada oupu layer, sera fungsi akivasi. Pada iap node di hidden layer RBFN menggunakan Radial Basic Funcion (RBF) yang dilambangkan dengan φ(r). Fungsi akivasi ini merupakan fungsi akivasi nonlinier. Fungsi akivasi yang biasa digunakan dalam RBFN adalah fungsi Gaussian. = F x = m w i φ( x c i ) i=0 i : 0,, m y x : oupu RBFN w i c i : bobo (weigh) : cener. : Euclidean Norm

17 RadialBasisFuncionNework(RBFN) Gambar. Conoh arsiekur model RBFN (Swammy, 006)

18 meodologi peneliian

19 sumberdaa Neflow uang karal dan Kurs didapa dari Bank Indonesia daa sekunder Indeks Harga Konsumen dari Badan Pusa Saisik Indonesia Daa bulanan dengan periode bulan Januari 004 hingga Desember 0 meodologipeneliian

20 variabelpeneliian Neflow Uang Karal -> Variabel Respon Indeks Harga Konsumen -> Variabel Predikor ( ) Nilai ukar rupiah per sauan dollar AS (rupiah) -> Variabel Predikor ( ) meodologipeneliian

21 langkahanalisis Menganalisa karakerisik dari daa neflow uang karal Pemodelan ARIMA (Akan dibenuk model ARIMA) Pemodelan RBFN (Radial Basis Neural Nework) Membandingkan hasil proyeksi anara model ARIMA dan RBFN berdasarkan nilai RMSE hasil proyeksi Menarik kesimpulan meodologipeneliian

22 analisis & pembahasan

23 karakerisikneflowuangkaral saisikadeskripifneflowuangkaral Tahun Minimum Maksimum Raa-Raa Deviasi Sandar Toal analisisdanpembahasan

24 karakerisikneflowuangkaral 7000 M ke- M ke-4 M ke- M ke- M ke-4 M ke- M ke-4 M ke- M ke- Ke: - hari raya hari raya () M ke & hari raya () M ke & 4 + hari raya Neflow Uang Karal (Milyar Rupiah) Monh Year Jan 00 Jan 006 Jan 007 Jan 008 Jan 009 Jan 00 Jan 0 Jan 0 Jan 0

25 karakerisikneflowuangkaral hasilanalisa Bulan Januari merupakan bulan yang umumnya mengalami neflow yang rendah dibanding bulan nefloweringgidanerendah lain. Tahun Neflow Terendah Neflow Teringgi Terjadinya Hari Raya Bulan Desember merupakan bulan yang umumnya mengalami neflow yang 00 Januari, Nopember Okober, Desember Minggu Ke- Nopember inggi dibanding bulan lain. 006 Januari, Nopember Okober, Desember Minggu Ke-4 Okober 007 Januari, Nopember Sepember, Desember Minggu Ke- Okober Keika Idul Firi jauh pada minggu ke- aau minggu ke-, neflow erendah -> bulan erjadinya Idul Firi neflow eringgi -> sau bulan sebelum erjadinya Idul Firi 008 Januari, Okober Sepember, Desember Minggu Ke- Okober 009 Januari, Okober Sepember, Desember Minggu Ke-4 Sepember 00 Januari, Sepember Agusus, Desember Minggu Ke- Sepember Keika Idul Firi jauh pada minggu ke- aau minggu ke-4, neflow erendah -> sau bulan seelah erjadinya Idul Firi neflow eringgi -> bulan erjadinya Idul Firi 0 Januari, Sepember Agusus, Desember Minggu Ke-4 Agusus 0 Januari, Sepember Agusus, Desember Minggu Ke- Agusus 0 Januari, Agusus Juli, Desember Minggu Ke- Agusus

26 karakerisikneflowuangkaral boxcoxplo Sasioner dlm varian ACFdanPACF Lower CL Upper CL Lambda (using 9.0% confidence) Esimae 0.96 Lower CL 0.0 Upper CL.4 Rounded Value.00 Auocorrelaion Parial Auocorrelaion SDev Lag ADFes 0 Lag Lambda 4 Limi Sasioner dlm Mean DF=,99 dengan p-value=0,0

27 peramalanarima (variasikalender) ujisignifikansiarimaar() seelahbackwardeliminaion Parameer Esimasi Sd. Error p-value Φ -0,46 0,00 -,49 <,000 V, -7464, ,00-7, <,000 V, ,00 49,700 9, <,000 V,- 666,400 47,00 4,60 <,000 V,- 0, ,800,40 0,089 V 4, 46,700 47,600 0,6 <,000 V 4, ,600 4,400-7,0 <,000 Parameer Esimasi Sd. Error p-value S, -080,700 9,000-8,04 <,000 S, -980,00 7,00 -,6 0,000 S 6, 989,00 87,400,8 0,000 S 9, -990,00 9,600 -,8 0,00 S 0, -7690, ,000 -,70 0,0084 S, 844, ,00 9,69 <,000,44,7 4,7 <,000

28 peramalanarima (variasikalender) ujiwhienoise, ,6V 8998,6V 989,S 666,4V 6, 844,4S,- 4, 0,6V 080,7S 990,S,, 9, 49947,V,, ( 0,46B) 7690,4S 980,S a, 46,7V 0,, 4, Sampai Lag Chi-Square Deraja Bebas (df) p-value 6 4, 0,,64 7 0,49 8 7,6 0, , 9 0,79 6 7,77 0,80 Belum Normal ujikenormalan KS=0,7 dengan p-value <0,0

29 peramalanfungsiransfer (variabelpredikorihk) ACFdanPACFseelahdifferencing SDev boxcoxploihk Lower CL 0.0 Lambda Lambda. Upper CL (using 9.0% confidence) Esimae. Lower CL 0.99 Upper CL.4 Rounded Value.00 ADFes.0 Limi DF=-,07 dengan p-value=0, Sasioner dlm varian Belum Sasioner dlm Mean Auocorrelaion Lag ujisignifikansiarima(,,) 90 Parial Auocorrelaion Parameer Esimasi Sd. Error p-value ϕ 0,988 0,09 8, <,000 θ 0,870 0,0666,08 <,000 ujiwhienoise Sampai Lag Chi-Square Deraja Bebas (df) p-value 6, 4 0, 9,99 0 0,446 8, 6 0,79 4,7 0, Lag

30 crosscorrelaionfuncion peramalanfungsiransfer (variabelpredikorihk) ujiwhienoise Sampai Lag Chi-Square Deraja Bebas (df) p-value 6 8, 6 <,000 87, <, ,98 8 <, ,7 4 <,000 ACFdanPACFresidual ujisignifikansib,r,s(,0,0) =-,8 dengan 0,0;9 =,8 Auocorrelaion Lag Parial Auocorrelaion Lag

31 peramalanfungsiransfer (variabelpredikorihk) ujiwhienoiseakhir ujisignifikansib,r,s(,0,0) dengannoisearima(,0,0)(,0,0) Parameer Esimasi Sd. Error p-value ϕ -,87 0,0978 -,46 <,000 ϕ -0, ,7-7,4 <,000 ujikenormalan KS=0, dengan p-value <0,0 Belum Normal ϕ -0,4696 0,0969-4,4 <,000 ϕ 0,7790 0,084 9,0 <,000 ω 0-4,9 44,090 -,8 0,044, ,6V 080,7S,, 980,S 49947,V,, 989,S 6, 666,4V 990,S 9,,- 0,6V 7690,4S 0,, 844,4S 46,7V, 4, 8998,6V ( 0,46B) a 4,

32 SDev Lambda (using 9.0% confidence) Esimae -.00 Lower CL * Upper CL * Rounded Value -.00 boxcoxplokurs Sasioner dlm varian peramalanfungsiransfer (variabelpredikorkurs) ACFdanPACFseelahdifferencing Auocorrelaion Lag ujisignifikansiarima(0,,[]) 90 Parial Auocorrelaion Parameer Esimasi Sd. Error 0,0;9 p-value Lag Lambda ADFes DF=-,9 dengan p-value=0,96 Belum Sasioner dlm Mean θ -0,87 0, ,60,77 <,000 ujiwhienoise Sampai Lag Chi-Square Deraja Bebas (df) χ 0,0;df p-value 6,87 9,49 0,677 0,0 8, 0, ,8 7 6,0 0, ,8,9 0,68

33 peramalanfungsiransfer (variabelpredikorkurs) crosscorrelaionfuncion Tidak ada b,r,s yang signifikan

34 peramalanfungsiransfermuli-inpu (variabelpredikorihkdankurs) parameer yang signifikan hanya variabel IHK, ujisignifikansiihkdankurs Model dengan predikor IHK: ARIMA(,,) dengan b,r,s (,,) Model dengan predikor kurs: ARIMA(0,,[]) Variabel Parameer Esimasi Sd.Error 0,0;94 p-value IHK ω 0-66,9 746, -,9,78 0,089 Kurs ω 0,96 9,887,8,78 0,48 variabel kurs parameernya idak signifikan Maka variabel kurs ini harus dihilangkan dalam model. Keika variabel kurs dihilangkan dari dalam model oomais model yang erbenuk akan sama dengan model pada sub bab sebelumnya yaiu model fungsi ransfer univaria anara neflow uang karal dan IHK

35 Parameer Esimasi ujisignifikansiarimagab denganihkb,r,s(,[,],0) derenoisearima(,0,0) Sd. Error T peramalanarimagabungan (variasikalenderdanihk) p- value Φ -0,64 0,0-6,66 <,000 ω 0-494,70 7,9 -,09 0,040 ω -64,90 9,0 -,6 0,0 ω 86,0 9,0, 0,077 V, -764,60 478,0-7,9 <,000 V,- 4799, ,40 0,0 <,000 V,- 007,90 49,70, <,000 V,- 849,80 60,0,0 0,00 V 4, 4,00 84,70 0,99 <,000 V 4,+ -88,0 77,0-7,6 <,000 Parameer Esimasi Liha CCF Dengan sysem rial error Cari b,r,s yang signifikan Sd. Error p- value S, -4967,80 64,0-9,4 <,000 S, -040,0 7,0-4,4 <,000 S 6, 67,60 4,80,68 0,009 S 9, -998,60 7,00 -,60 0,0006 S 0, -909,0 6,40 -, 0,0008 S,,60 668,60 9,8 <,000 ujiwhienoise Sampai Lag Chi- Deraja Bebas (df) p- value Square 6,0 0,688 6,0 0,89 8 6,9 7 0, ,70 0,89 ujikenormalan KS=0,04 dengan p-value 0,07 Belum Normal

36 peramalanarimagabungan (variasikalenderdanihk) ujisignifikansiarimagab denganoulier Parameer Esimasi Sd. Error p- value S, -07,0 87,0-0,7 <,000 S, -08,40 0,0 -,9 <,000 S 6, 669,0 886,00,8 0,00 S 9, -7,00 7,40 -,04 0,00 S 0, -87,40 8,70 -,60 0,0006 S, 76,40 9,00 0, <,000 ώ A,T =79 8, ,80,77 0,000 ώ A,T = -709,70 80,0 -,94 0,0044 ώ A,T =96 0,0 6,00,67 0,0094 ώ A,T =8-847,90 770,90 -,0 0,00 Parameer Esimasi Sd. Error p- value Φ -0,70 0,09-7,79 <,000 ω 0-4,40 78,90 -, 0,04 ω -464,40 748, -,9 0,006 ω 097,0 8,8,4 0,00 V, -7464,40 8,0-9,7 <,000 V,- 47,00 87,60,8 <,000 V,- 4,0 4,60 6, <,000 V,- 0664,0 44,40 4,67 <,000 V 4, 476,40 89,80, <,000 V 4,+ -0,80 64,0 -,8 <,000

37 peramalanarimagabungan (variasikalenderdanihk) Sampai Lag Chi- Square ujiwhienoise Deraja Bebas (df) χ 0,0;df p-value 6,9,07 0,69,6 9,68 0,400 8,9 7 7,9 0, ,86,7 0,7 7464,4V 0664,V 07,S 87,4S 709,7I 4,4,,, 0, (), 47V 476,4V 08,4S 76,4S 0,I,, 464,4 4,, (96) 4,V 0,8V 669,S, 8I 6, (79) 847,9I 097,,- 4, 7S (8), 9, a ( 0,7B) ujikenormalan KS=0,08 dengan p-value 0,44 Normal

38 peramalanrbfn hasillearningrbfn RBFN ARIMA Meode MAPE 7-0-0, , , , ,6 Meode MAPE RBFN Fs. Transfer (variabel predikor IHK) , , , , ,0 RBFN ARIMA Gabungan Meode MAPE --,469 --, ,88-4-,8 --,96

39 peramalanrbfn conohperhiungan peramalanrbfn Misal RBFN inpu Fs. Transfer (9--) ) ( ) ( 46,4-779, - ) ( ) ( ) ( 0 x F Dengan, 6 6,,,, (6.7) 879,98 4 (6.7) 6, 8,... (6.7) 99,06 4,76 (6.7) 99,66,49 exp(... exp( ) ( 6 6,,,, (4,98) 46, 4 (4,98) 046,74 8,... (4,98),9 4,76 (4,98),09,49 exp(... exp( ) (

40 perbandinganarimadenganrbfn hasilforecasing Model Bulan Ramalan Bulan Ramalan Meode RMSE MAPE ARIMA (Variasi Kalender) 0,84 Fs. Transfer (IHK),88 ARIMA Gabungan Dengan Oulier 0,777 RBFN ARIMA (7--),004 RBFN Fs. Transfer (9--) 0,878 RBFN ARIMA Gabungan (--),94 ARIMA Gabungan Dengan Oulier BerdasarkanmodelARIMAGabungan, dengan harirayaidulfiri jauhpadaminggu ke-bulan Agususdiahun 0didapa: Neflowyangurundrasisdarisaubulansebelumerjadinyaidulfiri kebulanerjadinyaidulfiriyaiuagusus(bulan 8) Neflow yangerusmenurundarisaubulansebelumidulfiri,ke bulanidulfiri, kemudian saubulan seelah idulfiri. NeflowyanginggipadasaubulansebelumerjadinyaidulfiriyaiuJuli(bulan7) BulanJanuari0 mengalamineinflowyangsangainggi neouflowyanginggiselainpadabulanjuliadalahpadabulandesember

41 pemecahanmodelarimagabungan pemecahan berdasarkan bulan yang akan diramalkan nilai neflow nya sedang unuk Mare, April, Mei, juli, Agusus, dan November (8) (96) () (79) (8) (96) () (79) 6, 4,,,- 0,- 9,- 6,-,-,- 4, 4,-,,-,,-,,,, 0, 9, 6,,, 4, 4,,,-,, 0,7 9 I 0,8 I 94,8 I 69, I 847,9 I 0, I 709,7 I 8 I 768, 7, 99 66,8 S 766, S 00, S 448,4 S 84,9 S 64 S 484 V 06, V 446, V 480,8 V 06,4 V 6, V 097, 464,4 4,4 76,4 S 87,4 S 7S 669,S 08,4 S 07,S 0,8 V 476,4 V 0664, V 4, V 47 V 7464,4 V ˆ 6, 4,,,,, 0,7 768, 7, , 464,4 4,4 ˆ 6, 4,,,,, 6, 4,,,,, 6, 4,,,,, 6, 4,,,,, 6, 4,,,,, 6, 4,,,,, 0,7 768, 7, , 464,4 4,4 76,4 ˆ (Des) 0,7 768, 7, , 464,4 4,4 87,9 ˆ (Ok) 0,7 768, 7, , 464,4 4,4 7 ˆ (Sep) 0,7 768, 7, , 464,4 4,4 669, ˆ (Jun) 0,7 768, 7, , 464,4 4,4 847,4 ˆ (Feb) 0,7 768, 7, , 464,4 4,4 687, ˆ (Jan)

42 Ẑ pemecahanmodelarimagabungan Penambahan/pengurangan nilai neflow akiba pengaruh idul firi Unuk bulan yang merupakan sau bulan sebelum idul firi persamaan dalam bulan ersebu, Mengalami penambahan neflow sebesar 9.6 milyar rupiah jika idul firi erjadi pada minggu ke-. Mengalami penambahan nilai neflow sebesar.4, milyar rupiah jika idul firi erjadi pada minggu ke-. Mengalami penambahan nilai neflow sebesar 0.664, milyar rupiah jika idul firi erjadi pada minggu ke-. Tidak mengalami penambahan maupun pengurangan nilai neflow jika idul firi erjadi pada minggu ke- 4. Unuk bulan dimana erjadi idul firi persamaan dalam bulan ersebu, Mengalami penurunan neflow sebesar 7.464,4 milyar rupiah jika idul firi erjadi pada minggu ke-. Tidak mengalami penambahan maupun pengurangan nilai neflow jika idul firi erjadi pada minggu ke- aau minggu ke-. Mengalami penambahan nilai neflow sebesar 8.894,4 milyar rupiah jika idul firi erjadi pada minggu ke-4. Dan unuk bulan yang merupakan sau bulan seelah idul firi persamaan dalam bulan ersebu mengalami pengurangan sebesar.0,8 milyar rupiah jika jika idul firi pada ahun ersebu erjadi pada minggu ke-4. Sedangkan jika erjadi pada minggu ke-, ke-, dan ke-, persamaan unuk sau bulan seelah idul firi ersebu idak mengalami penambahan maupun pengurangan neflow. Jika akan meramalkan bulan yang merupakan dua bulan sebelum idul firi (-) maka persamaan, Mengalami penambahan neflow sebesar.06,4 milyar rupiah jika idul firi erjadi pada minggu ke-. Mengalami penambahan nilai neflow sebesar 4.80,8 milyar rupiah jika idul firi erjadi pada minggu ke-. Mengalami penambahan nilai neflow sebesar 4.46, milyar rupiah jika idul firi erjadi pada minggu ke-. Tidak mengalami penambahan maupun pengurangan nilai neflow jika idul firi erjadi pada minggu ke-4.

43 Acual VSforecasing Acual vs ARIMA (Variasi Kalender) vs RBFN ARIMA (7--) Acual vs ARIMA Gabungan dengan Oulier vs RBFN ARIMA Gabungan (--) Variable Acual ARIMA RBFN ARIMA Daa Variable Acual ARIMA Gab RBFN ARIMA Gab Acual vs Fs. Transfer (IHK) vs RBFN Fs. Transfer (9--) Variable Acual Fs. Transfer RBFN Fs.Transfer Index

44 kesimpulan & saran

45 kesimpulandansaran kesimpulan Model ARIMA (ARIMA dengan ambahan efek variasi kalender) yang sesuai unuk meramalkan neflow uang karal adalah ARIMA (,0,0) dengan variabel signifikan V,, V,-, V,-, V,-, V 4,,V 4,+ unuk variabel dummy efek variasi kalendernya dan S,, S,, S 6,, S 9,, S 0,, S, unuk dummy bulan-nya. Variabel yang menangkap ren kenaikan daa juga signifikan. Model fungsi ransfer yang sesuai unuk meramalkan neflow uang karal dengan variabel predikor IHK adalah prewhiening menggunakan ARIMA(,,) dengan b, r, s (,0,0) dan model dere noise ARIMA(,0,0)(,0,0) Variabel kurs idak memiliki pengaruh yang signifikan pada neflow uang karal secara univaria. Seelah dilakukan fungsi ransfer muli-inpu anara neflow uang karal dengan IHK dan kurs didapakan hasil yang sama bahwa hanya variabel IHK yang berpengaruh signifikan erhadap neflow uang karal sedangkan variabel kurs idak Karena efek variasi kalender dan variabel predikor IHK berpengaruh pada neflow uang karal maka dibenuk model ARIMA gabungan unuk meramalkan neflow uang karal. Model ARIMA gabungan yang sesuai unuk meramalkan neflow uang karal adalah model dengan variabel signifikan V,, V,-, V,-, V,-, V 4,, V 4,+ unuk variabel dummy efek variasi kalendernya dan S,, S,, S 6,, S 9,, S 0,, S, unuk dummy bulan-nya. Variabel predikor IHK juga signifikan dengan b, r, s (,[,],0) dan model dere noise ARIMA (,0,0). Model erbaik yang didapa dalam learning RBFN dengan inpu ARIMA (akiba efek variasi kalender) adalah model dengan uni neuron dalam hidden layer (dengan kisaran jumlah neuron pada hidden layer anara hingga ).

46 kesimpulandansaran kesimpulan Model erbaik yang didapa dalam learning RBFN dengan inpu fungsi ransfer (variabel IHK) adalah model dengan uni neuron dalam hidden layer (dengan kisaran jumlah neuron pada hidden layer anara hingga ). Model erbaik yang didapa dalam learning RBFN dengan inpu ARIMA gabungan adalah model dengan uni neuron dalam hidden layer (dengan kisaran jumlah neuron pada hidden layer anara hingga ). Berdasarkan hasil peramalan didapakan hasil model ARIMA gabungan anara efek variasi kalender dengan variabel predikor IHK sebagai model erbaik dibanding model lain dalam peneliian ini. saran Unuk peneliian selanjunya jumlah neuron dalam hidden layer yang dicoba pada learning RBFN dapa diperbanyak karena mungkin saja bisa didapakan hasil peramalan yang lebih baik lagi

47 dafarpusaka () Aswi & Sukarna. (006). Analisis Dere Waku: Teory dan Aplikasi. Makassar: Andira Publisher. Badan Pusa Saisik. (04). Meodologi Inflasi. Rerieved from Bank Indonesia. (04). Fungsi Bank Indonesia. Rerieved from hp:// Bank Indonesia. (04). Fungsi Bank Indonesia. Rerieved from hp:// Cryer, J. &. (008). Time Series Analysis wih Applicaion in R (nd ediion). New York: Springer Science+Business Media, LLC. Daniel, W.W. (986). Saisika Nonparamerik Terapan. Jakara: PT Gramedia Pusaka Uama. Fause, L. (994). Fundamenal of Neural Nework: Archiecures, Algorihm, and Applicaions. New Jersey: Prenice Hall Inc. Kusumadewi, S. (004). Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB dan Excel Link). Yogyakara: Graha Ilmu.

48 dafarpusaka () Moshiri, S & Cameron, N. (000). Journal of Forecasing. Neural Nework Versus Economeric Models in Forecasing Inflaion, 0-7. Sadono & Sukirno. (998). Penganar Teori Makroekonomi. Jakara: PT Raja Grafindo Persada. Solikin & Suseno. (00). Uang: Pengerian, Pencipaan, dan Peranannya dalam Perekonomian. Jakara: Bank Indonesia. Suharono, Lee, M. H, Hamzah, N.A. (00). Proceedings of he Regional Conference on Saisical Sciences. Calendar Variaion Model Based on Time Series Regression for Sales Forecas: The Ramadhan Effecs, 0-4. Swammy, M.N.S. (006). Neural Neworks in a Sofcompuing Framework. Germany: Springer Science and Business Media. Walpole, R.E. (99). Penganar Saisika. Jakara: PT. Gramedia Pusaka Uama. Wei, W.W.S. (006). Time Series Analysis, Univariae, and Mulivariae Mehods. Canada: Addison Wesley Publishing Company.

49 seminar ugas akhir Renny Elfira Wulansari 0000 pembimbing Dr. Suharono, S.Si, M.Sc Gedung H Lanai Saisika FMIPA-ITS Surabaya, Juli 04