PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M
|
|
- Yuliana Hartono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: Nurkhoiriyah Dosen pembimbing: Dra. Nuri Wahyuningsih, M. Kes. Jurusan Matematika FMIPA-ITS ABSTRAK Pengukuran risiko merupakan hal yang sangat penting dalam analisis keuangan mengingat hal yang berkenaan dengan investasi dana. Salah satu aspek yang penting dalam analisis risiko keuangan adalah perhitungan Value at Risk (VaR) yang merupakan pengukuran kemungkinan kerugian terburuk dalam kondisi pasar yang normal pada kurun waktu T dengan tingkat kepercayaan tertentu α. Salah satu model yang dapat digunakan untuk mengestimasi resiko berdasarkan kerangka kerja VaR adalah model Generalized Autoregresssive Conditional Heterokedasticity in Mean (GARCH-M). Oleh karena itu dalam penelitian ini akan digunakan model ARMA dan GARCH-M pada data log return saham PT Telkom. Dari analisis yang dilakukan, didapatkan model yang sesuai dengan data yaitu model ARMA(1,1) dan GARCH(1,1)-M. Berdasarkan estimasi VaR diperoleh bahwa dengan tingkat kepercayaan 95% jika mengasumsikan besarnya investasi sebesar Rp ,00 didapatkan kemungkinan kerugian terburuk sebesar Rp ,00 Semakin besar tingkat kepercayaan maka semakin besar VaR yang diperoleh. Kata kunci: Value at Risk, data log return, model ARMA, model GARCH-M. 1. PENDAHULUAN Resiko adalah besarnya penyimpangan antara tingkat pengembalian yang diharapkan (expected return) dengan tingkat pengembalian aktual (actual return) (Halim, 2005). Pengukuran resiko merupakan hal yang sangat penting berkaitan dengan investasi dana yang cukup besar. Oleh karena itu sangat diperlukan alat yang bisa digunakan mengukur resiko agar dapat diketahui sejauh mana investor dapat dengan aman berinvestasi. Semenjak publikasi J.P. Morgan Riskmetrics (1999) kalkulasi VaR (Value at Risk) merupakan salah satu bentuk pengukuran risiko yang cukup baik. Hal ini mengingat kesederhanaan dari konsep VaR sendiri, selain itu juga memiliki kemampuan implementasi dalam berbagai metodologi statistika yang beragam dan mutakhir. Ada banyak metode yang bisa digunakan untuk megestimasi resiko berdasarkan kerangka kerja VaR. Ari Wijayanti (2007) membandingan analisis resiko investasi saham PT. Telkom dan Indosat menggunakan metode VaR melalui pendekatan Distribusi Mixture dan uni-model. 1
2 Dalam makalah ini akan digunakan model Generalized Autoregressive Conditional Heteroskedasticity in Mean (GARCH-M) dalam perhitungan VaR. Selanjutnya, Metode ini diterapkan untuk mengestimasi VaR data log return PT. Telkom. 2. MODEL PENGUKURAN RESIKO ARMA merupakan bentuk model time series yang berusaha untuk mengidentifikasikan persamaan regresinya dengan hanya menggunakan nilai masa lalunya atau kombinasi nilai masa lalu dan residual masa lalunya. ARMA adalah gabungan dari model AR (Autoregressive) dan model MA (Moving Average). 1. Autoregressive Model (AR) Bentuk umum model autoregressive dengan orde p AR (p) adalah: (1) 2. Moving Average Model (MA) Bentuk umum model moving average orde q (MA (q) adalah: (2) 3. Proses ARMA Secara umum model ARMA (p,q) adalah: (3) Data time series dari sektor keuangan atau finansial sangat tinggi nilai volatilitasnya. Hal ini ditunjukkan oleh suatu keadaan dimana fluktuasinya relatif tinggi dan kemudian diikuti fluktuasi yang rendah dan kembali tinggi. Dengan tingginya volatilitas data maka perlu dibuat suatu model pendekatan tertentu untuk mengukur masalah volatilitas residual. Salah satu pendekatan untuk memprediksi volatilitas varian residual adalah dengan memasukkan variabel independen yang mampu memprediksi volatilitas residual tersebut. Robert Engle adalah ahli ekonometrika yang pertama kali menganalisis adanya masalah heterokedastisitas dari varian residual di dalam data time series. Pemodelan GARCH yang dikemukakan oleh Bollerslev (1986) merupakan bentuk umum atau generalisasi dari model ARCH yang dikemukakan oleh Engle (1982) dan didefinisikan sebagai berikut: suatu proses dikatakan sebagai proses ARCH dengan order, jika ~ 0, dengan (4) secara umum model GARCH (p,q): (5) Jika kita memasukan variansi bersyarat atau deviasi standar ke dalam persamaan mean maka kita akan mendapatkan model GARCH in Mean (GARCH-M) (Engle, Liliens dan Robins, 1987). Model GARCH (p, q)-m dapat didefinisikan sebagai ; (6) dimana dan konstan adalah konstan. Parameter c disebut parameter premium risk c positif menunjukan bahwa return secara positif dipengaruhi oleh volatilitas sebelumnya. Perincian lain dari premium risk yang digunakan termasuk. Perumusan dari model GARCH-M pada (7) menyatakan bahwa ada serial korelasi dalam deret return. Serial korelasi ini ditunjukkan pada proses volatilitas. 2
3 Menurut Ruppert (2004:346), VaR didefinisikan sebagai batas risiko pasar (risk market) yang dapat diperkirakan sedemikian sehingga kerugian selama waktu horizon tertentu lebih kecil dari batas kerugian tersebut, dengan peluang kejadian sebesar tingkat kepercayaan (confidence level) tertentu. VaR menggunakan dua parameter yaitu horizon (selang waktu pengamatan) dan confidence level, yang dinotasikan oleh T dan α 1.. Misalkan VaR diperkirakan sebesar X dengan selang waktu 24 jam (T) dan confidence coefficient adalah (100-α)%. Ini artinya terdapat α% peluang terjadinya kerugian yang melebihi X, selama 24 jam kedepan. VaR biasanya ditulis dalam bentuk VaR atau VaR, yang menandakan bahwa VaR bergantung pada nilai α dan T (Dowd, 2002). Estimasi VaR adalah : (7) sedangkan untuk sampel return persamaanya menjadi : (8) 3. METODOLOGI Data yang digunakan dalam penelitian tugas akhir ini adalah data sekunder yaitu data harian perdagangan saham PT. Telkom yang diperoleh dari BEJ (Bursa Efek Jakarta), yaitu pada data harian perdagangan bursa bulan Oktober 2008 hingga bulan April Sedangkan alat yang digunakan dalam penelitian ini adalah software minitab 14.0 dan Eviews 5. Time Series yang digunakan pada penelitian ini adalah model ARMA dan GARCH- M. Model ARMA digunakan dalam pemodelan mean, sedangkan model GARCH-M digunakan dalam pemodelan variansi. Pemilihan model terbaik didasarkan pada nilai nilai AIC dan SBC terkecil. Selanjutnya model mean dan variansi akan digunakan dalam estimasi VaR untuk mengetahui besarnya resiko dalam investasi saham PT. Telkom. 4. HASIL PENELITIAN Data observasi merupakan harga saham harian penutupan dari PT.Telkom selama bulan Oktober 2008 hingga April Karakteristik data yang dianalisis merupakan data log return (Continously Compounded Return) harga saham penutupan. Grafik dari data perusahaan tersebut dapat dilihat pada Gambar 1, sedangkan log return harga saham seperti tampak dalam Gambar 2. Time Series Plot of harga saham Time Series Plot of log return saham harga saham log return saham Index Gambar 1 Plot harga saham penutupan Index Gambar 2 Plot log return data saham penutupan Pada Gambar 2 terlihat bahwa plot log return saham Telkom telah stasioner dalam mean. Hal ini terlihat dari rata-rata deret pengamatan di sepanjang waktu yang selalu konstan (berfluktuasi di sekitar nilai tengah). 3
4 4.1 Estimasi model mean Dalam pemodelan ARMA langkah pertama yang harus dilakukan adalah identifikasi model yang bertujuan untuk mendapatkan model yang sesuai dengan data log return saham. Identifikasi ini dapat dilakukan dengan membuat plot time series ACF dan PACF. Hasilnya dapat dilihat dari Gambar 3 dan Gambar 4. Autocorrelation Autocorrelation Function for log return saham (with 5% significance limits for the autocorrelations) Partial Autocorrelation Partial Autocorrelation Function for log return saham (with 5% significance limits for the partial autocorrelations) Lag Gambar 3 Plot ACF data log return Lag Gambar 4 Plot PACF data log return Pada Gambar 3 pola dari ACF adalah cuts off setelah lag ke-1 dan pada Gambar 4 pola dari PACF adalah cuts off setelah lag ke-1, maka dugaan sementara untuk data log return saham adalah mengikuti model ARMA(1,1). Setelah mendapatkan model sementara, maka selanjutnya dilakukan estimasi parameter menggunakan Least-Square, hasilnya dapat dilihat pada Tabel 1. Tabel 1 Estimasi parameter model parameter koefisien SE t-statistik Prob ARMA(1,1) AR(1) = MA(1) = SSR= SSE= Dengan tingkat signifikansi sebesar 5% (0.05). Pada Tabel 1 probabilitas ARMA(1,1) lebih kecil dari 0.05 dan berdasarkan hasil uji signifikansi parameter, baik serentak maupun individu model ARMA(1,1) sesuai untuk data yang ada. Ada dua asumsi yang harus dipenuhi dalam menentukan model yang memenuhi kecukupan, yaitu residual bersifat white noise dan berdistribusi normal. Pengujian asumsi residual white noise dapat dilakukan dengan menggunakan uji Ljung-Box. Hipotesis: H 0 : 0 H 0 : minimal ada satu 0, dimana 1,2,,6 Statistik Uji Ljung-Box: berdasarkan hasil perhitungan yang ada di Tabel 2 untuk lag 6 didapatkan hasil: , ;
5 dengan 5%, jika.;, maka diterima artinya residual white noise. Atau menggunakan nilai, jika 5%, maka H 0 diterima artinya residual white noise. Selanjutnya dengan cara yang sama untuk lag 12, 18 dapat dilihat pada Tabel 2, dan disimpulkan residual bersifat white noise. Tabel 2 Uji asumsi residual white noise ARMA(1,1) lag Q-Stat.; Prob Sedangkan pengujian asumsi distribusi normal dapat dilakukan dengan menggunakan Uji Kolmogorov-Smirnov. Hipotesis: H 0 : untuk semua (berdistribusi normal) H 1 : untuk beberapa (tidak berdistribusi normal) Statistik uji: ; dengan 5%, karena.; maka ditolak, sehingga residual model tidak berdistribusi normal. Hal ini dapat dilihat pada Gambar 5. Probability Plot of residual Normal Mean StDev N 360 KS P-Value <0.010 Percent residual Gambar 5 Plot kenormalan Residual Berdasarkan Gambar 3 dan 4, data log return saham memungkinkan mengikuti lebih dari satu model ARMA. Untuk memilih model yang terbaik langkah selanjutnya adalah overfitting dengan memilih model ARMA yang mempunyai parameter signifikan, residualnya memenuhi asumsi white noise, dan mempunyai nilai AIC dan SBC terkecil. Hasil Overfitting model ARMA dapat dilihat pada Tabel 3. Dari hasil Tabel 3 menunjukkan bahwa model ARMA(1,1) merupakan model yang terbaik untuk data log return saham, karena memenuhi asumsi signifikansi parameter, residualnya memenuhi asumsi white noise, dan mempunyai nilai AIC dan SBC yang terkecil. Sehingga diperoleh persamaan model dari data log return saham sebagai berikut: (9) 5
6 Tabel 3 Model dugaan sementara Model ARMA keputusan Asumsi White noise AIC SBC ARMA(1,0) signifikan white noise ARMA(0,1) signifikan white noise ARMA(1,1) signifikan white noise Uji ada tidaknya unsur ARCH pada residual kuadrat melalui ACF dan PACF dapat dianalisis melalui Uji Statistik dari Ljung-Box. Tabel 4 Uji ARCH-GARCH dengan Ljung-Box To lag Q-Stat., Prob Berdasarkan Tabel 4 dengan hipotesis bahwa tidak ada efek ARCH-GARCH dalam residual, terlihat bahwa nilai probabilitas Q-Stat lebih kecil dari 0.05, sehingga hipotesis ditolak sehingga jelas masih terdapat efek ARCH-GARCH. Selain itu untuk mendeteksi adanya unsur heterokedastisitas Uji ARCH-LM juga dapat digunakan. Berdasarkan Tabel 5 dengan hipotesis bahwa tidak ada efek ARCH dalam residual, terlihat bahwa nilai probabilitas Obs*R-Squared lebih kecil dari 0.05, sehingga hipotesis ditolak sehingga jelas masih terdapat efek ARCH. Tabel 5 Uji ARCH-LM deteksi heterokedastisitas To lag Obs*R-Squared., Prob Estimasi model variansi Sebelum pemodelan ARCH,ARCH-M, GARCH-M dilakukan plot ACF dan PACF dari residual kuadrat untuk mendapatkan model yang sesuai. Plot ACF dan PACF dapat dilihat pada Gambar 6 dan Gambar 7: Autocorrelation Function for resid2 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for resid2 (with 5% significance limits for the partial autocorrelations) Autocorrelation Partial Autocorrelation Lag Gambar 6 Plot ACF residual kuadrat Lag Gambar 7 Plot PACF residual kuadrat 6
7 Plot residual kuadrat menunjukkan cuts off di PACF pada lag-1,2,3 maka model awalnya adalah ARCH(3), yaitu: Berdasarkan hasil uji signifikansi parameter, baik serentak maupun individu model ARCH(3) sesuai untuk data yang ada. Tabel 4.7 Model dugaan ARCH, ARCH-M,GARCH-M Model parameter Koefisien P AIC SBC ARCH (3) ARCH (1)-M ARCH (3)-M GARCH (1,1)-M GARCH (1,3)-M GARCH (4,1)-M GARCH (4,3)-M E E E E Model terbaik dapat dicari dengan mencoba beberapa model ARCH, ARCH-M, GARCH-M. Berdasarkan estimasi, model terbaik yang dipilih didasarkan pada tingkat signifikansi variabel independen AIC dan SBC. Koefisien ARCH(1)-M dan GARCH(1) dalam model GARCH(1,1)-M signifikan secara statistik dengan demikian dipilih sebagai model terbaik. Sehingga didapatkan model GARCH(1,1)-M adalah sebagai berikut dengan mean model ARMA(1,1): (10) (11) 7
8 Uji diagnostik dilakukan untuk melihat apakah model yang terbentuk telah cukup baik dalam memodelkan data. Untuk melihat apakah masih terdapat efek ARCH dalam residual digunakan test ARCH-LM. Tabel 6 Uji ARCH-LM To lag Obs *R-Squared., Prob Berdasarkan Tabel 6 dengan hipotesis bahwa tidak ada efek ARCH dalam residual, terlihat bahwa nilai probabilitas lebih besar dari 0.05, sehingga hipotesis diterima dengan kesimpulan jelas tidak terdapat efek ARCH. 4.3 Estimasi VaR Setelah pemodelan mean dan variansi dilakukan, selanjutnya akan dihitung besarnya VaR. Asumsikan dana yang dialokasikan sebesar Rp ,00 untuk investasi pada PT. Telkom, besarnya VaR dihitung dengan cara sebagai berikut: Model ARMA(1,1)-GARCH(1,1)-M adalah seperti persamaan mean (10) dan persamaan varians (11). Akan dihitung dan, yaitu: jadi nilai variansi ke-361 adalah , sehingga nilai volatilitasnya: Untuk menghitung besarnya quantile, dicari dari dan yang telah diketahui. Akan dihitung besarnya quantile dengan 5% (tingkat kepercayaan 95%), yaitu: Dengan menggunakan persamaan diperoleh VaR untuk saham PT. Telkom adalah: ,000, Sehingga VaR diperkirakan dengan selang waktu 24 jam (T) dengan tingkat kepercayaan 95%, kemungkinan kerugian maksimum yang dapat ditolerir oleh seorang investor dari dana yang telah diinvestasikan adalah sebesar Ini artinya 5% peluang terjadinya kerugian yang melebihi dalam 24 jam kedepan.tabel 4.9 memperlihatkan beberapa hasil perhitungan VaR dengan beberapa tingkat kepercayaan yang berbeda. 8
9 Tabel 7 Hasil perhitungan VaR model ARMA(1,1)-GARCH(1,1)-M Tingkat kepercayaan Volatilitas Quantile VaR dalam (Rp) 90% % % % Pada Tabel 4.9 terlihat bahwa semakin besar nilai tingkat kepercayaan yang digunakan, maka semakin besar pula nilai VaR yang dihasilkan, berarti semakin besar kemungkinan kerugian yang didapat. 5. PENUTUP Dari analisis data harga saham harian PT. Telkom dapat diambil kesimpulan bahwa model ARMA(1,1) GARCH(1,1)-M merupakan model yang cukup baik dalam memodelkan data log return harga saham. Bentuk model ARMA(1,1) adalah serta bentuk model GARCH(1,1)-M adalah Estimasi VaR dengan dengan 5% adalah Jika diasumsikan besarnya investasi Rp ,00 Sehingga VaR diperkirakan dengan selang waktu 24 jam (T) dengan tingkat kepercayaan 95%, kemungkinan kerugian maksimum yang dapat ditolerir oleh seorang investor dari dana yang telah diinvestasikan adalah sebesar Ini artinya 5% peluang terjadinya kerugian yang melebihi dalam 24 jam kedepan. Semakin besar tingkat kepercayaan maka semakin besar pula resiko yang akan dihasilkan. DAFTAR PUSTAKA Abraham & Johannes Ledolter, Bovas Statistical Methods for Forecasting. Waterlo, Ontario. Arizona, R Pemodelan volatilitas indeks harga saham LQ45 dengan metode ARCH- GARCH. Tugas Akhir-Statistika ITS, Surabaya. Gujarati, D.N Dasar-dasar Ekonometrika jilid 2. Jakarta:Erlangga Makridakis, S, dkk Metode dan Aplikasi Peramalan Edisi kedua. Jakarta:Erlangga. Situngkir, Hokky. Value at Risk yang memperhatikan sifat Statistika Distribusi return. Bandung Fe Institute. Sukono, Subanar & Dedi Rosadi Perhitungan VaR harga saham dengan volatilitas model GRACH-M. Prosiding seminar Sains dan Teknologi Universitas lampung, Indonesia. Sumaryanto Analisis volatilitas harga eceran beberapa komoditas pangan utama dengan ARCH-GARCH. Jurnal Agro Ekonomi Bogor. Wei, W.W.S Time Series Analysis Unvariate and Multivariate Methods second edition, pearson Education, inc. 9
10 Wijayanti, A Perbandingan analisis resiko investasi saham PT. Telkom dan Indosat menggunakan metode VaR(Value at Risk) dengan pendekatan distribusi Mixture dan unimodal. Tugas Akhir-Statistika ITS, Surabaya. (diakses tanggal 1 mei 2010) 10
PENGGUNAAN 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 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 terperinciPENERAPAN MODEL EGARCH-M DALAM PERAMALAN NILAI HARGA SAHAM DAN PENGUKURAN VALUE AT RISK (VAR)
PENERAPAN MODEL EGARCH-M DALAM PERAMALAN NILAI HARGA SAHAM DAN PENGUKURAN VALUE AT RISK (VAR) Oleh: Julianto (1) Entit Puspita (2) Fitriani Agustina (2) ABSTRAK Dalam melakukan investasi dalam saham, investor
Lebih 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 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 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 terperinciBAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
Lebih 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 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 terperinciPERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah
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 terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciMeytaliana F Dosen Pembimbing: Prof. Dr. Basuki Widodo, M.Sc. Dra. Nuri Wahyuningsih, M.Kes.
ESTIMASI PARAMETER AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) (STUDI KASUS PERAMALAN CURAH HUJAN DAS BRANGKAL MOJOKERTO) Meytaliana F. 1210100014
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Desain Penelitian Desain penelitian mempunyai peranan yang sangat penting, karena keberhasilan suatu penelitian sangat dipengaruhi oleh pilihan desain atau model penelitian.
Lebih terperinciPEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH
PEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH BUNGA LETY MARVILLIA Matematika, Fakultas Ilmu Pengetahuan Alam, UNESA Jl. Ketintang villy_cute_7@yahoo.com 1, raywhite_vbm@gmail.com
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji
35 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji ACF, uji PACF, uji ARCH-LM,
Lebih 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 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 terperinciPERHITUNGAN VALUE AT RISK HARGA SAHAM DENGAN MENGGUNAKAN VOLATILITAS ARCH-GARCH DALAM KELOMPOK SAHAM LQ 45 ABSTRACT
PERHITUNGAN VALUE AT RISK HARGA SAHAM DENGAN MENGGUNAKAN VOLATILITAS ARCH-GARCH DALAM KELOMPOK SAHAM LQ 45 Boy A Lumban Gaol 1, Tumpal Parulian Nababan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1
Lebih 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 terperinciTEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari Indonesia Tbk)
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 71 78. TEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari
Lebih 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 terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciPERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH
PERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH Universitas Negeri Malang E-mail: abiyaniprisca@ymail.com Abstrak: Penelitian ini bertujuan untuk mengetahui model peramalan terbaik dari data
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
Lebih terperinciBAB I PENDAHULUAN. penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada zaman sekarang, peramalan merupakan salah satu unsur yang sangat penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan peramalan
Lebih terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Risiko adalah besarnya penyimpangan antara tingkat pengembalian yang diharapkan (expected return) dengan tingkat pengembalian aktual (actual return). Pengukuran
Lebih terperinciDisusun oleh : Nur Musrifah Rohmaningsih Skripsi. Sebagai Salah Satu Syarat untuk Memperoleh Gelar
PEMODELAN DAN PERAMALAN NILAI RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (APARCH) Disusun oleh : Nur Musrifah Rohmaningsih 24010211120019
Lebih terperinciPENENTUAN MODEL TERBAIK UNTUK PERAMALAN DATA SAHAM CLOSING PT. CIMB NIAGA INDONESIA MENGGUNAKAN METODE ARCH-GARCH
PENENTUAN MODEL TERBAIK UNTUK PERAMALAN DATA SAHAM CLOSING PT. CIMB NIAGA INDONESIA MENGGUNAKAN METODE ARCH-GARCH Gatri Eka K 1, Vebriani Safitry 2, Yesika Kristin 3 Program Studi Matematika, Universitas
Lebih terperinciBAB III METODE PENELITIAN. 3.1 Unit Analisis dan Ruang Lingkup Penelitian. yang berupa data deret waktu harga saham, yaitu data harian harga saham
32 BAB III METODE PENELITIAN 3.1 Unit Analisis dan Ruang Lingkup Penelitian 3.1.1. Objek Penelitian Objek sampel data dalam penelitian ini menggunakan data sekunder yang berupa data deret waktu harga saham,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Saham adalah surat berharga yang menjadi bukti seseorang berinvestasi pada suatu perusahaan. Harga saham selalu mengalami perubahan harga atau biasa disebut
Lebih 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 terperinciBAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation
BAB II LANDASAN TEORI Pada Bab II akan dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya yaitu peramalan data runtun waktu (time series), konsep dasar
Lebih 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 terperinciUNNES Journal of Mathematics
UJM 5 (2) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN TAKSIRAN VALUE AT RISK DENGAN PROGRAM R DAN MATLAB DALAM ANALISIS INVESTASI SAHAM MENGGUNAKAN METODE
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciMODEL NON LINIER GARCH (NGARCH) UNTUK MENGESTIMASI NILAI VALUE at RISK (VaR) PADA IHSG
E-Jurnal Matematika Vol. 4 (2), Mei 215, pp. 59-66 ISSN: 233-1751 MODEL NON LINIER (N) UNTUK MENGESTIMASI NILAI VALUE at RISK (VaR) PADA IHSG I Komang Try Bayu Mahendra 1, Komang Dharmawan 2, Ni Ketut
Lebih 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 terperinciPERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI. Oleh: IRLIZANTY YULYANTIKA RAHADI
PERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI Oleh: IRLIZANTY YULYANTIKA RAHADI 6 4 Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes Abstrak Indeks harga saham merupakan suatu indikator yang
Lebih terperinciPEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH. Retno Hestiningtyas dan Winita Sulandari, M.Si. Jurusan Matematika FMIPA UNS
S-9 PEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Retno Hestiningtyas dan Winita Sulandari, M.Si Jurusan Matematika FMIPA UNS ABSTRAK. Pada data finansial sering terjadi keadaan leverage effect,
Lebih 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 terperinciPerbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG
JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) A-34 Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG Mey Lista Tauryawati
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Investasi berkaitan dengan penempatan dana ke dalam bentuk aset yang lain selama periode tertentu dengan harapan tertentu. Aset yang menjadi objek investasi seseorang
Lebih 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 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 terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciPROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2013 ISBN:
METODE PERAMALAN MENGGUNAKAN MODEL VOLATILITAS ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR Cindy Wahyu Elvitra 1, Budi Warsito 2, Abdul
Lebih 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 terperinciBAB 3 METODOLOGI PENELITIAN
31 BAB 3 METODOLOGI PENELITIAN Pada bab ini akan dibahas mengenai tahapan-tahapan serta metode pengolahan data yang akan digunakan dalam penelitian. Penelitian tahap pertama mencoba untuk keberadaan fenomena
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 terperinciSuma Suci Sholihah, Heni Kusdarwati, Rahma Fitriani. Jurusan Matematika, F.MIPA, Universitas Brawijaya
PEMODELAN RETURN IHSG PERIODE 15 SEPTEMBER 1998 13 SEPTEMBER 2013 MENGGUNAKAN THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (TGARCH(1,1)) DENGAN DUA THRESHOLD Suma Suci Sholihah,
Lebih terperinci3 Kesimpulan. 4 Daftar Pustaka
Litterman-2. Keuntungan aktual maksimal kedua kinerja Black Litterman ternyata terjadi pada waktu yang sama yaitu tanggal 19 Februari 2013. Secara umum dapat dinyatakan bahwa pembentukan portofolio dengan
Lebih 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 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 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 II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih terperinciPenerapan Metode ARCH/GARCH Dalam Peramalan Indeks Harga Saham Sektoral
Jurnal Sains Matematika dan Statistika, Vol 2, No I, Januari 206 Penerapan Metode ARCH/GARCH Dalam Peramalan Indeks Harga Saham Sektoral Ari Pani Desvina, Nadyatul Rahmah 2,2 Jurusan Matematika Fakultas
Lebih terperinciBAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah
BAB IV PEMBAHASAN 4.1 Deskripsi Data Gambar 4.1 memperlihatkan bahwa data berfluktuasi dari waktu ke waktu. Hal ini mengindikasikan bahwa data tidak stasioner baik dalam rata-rata maupun variansi. Gambar
Lebih terperinciPENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.
PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini
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 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 terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1 Desain Penelitian Penelitian ini didasari oleh gejolak/volatilitas nilai tukar rupiah terhadap mata uang asing (valuta asing).pada nilai transaksi jual beli valuta asing yang
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 terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 635-643 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL INTEGRATED GENERALIZED
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciPENENTUAN VALUE AT RISK
PENENTUAN VALUE AT RISK SAHAM KIMIA FARMA PUSAT MELALUI PENDEKATAN DISTRIBUSI PARETO TERAMPAT (Studi Kasus : Harga Penutupan Saham Harian Kimia Farma Pusat Periode Oktober 2009 September 2014) SKRIPSI
Lebih terperinciBAB I PENDAHULUAN. untuk menjual, menahan, atau membeli saham dengan menggunakan indeks
BAB I PENDAHULUAN A. LATAR BELAKANG MASALAH Pasar modal merupakan pasar abstrak, dimana yang diperjualbelikan adalah dana jangka panjang, yaitu dana yang keterikatannya dalam investasi lebih dari satu
Lebih terperinciPERBANDINGAN MODEL ARCH/GARCH MODEL ARIMA DENGAN MODEL FUNGSI TRANSFER
PERBANDINGAN MODEL ARCH/GARCH MODEL ARIMA DENGAN MODEL FUNGSI TRANSFER (Studi Kasus Indeks Harga Saham Gabungan dan Harga Minyak Mentah Dunia Tahun 2013 sampai 2015) SKRIPSI Oleh: DEBY FAKHRIYANA 24010212130041
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 705-715 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN DAN PERAMALAN VOLATILITAS PADA RETURN SAHAM BANK BUKOPIN
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 terperinciPERAMALAN DATA NILAI EKSPOR NON MIGAS INDONESIA KE WILAYAH ASEAN MENGGUNAKAN MODEL EGARCH
PERAMALAN DATA NILAI EKSPOR NON MIGAS INDONESIA KE WILAYAH ASEAN MENGGUNAKAN MODEL EGARCH, Universitas Negeri Malang E-mail: die_gazeboy24@yahoo.com Abstrak: Penelitian ini bertujuan untuk mengetahui model
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Berbicara tentang kegiatan pasar modal saat ini tidak terlepas dari apa yang disebut sebagai indeks harga saham. Untuk mengetahui bagaimana kegiatan ekonomi
Lebih terperinciBAB I PENDAHULUAN. memberikan informasi tentang rata-rata bersyarat pada Y
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari- hari sering dijumpai data time series yang terdiri dari beberapa variabel yang saling terkait yang dinamakan dengan data time series
Lebih terperinciPENDEKATAN METODE VAR-GARCH PADA PEMODELAN KETERKAITAN INDEKS HARGA SAHAM GABUNGAN (IHSG), KURS DOLLAR AMERIKA DAN HARGA EMAS DUNIA
Jurnal LOG!K@ Jilid 7 No. 017 Hal. 137-145 ISSN 1978 8568 PENDEKATAN METODE VAR-GARCH PADA PEMODELAN KETERKAITAN INDEKS HARGA SAHAM GABUNGAN (IHSG) KURS DOLLAR AMERIKA DAN HARGA EMAS DUNIA Dwi Fikriah
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Sumber Data Penelitian ini menggunakan data sekunder yang diperoleh dari BEI. Data yang digunakan dalam penelitian ini merupakan data harian yang dimulai dari 3 Januari 2007
Lebih terperinciBAB I PENDAHULUAN. satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data time series merupakan serangkaian data pengamatan yang berasal dari satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan interval
Lebih terperinciPemodelan dan Peramalan Penutupan Harga Saham Harian Jakarta Islamic Index Model Garch
EKBISI, Vol. IX, No. 1, Desember 2014, hal. 57-66 ISSN:1907-9109 Pemodelan dan Peramalan Penutupan Harga Saham Harian Jakarta Islamic Index Model Garch Ahmad Syarif 1 Fakultas Syariah dan Hukum UIN Sunan
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 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 terperinciMENENTUKAN PORTOFOLIO OPTIMAL MENGGUNAKAN MODEL CONDITIONAL MEAN VARIANCE
E-Jurnal Matematika Vol. 5 (3), Agustus 2016, pp. 82-89 ISSN: 2303-1751 MENENTUKAN PORTOFOLIO OPTIMAL MENGGUNAKAN MODEL CONDITIONAL MEAN VARIANCE I Gede Ery Niscahyana 1, Komang Dharmawan 2, I Nyoman Widana
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 terperinciBAB I PENDAHULUAN. Perkembangan ilmu pengetahuan dan teknologi saat ini berkembang pesat.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan dan teknologi saat ini berkembang pesat. Hal ini mendorong manusia untuk terus berupaya memanfaatkan kemajuan teknologi di antaranya diwujudkan
Lebih terperinciPEMODELAN RETURN SAHAM PERBANKAN MENGGUNAKAN EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (EGARCH)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2016, Halaman 91-99 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN RETURN SAHAM PERBANKAN MENGGUNAKAN EXPONENTIAL GENERALIZED
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciSEMINAR TUGAS AKHIR. Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik. Rina Wijayanti
SEMINAR TUGAS AKHIR Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik Rina Wijayanti 1306100044 Pembimbing Drs. Haryono, MSIE Dedi Dwi Prastyo, S.Si., M.Si.
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
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 terperinciMetode Peramalan dengan Menggunakan Model Volatilitas Asymmetric Power ARCH (APARCH)
Metode Peramalan dengan Menggunakan Model Volatilitas Asymmetric Power ARCH (APARCH) (Studi Kasus : Return Kurs Mata Uang Rupiah terhadap Dollar) SKRIPSI Disusun oleh : CINDY WAHYU ELVITRA J2E 009 015
Lebih 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 DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA
PEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA OLEH : 1. Triyono ( M0107086 ) 2. Nariswari S ( M0108022 ) 3. Ayunita C ( M0180034 ) 4. Ibnuhardi F.Ihsan ( M0108045 ) 5. Marvina P (
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Metode yang diterapkan dalam penelitian ini yaitu desain kuantitatif, konklusif, eksperimental dan deskriptif. Metode deskriptif bertujuan untuk membuat
Lebih terperinciPeramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada
Estimasi Parameter Autoregressive Integrated Moving Average (ARIMA) Menggunakan Algoritma Particle Swarm Optimization (PSO) (Studi Kasus: Peramalan Curah Hujan DAS Brangkal, Mojokerto) Meytaliana Factmawati,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 655-662 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciBAB III NONLINEAR GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (N-GARCH)
BAB III NONLINEAR GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (N-GARCH) 3.1 Proses Nonlinear Autoregressive Conditional Heteroskedasticity (N-ARCH) Model Nonlinear Autoregressive Conditional
Lebih terperinciMENGGUNAKAN METODE GARCH ASIMETRIS
PEMODELAN RETURN PORTOFOLIO SAHAM MENGGUNAKAN METODE GARCH ASIMETRIS SKRIPSI Disusun Oleh : MUHAMMAD ARIFIN 24010212140058 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG
Lebih terperinci