Estimasi MCMC untuk Model GARCH(1,1) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR
|
|
- Yenny Atmadja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 25 Estimasi MCMC untuk Model GARCH(,) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR Fransisca Cynthia Salim ), Didit Budi Nugroho 2), Bambang Susanto 3) Fakultas Sains dan Matematika, Universitas Kristen Satya Wacana Jln. Diponegoro 52-6 Salatiga 57, Central Java, Indonesia. ) 66228@student.uksw.edu Abstrak Studi ini membahas estimasi model volatilitas GARCH(,), dimana returns error berdistribusi normal, menggunakan metode Markov Chain Monte Carlo (MCMC) yang merupakan salah satu alat bantu estimasi untuk model dengan parameter yang banyak. Metode adaptive random walk Metropolis yang efisien dikonstruksi dalam algoritma MCMC untuk membangkitkan nilai-nilai parameter model. Model dan metode diaplikasikan untuk kurs beli Japanese Yen (JPY) dan Euro (EUR) terhadap Rupiah (IDR) atas periode Januari 29 sampai dengan Desember 24. Hasil empiris menunjukkan bahwa volatilitas untuk returns kurs beli JPY dan EUR adalah sangat berkorelasi, yang diindikasikan oleh jumlahan parameter yang mendekati. Dan berdasarkan kriteria Bayes faktor, hasil menunjukkan bukti sangat kuat untuk model GARCH(,) terhadap model ARCH(). Kata Kunci: adaptive random walk Metropolis, GARCH(,), kurs beli,, MCMC, volatilitas I. PENDAHULUAN T - 38 Dalam aplikasi keuangan, volatilitas (simpangan baku) memainkan peranan penting dalam pengukuran resiko dari aset keuangan. Telah diakui pula bahwa volatilitas dari asset returns berubah terhadap waktu [9]. Salah satu model volatilitas yang mengakomodasi perubahan waktu yaitu model generalized autoregressive conditional heteroscedasticity (GARCH). Dengan menotasikan sebagai asset returns, model volatilitas GARCH(p,q) dinyatakan seperti:, dengan menyatakan distribusi normal baku, dan untuk memastikan volatilitas bernilai positif. Selanjutnya, kondisi stasioner disyaratkan oleh Dalam banyak studi kasus keuangan, asset returns didefinisikan sebagai persentase dari perubahan logaritma natural harga asset. Dalam studi ini digunakan mean-corrected returns yang didefinisikan seperti: dengan adalah harga asset pada waktu. Returns sering digunakan daripada data runtun harga asset karena returns mempunyai sifat statistik yang menarik dibandingkan runtun harga asset [2]. Studi ini bertujuan untuk mendapatkan model volatilitas GARCH(,) yang sesuai untuk returns kurs beli JPY dan EUR terhadap IDR atas periode Januari 29 sampai dengan Desember 24 serta membandingkan hasil estimasinya dengan model volatilitas ARCH(). Disini estimasi untuk parameter model diselesaikan dengan menggunakan metode MCMC. 443
2 ISBN II. METODE PENELITIAN A. Model Volatilitas GARCH(,) dan Inferensi Bayes Banyak studi kasus empiris telah menunjukkan bahwa model GARCH(,) dapat mengakomodasi sifat-sifat volatilitas runtun waktu dengan baik [8]. Oleh karena itu, penelitian ini difokuskan pada model volatilitas GARCH(,) untuk returns yang dituliskan seperti berikut:,, Dengan mengambil pemisalan dan, fungsi likelihood untuk model di atas dapat dituliskan sebagai berikut: Fungsi ini memiliki peranan penting dalam estimasi marginal likelihood yang digunakan untuk menghitung Bayes faktor dan juga untuk inferensi Bayes. Berdasarkan teorema Bayes, distribusi posterior gabungan dinyatakan oleh dengan adalah distribusi prior untuk. () B. Estimasi MCMC untuk model volatilitas GARCH(,) Prosedur dasar dari metode MCMC dijelaskan sebagai berikut. Pertama, dibangkitkan bilangan-bilangan acak dari persamaan () menggunakan teknik yang menghasilkan rantai Markov. Kedua, setelah pengambilan bilangan acak, diaplikasikan metode Monte Carlo untuk meringkas distribusi posterior dari parameter sebagai keluaran MCMC, yaitu: dengan g bilangan acak pertama dari rantai Markov dihapus. C. Adaptive Random Walk Metropolis Salah satu dari metode MCMC yang paling banyak digunakan yaitu random walk Metropolis (RWM) [] mengusulkan metode adaptive RWM (ARWM) yang memperbaiki efisiensi dari metode RWM. Dimisalkan adalah barisan bilangan riil. Berikut ini adalah algoritma ARWM: (i) Algoritma dimulai dari nilai awal dan. (ii) Diandaikan bahwa saat waktu, diketahui dan. a. Dibangkitkan proposal, dimana, dan. b. Dihitung rasio Metropolis: dan ditetapkan c. Jika, maka ; jika tidak, maka. (iii)dimisalkan dan dihitung: Jika, maka. Sedangkan jika tidak, maka. Dalam studi ini ditetapkan dengan dipilih agar laju penerimaan mendekati,44 [7]. Pemilihan skala parameter memiliki pengaruh yang besar pada perubahan nilai proposal. Secara intuitif, jika sangat kecil, maka pergerakkan hasil algoritma juga kecil. Di sisi lain, jika sangat besar, maka pergerakan hasil algoritma juga besar yang mengakibatkan proposal akan ditolak. A. Data Pengamatan III. HASIL DAN PEMBAHASAN 444
3 Nilai Tukar Nilai Tukar SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 25 Selanjutnya model dan metode di atas diaplikasikan pada data kurs beli JPY dan EUR terhadap IDR atas periode Januari 2 sampai dengan Desember 24 yang terdiri dari 47 observasi. Dalam penelitian ini penghitungan dilakukan dengan alat bantu software Matlab29a. Pada Gambar disajikan plot runtun waktu untuk returns, sedangkan statistik deskriptif diberikan pada Tabel. 5 JPY 4 EUR GAMBAR. GRAFIK RETURNS KURS BELI JPY DAN EUR TERHADAP IDR DARI JANUARI 29 SAMPAI DESEMBER 24. TABEL.STATISTIK DESKRIPTIF DARIRETURNS HARIAN UNTUK KURS BELI JPY DAN EUR TERHADAR RUPIAH DARI JANUARI 29 SAMPAI DESEMBER 24. Mata Uang Mean SD JB Test (normalitas) LB Q test (autokorelasi) JPY,4,363 tidak normal tidak ada korelasi EUR,,294 tidak normal tidak ada korelasi B. Pengaturan MCMC Untuk estimasi parameter, simulasi MCMC diinisialisasi oleh,,, dan dikerjakan dengan 5 iterasi, dimana 5 bilangan acak pertama dihilangkan. Dengan menggunakan bilangan acak berikutnya, dihitung rata-rata posterior, simpangan baku, 95% interval highest posterior density (HPD), dan diagnosa konvergensi. Di sini HPD dihitung menggunakan metode dari [4]. Sementara itu, analisis seberapa cepat konvergensi dari metode MCMC, artinya berapa banyak sampel yang harus dibangkitkan untuk mendapatkan dua sampel yang saling bebas, didasarkan pada integrated autocorrelation time (IACT), lihat [6]. C. Estimasi Parameter Hasil estimasi model GARCH(,) untuk returns kurs beli JPY dan EUR terhadap IDR berturut-turut diringkas pada Tabel 2 dan 3. Plot nilai-nilai parameter, dan dari MCMC untuk data kurs beli JPY dan EUR ditampilkan berturut-turut pada Gambar 2 dan 3. Pertama, IACT mengindikasikan bahwa algoritma ARWM yang diaplikasikan dapat mengestimasi semua parameter dengan handal. Kedua, diperoleh bahwa nilai-nilai parameter pada model yang mengadopsi data JPY dan EUR adalah serupa. Model volatilitas untuk returns dari kurs beli JPY dan EUR terhadap IDR berturut-turut dinyatakan dengan persamaan: Mengikuti interpretasi dari Chan (2), hasil menunjukkan bahwa volatilitas untuk returns kurs beli JPY dan EUR adalah sangat berkorelasi, yang diindikasikan oleh jumlahan parameter yang mendekati. Plot nilai-nilai volatilitas untuk returns kurs beli JPY da EUR ditampilkan berturut-turut pada Gambar 4. Terakhir, berdasarkan kriteria log faktor Bayes dan mengikuti interpretasi dari [] diperoleh adanya bukti sangat kuat untuk data JPY dan data EUR terhadap penggunaan model GARCH(,) dibandingkan dengan model ARCH(), lihat Tabel 6. Di sini marginal likelihood diestimasi menggunakan metode dari []. 445
4 ISBN TABEL 2. HASIL ESTIMASI MODEL GARCH(,) UNTUK RETURNS KURS BELI JPY TERHADAP IDR. LB DAN UB MENYATAKAN BERTURUT-TURUT BATAS BAWAH DAN BATAS ATAS DARI 95% INTERVAL HPD. Parameter omega alfa beta Mean,2,87,89 SD,7,8,24 LB,7,54,845 UB,36,2,932 IACT 236, ,97 278,992 Marginal Log Likelihood = -753,56 komputasi =,2 detik TABEL 3. HASIL ESTIMASI MODEL GARCH(,) UNTUK RETURNS KURS BELI EUR TERHADAP IDR. Parameter omega alfa beta Mean,2,65,892 SD,8,4,28 LB,6,4,833 UB,38,95,937 IACT 295,38 26,98 329,87 Marginal Log Likelihood = -484,94 komputasi =,72 detik TABEL 4. RINGKASAN ESTIMASI MODEL ARCH() UNTUK RETURNS KURS BELI JPY TERHADAP IDR. Parameter omega alfa Mean,528,269 SD,27,48 LB,477,82 UB,58,37 IACT,242 7,927 Marginal Log Likelihood = komputasi = 5,85 detik TABEL 5. RINGKASAN ESTIMASI MODEL ARCH() UNTUK RETURNS KURS BELI EUR TERHADAP IDR. Parameter omega alfa Mean,373,94 SD,8,39 LB,338,22 UB,42,27 IACT 3,744 5,2 Marginal Log Likelihood = -496,45 komputasi = detik GAMBAR 2. PLOT NILAI-NILAI PARAMETER UNTUK, DAN DARI HASIL MCMC UNTUK RETURNS KURS BELI JPY 446
5 Volatilitas Volatilitas SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY GAMBAR 3. PLOT NILAI-NILAI PARAMETER UNTUK, DAN DARI HASIL MCMC UNTUK RETURNS KURS BELI EUR 3.5 Hasil Volatilitas JPY Model GARCH Hasil Volatilitas EUR Model GARCH GAMBAR 4.PLOT RUNTUN WAKTU VARIANSI UNTUK RETURNS KURS BELI JPY DAN EUR TERHADAP IDR DARI JANUARI 29 SAMPAI DESEMBER 24. TABEL 6. NILAI LOG MARGINAL LIKELIHOOD DAN FAKTOR BAYES DARI MODEL GARCH(,) TERHADAP ARCH(). ARCH() GARCH(,) Log faktor Bayes JPY ,56 35,42 EUR -496,45-484,94,5 IV. SIMPULAN Studi ini menyajikan algoritma MCMC yang mengkonstruksi metode ARWM yang efisien untuk mengestimasi parameter-parameter dalam model volatilitas GARCH(,) yang tidak bisa 447
6 ISBN diperoleh secara langsung. Kriteria log faktor Bayes menunjukkan bukti sangat kuat bahwa model volatilitas GARCH(,) lebih baik dibandingkan dengan model volatilitas ARCH() untuk kasus kurs beli JPY dan EUR terhadap IDR. Lebih lanjut model bisa dikembangkan dengan menggunakan distribusi tak normal untuk returns error. DAFTAR PUSTAKA [] Atchade, Y.F. & Rosenthal, J.S. 25. On adaptive Markov chain Monte Carlo algorithms. Bernoulli (5), Department of Mathematics and Statistics, University of Ottawa. [2] Campbell, J.Y., Lo, A.W., & MacKinlay, A.C. (997). The econometrics of financial markets. Princeton University Press, New Jersey. [3] Chan,N.H. (2). Time series: Applications to finance with R and S-Plus, Second edition. John Willey & Sons. [4] Chen, M. H. dan Shao, Q. M. (999). Monte Carlo estimation of Bayesian credible and HPD intervals. Journal of Computational and Graphical Statistics, 8, [5] Geweke, J. (992). Evaluating the accuracy of sampling-based approaches to the calculation of posterior moments, Bayesian Statistics 4 (eds. J. M. Bernardo, J. O. Berger, A. P. Dawid dan A. F. M. Smith), [6] Geweke, J. (25). Contemporary Bayesian econometrics and statistics. John Wiley & Sons. [7] Roberts, G.O. & Rosenthal, J.S. 26. Example of Adaptive MCMC. Technical Report Series No. 6. University of Toronto Department of Statistics. [8] Takaishi, T. 29. An adaptive Markov Chain Monte Carlo Method for GARCH Model. Journal. Hiroshima University of Economics, Japan [9] Takaishi, T., & Chen, T.T Bayesian Inference of the GARCH model with Rational Errors. Internasional Conference on Economics, Business and Marketing Management, IPEDR vol. 29. Hiroshima University of Economics, Hiroshima Japan. [] Kass, R. E., & Raftery, E.A Bayes Factors. Journal of the American Statistical Association, vol. 9, No. 43, American Statistical Association. [] Gelfand, A. E. & Dey, D.K Bayesian model choice: asymptotics and exact calculation. Journal of the Royal Statistical Society, Series B (Methodological), 56 (3),
Jurnal MIPA 39 (1) (2016): Jurnal MIPA.
Jurnal MIPA 39 (1) (2016): 63-69 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm MODEL VOLATILITAS GARCH(1,1) DENGAN ERROR STUDENT-T UNTUK KURS BELI EUR DAN JPY TERHADAP IDR F C Salim, D B Nugroho,
Lebih terperinciESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT
ESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT Imam Malik Safrudin. 1), Didit Budi Nugroho 2) dan Adi Setiawan 2) 1),2), 3) Program Studi Matematika
Lebih terperinciJurnal MIPA 39 (1) (2016): Jurnal MIPA.
Jurnal MIPA 39 (1) (16): 78-84 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm MODEL VOLATILITAS ARCH(1) DENGAN RETURN ERROR BERDISTRIBUSI SKEWED STUDENT-T E D Saputri, D B Nugroho, A Setiawan
Lebih terperinciPenerapan model aparch untuk volatilitas returns Kurs beli eur dan jpy terhadap idr periode
1 Penerapan model aparch untuk volatilitas returns Kurs beli eur dan jpy terhadap idr periode 2009-2014 Saragah Repi Pratama, Didit Budi Nugroho *, Bambang Susanto Program Studi Matematika, Universitas
Lebih terperinciESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC)
ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) Radite Astana Murti 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO
ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO Yessy Okvita 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciProgram Studi Matematika
Model Volatilitas ARCH(1) untuk Returns dengan Error Berdistribusi non-central Student-t dan Skewed Student-t Studi Kasus: Pasar Valuta Asing Indonesia ARCH(1) Volatility Models for Returns with non-central
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 terperinciPENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF. Adi Setiawan
PENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl Diponegoro 5-6 Salatiga
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciPENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION. Abstract
Pendugaan Data Hilang Mesra Nova) PENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION Mesra Nova 1, Moch. Abdul Mukid 2 1 Alumni Program Studi Statistika UNDIP 2 Staf Pengajar Program Studi Statistika
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciSENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU
SENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU Asep Saefuddin, Anang Kurnia dan Sutriyati Departemen Statistika FMIPA IPB Ringkasan Data deret waktu pada bidang keuangan
Lebih terperinciINFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER SIMPANGAN BAKU S - POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana, Jl Diponegoro
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 terperinciESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES
ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES oleh NURMALITASARI M0106054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS 1. PENDAHULUAN
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS Firda Amalia, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA Abstrak.
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF 1. PENDAHULUAN
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF Dina Ariek Prasdika, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika Fakultas Matematika
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM
PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 52-6
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 terperinciMetode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data. Identifikasi model ARCH
6 Metode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data Identifikasi model ARCH Pendugaan parameter dan pemilihan model ARCH/GARCH Uji pengaruh asimetrik
Lebih terperinciKAITAN RETURN DAN VOLATILITAS NILAI TUKAR RUPIAH TERHADAP BEBERAPA MATA UANG ASING. Abstrak
KAITAN RETURN DAN VOLATILITAS NILAI TUKAR RUPIAH TERHADAP BEBERAPA MATA UANG ASING Didit Budi Nugroho a Tundjung Mahatma a Yulius Pratomo b* a Fakultas Sains dan Matematika Universitas Kristen Satya Wacana
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
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 terperinciESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN
ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6
Lebih terperinciANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN BAYI BERAT BADAN LAHIR RENDAH
Jurnal Matematika UNAND Vol. 4 No. 1 Hal. 53 60 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
BIAStatistics (215) Vol. 9, No. 2, hal. 1-6 ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) 1 Didin Astriani P, 2 Jadi
Lebih terperinciSIMULASI PENAKSIRAN PARAMETER DISTRIBUSI WEIBULL CAMPURAN UNTUK DATA SURVIVAL HETEROGEN DENGAN PENDEKATAN BAYESIAN
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), Page 37-46 SIMULASI PENAKSIRAN PARAMETER DISTRIBUSI WEIBULL CAMPURAN UNTUK DATA SURVIVAL HETEROGEN DENGAN PENDEKATAN BAYESIAN Sri Astuti Thamrin 1, Armin
Lebih terperinciBAB VI KESIMPULAN DAN SARAN. adalah banyaknya hari hujan.
BAB VI KESIMPULAN DAN SARAN 6.1 Kesimpulan Berdasarkan analisis data dan pembahasan, dapat diambil beberapa kesimpulan yaitu sebagai berikut : 1. Modul Neo-Normal dapat diaplikasikan ke dalam WinBUGS karena
Lebih terperinciBAB I PENDAHULUAN. Peramalan merupakan salah satu unsur yang sangat penting dalam
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan salah satu unsur yang sangat penting dalam pengambilan keputusan, karena terkadang faktor-faktor yang berhubungan dengan pengambilan keputusan tidak
Lebih terperinciAnis Nur Aini, Sugiyanto, dan Siswanto Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta
MENDETEKSI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR SIMPANAN BANK, NILAI TUKAR RIIL, DAN NILAI TUKAR PERDAGANGAN Anis Nur Aini, Sugiyanto,
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih 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 terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) Didin Astriani P 1, Jadi Suprijadi 2, Zulhanif 3 Program Pendidikan
Lebih terperinciPEMODELAN MARKOV SWITCHING AUTOREGRESSIVE
PEMODELAN MARKOV SWITCHING AUTOREGRESSIVE asa M arga ro) C ng Semara SKRIPSI Oleh : FIQRIA DEVI ARIYANI 24010210120021 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO 2014 PEMODELAN
Lebih terperinciMODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI
MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI Puspitaningrum Rahmawati, Bambang Susanto, Leopoldus Ricky Sasongko Program Studi Matematika (Fakultas Sains dan Matematika,
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA Vivi Rizky Aristina Suwardi, Sugiyanto, dan Supriyadi
Lebih 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 terperinciMODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 128 133 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE
Lebih terperinciPENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN
PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN A. Rofiqi Maulana; Suci Astutik Universitas Brawijaya; arofiqimaulana@gmail.com ABSTRAK. Filariasis (Penyakit Kaki Gajah) adalah penyakit
Lebih terperinciADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB 1 PENDAHULUAN. metode yang bisaanya digunakan dalam estimasi parameter yakni Ordinary Least
BAB 1 PENDAHULUAN 1.1 Latar Belakang Data populasi dalam suatu penelitian berguna untuk mengetahui karakteristik objek yang akan menghasilkan gambaran akurat mengenai karakteristik objek tersebut. Statistik
Lebih terperinciINFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl
Lebih terperinciSTUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN ANALISIS VAR
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 16 Mei 2009 STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
Lebih terperinciMeganisa Setianingrum, Sugiyanto, Etik Zukhronah Prodi Matematika Fakultas Matematika dan Ilmu pengetahuan Alam Universitas Sebelas Maret Surakarta
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR OUTPUT RIIL, KREDIT DOMESTIK PER PDB, DAN IHSG Meganisa Setianingrum, Sugiyanto,
Lebih terperinciESTIMASI BERBASIS MCMC UNTUK RETURNS VOLATILITY DI PASAR VALAS INDONESIA MELALUI MODEL ARCH BERDISTRIBUSI NORMAL DAN STUDENT-T
ESIMASI BERBASIS MCMC UNUK REURNS VOLAILIY DI PASAR VALAS INDONESIA MELALUI MODEL ARCH BERDISRIBUSI NORMAL DAN SUDEN- Oleh, IMAM MALIK SAFRUDIN NIM : 66011001 UGAS AKHIR Diajukan kepada Program Studi Matematika,
Lebih terperinciPenerapan Metode Bayes dalam Menentukan Model Estimasi Reliabilitas Pompa Submersible pada Rumah Pompa Wendit I PDAM Kota Malang
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, 2017 2337-3520 2301-928X Print A33 Penerapan Metode Bayes dalam Menentukan Model Estimasi Reliabilitas Pompa Submersible pada Rumah Pompa Wendit I PDAM Kota Malang
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 terperinciIMPLEMENTASI METODE MARKOV CHAIN MONTE CARLO DALAM PENENTUAN HARGA KONTRAK BERJANGKA KOMODITAS
E-Jurnal Matematika Vol. 4 (3), Agustus 2015, pp. 122-126 ISSN: 2303-1751 IMPLEMENTASI METODE MARKOV CHAIN MONTE CARLO DALAM PENENTUAN HARGA KONTRAK BERJANGKA KOMODITAS Putu Amanda Setiawani 1, Komang
Lebih terperinciS - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP
S - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP Janse Oktaviana Fallo 1, Adi Setiawan 2, Bambang Susanto 3 1,2,3 Program Studi Matematika
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan teknologi dan informasi menyebabkan pemodelan pada data keuangan mengalami perkembangan yang cukup pesat. Sistem elektronik dalam perdagangan
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 terperinciSKRIPSI. Disusun Oleh : OKTAFIANI WIDYA NINGRUM
PERHITUNGAN VALUE AT RISK PADA PORTOFOLIO SAHAM MENGGUNAKANN COPULA (Studi Kasus : Saham-Saham Perusahaan di Indonesia Periode 13 Oktober 2011-12 Oktober 2016) SKRIPSI Disusun Oleh : OKTAFIANI WIDYA NINGRUM
Lebih terperinciProsiding ISBN :
Penggunaan Metode Bayesian Subyektif dalam Pengkonstruksian Grafik Pengendali-c Sekar Sukma Asmara a, Adi Setiawan b, Tundjung Mahatma c a Mahasiswa Program Studi Matematika Fakultas Sains Matematika Universitas
Lebih terperinciOPTIMALISASI PORTOFOLIO SAHAM MENGGUNAKAN MODEL MIXTURE OF MIXTURE
OPTIMALISASI PORTOFOLIO SAHAM MENGGUNAKAN MODEL MIXTURE OF MIXTURE oleh FITRI YANA SARI NIM. M0110027 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
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 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 terperinciPENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU
PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU Ari Shobri B 1), Septiadi Padmadisastra 2), Sri Winarni 3) 1) Mahasiswa
Lebih terperinciPERBANDINGAN AKURASI MODEL ARCH DAN GARCH PADA PERAMALAN HARGA SAHAM BERBANTUAN MATLAB Sunarti, Scolastika Mariani, Sugiman
g UJM 5 (1) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN AKURASI MODEL ARCH DAN GARCH PADA PERAMALAN HARGA SAHAM BERBANTUAN MATLAB Sunarti, Scolastika Mariani,
Lebih terperinciPENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING
PENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING DALAM PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR M1, M2 PER CADANGAN DEVISA, DAN M2 MULTIPLIER Esteti Sophia Pratiwi,
Lebih 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 terperinciAnalisis Survival Parametrik Pada Data Tracer Study Universitas Sriwijaya
Analisis Survival Parametrik Pada Data Tracer Study Universitas Sriwijaya Alfensi Faruk Jurusan Matematika, Fakultas MIPA, Universitas Sriwijaya e-mail: alfensifaruk@unsri.ac.id Abstract: In this study,
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 terperinciMODEL REGRESI WEIBULL DENGAN ADDITIVE FRAILTIES PADA DATA SURVIVAL. Universitas Hasanuddin
MODEL REGRESI WEIBULL DENGAN ADDITIVE FRAILTIES PADA DATA SURVIVAL 1 Rima Ruktiari, 2 Sri Astuti Thamrin, 3 Armin Lawi 1,2,3 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA. komoditas, model pergerakan harga komoditas, rantai Markov, simulasi Standard
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas beberapa tinjauan mengenai teori yang diperlukan dalam pembahasan bab-bab selanjutnya antara lain tentang kontrak berjangka komoditas, model pergerakan
Lebih terperinciABSTRAK. Kunci : Return Saham, Pasar Efisien, ARIMA. Universitas Kristen Maranatha
ABSTRAK Dalam berinvestasi di pasar modal, ada dua hal yang harus dipertimbangkan seorang investor dalam mengambil suatu keputusan berinvestasi yaitu return (tingkat pengembalian) dan risk (resiko). Tujuan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Pemodelan data keuangan mengalami perkembangan yang cukup pesat terlebih karena kemajuan teknologi dan informasi yang memungkinkan pencatatan data
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 terperinciPEMODELAN SEEMINGLY UNRELATED REGRESSION DENGAN PENDEKATAN BAYESIAN PADA SEKTOR UTAMA DI JAWA TIMUR
PEMODELAN SEEMINGLY UNRELATED REGRESSION DENGAN PENDEKATAN BAYESIAN PADA SEKTOR UTAMA DI JAWA TIMUR Agus Budhi Santosa 1, Nur iriawan 2, Seiawan 3, Mohammad Dokhi 4 S - 3 1,2,3 Jurusan Statistika FMIPA-ITS,
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan teknik statistik untuk investigasi dan pemodelan hubungan antar variabel. Hubungan antara dua variabel dapat dilihat dengan analisis
Lebih terperincioleh YUANITA KUSUMA WARDANI M
ESTIMASI PARAMETER MODEL REGRESI PROBIT SPASIAL MENGGUNAKAN SOFTWARE R DENGAN ALGORITME GIBBS SAMPLING oleh YUANITA KUSUMA WARDANI M0111083 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciOptimalisasi Portofolio Saham Dengan Bayesian Markov Chain Monte Carlo Menggunakan Pendekatan Model Mixture of Mixture
Optimalisasi Portofolio Saham Dengan Bayesian Markov Chain Monte Carlo Menggunakan Pendekatan Model Mixture of Mixture Oleh: Dina Ristiningtyas (37 33) Pembimbing: Prof. Drs. Nur Iriawan, M. Ikom., Ph.D.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di zaman sekarang, kemajuan sains dan teknologi sangat berkembang pesat. Salah satu ilmu yang berkembang adalah matematika yang merupakan induk dari semua ilmu
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR HARGA MINYAK
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR HARGA MINYAK oleh APRILIA AYU WIDHIARTI M0111010 SKRIPSI ditulis dan diajukan
Lebih terperinciBAB II TINJAUAN PUSTAKA
DAFTAR ISI PERNYATAAN... i ABSTRAK... ii KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xi BAB I PENDAHULUAN... 1 1.1 Latar Belakang...
Lebih terperinciDistribusi Weibull Power Series
Distribusi Weibull Power Series Maulida Yanti 1, Sarini S.Si.,M.Stats 2 1 Mahasiswa Departemen Matematika, FMIPA UI, Kampus UI Depok, 16424 2 Staff Pengajar Departemen Matematika, FMIPA UI, Kampus UI Depok,
Lebih terperinciDAFTAR ISI. Makalah Utama. Pendidikan Matematika Indonesia di Abad 21 Hardi Suyitno (FMIPA, UNNES)... 2
DAFTAR ISI Halaman Judul... i Dewan Redaksi... ii Tim Prosiding... iii Tim Reviewer... iv Keynote Speakers... v Kata Pengantar... vi Daftar Isi... viii Makalah Utama Pendidikan Matematika Indonesia di
Lebih terperinciBAB III THRESHOLD AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICTY (TARCH) Proses TARCH merupakan modifikasi dari model ARCH dan GARCH.
BAB III THRESHOLD AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICTY (TARCH) 3.1. Model TARCH Proses TARCH merupakan modifikasi dari model ARCH dan GARCH. Pada proses ini nilai residu yang lebih kecil dari nol
Lebih 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 terperinciModel Black Litterman dengan Estimasi Theil Mixed
Model Black Litterman dengan Estimasi Theil Mixed S 7 Retno Subekti Jurusan Pendidikan Matematika FMIPA UNY Abstrak Formula return model black litterman dapat ditelusuri melalui berbagai pendekatan, Selain
Lebih terperinciS 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)
PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto
Lebih terperinciPENENTUAN HARGA OPSI PUT AMERIKA MENGGUNAKAN ALGORITMA MONTE CARLO. Rina Ayuhana
PENENTUAN HARGA OPSI PUT AMERIKA MENGGUNAKAN ALGORITMA MONTE CARLO Rina Ayuhana Program Studi Ilmu Komputasi Universitas Telkom, Bandung rina.21.kids@gmail.com Abstrak Opsi adalah suatu kontrak yang memberikan
Lebih terperinciPEMODELAN MARKOV SWITCHING AUTOREGRESSIVE
ISSN: 23392541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 381 390 Online di: http://ejournals1.undip.ac.id/index.php/gaussian PEMODELAN MARKOV SWITCHING AUTOREGRESSIVE Fiqria Devi Ariyani
Lebih terperinciBAB I PENDAHULUAN. atau memprediksi nilai suatu perolehan data di masa yang akan datang
BAB I PENDAHULUAN 1.1 Latar Belakang Time Series atau deret waktu merupakan barisan suatu nilai pengamatan yang diukur dalam rentang waktu tertentu dalam interval waktu yang sama. Analisis data deret waktu
Lebih terperinciTINJAUAN PUSTAKA. merupakan nilai peubah bebas ke-p pada merupakan nilai koefisien peubah penjelas merupakan galat acak pengamatan ke-i.
TINJAUAN PUSTAKA Model egresi Berganda egresi linier adalah persamaan matematika yang menggambarkan hubungan antara peubah respon y dan peubah bebas X X X2 Xp. Hubungan antara kedua peubah tersebut dinyatakan
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 MARKOV SWITCHING EGARCH PADA NILAI TUKAR EURO TERHADAP RUPIAH
MODEL MARKOV SWITCHING EGARCH PADA NILAI TUKAR EURO TERHADAP RUPIAH oleh NANDA PUTRI MONALISA M0108057 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Mortalitas merupakan salah satu sumber yang sangat penting dalam mengetahui resiko dari suatu penyusunan asuransi jiwa. Besarnya faktor resiko penyebab kematian
Lebih terperinciModel Hibrida ARIMA dan Fuzzy Time Series Markov Chain
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret
Lebih 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 terperinciBAB III INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICITY (IGARCH)
BAB III INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICITY (IGARCH) 3.1 Proses IGARCH Saat mengestimasi model GARCH, sering ditemukan bahwa jumlah koefisien parameter selalu sama dengan
Lebih terperinciPEMODELAN DATA PANEL SPASIAL MENGGUNAKAN MODEL SUR-SAR DENGAN PENDEKATAN BAYESIAN HILMAN DWI ANGGANA
PEMODELAN DATA PANEL SPASIAL MENGGUNAKAN MODEL SUR-SAR DENGAN PENDEKATAN BAYESIAN HILMAN DWI ANGGANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciPROSIDING. Seminar Nasional Sains dan Pendidikan Sains IV Fakultas Sains dan Matematika UKSW 13 Juni 2009
PROSIDING Seminar Nasional Sains dan Pendidikan Sains IV Fakultas Sains dan Matematika UKSW 13 Juni 2009 Pembelajaran Sains yang Menarik dan Menantang Diterbitkan Oleh: Fakultas Sains dan Matematika Universitas
Lebih terperinciKajian Simulasi terhadap Sensitivitas Portofolio Optimal Model Mean-Variance
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Kajian Simulasi terhadap Sensitivitas Portofolio Optimal Model Mean-Variance S - 2 Epha Diana Supandi 1,2, Dedi Rosadi 2, Abdurakhman 2 1
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 terperinciDAFTAR ISI. Makalah Utama. Pendidikan Matematika Indonesia di Abad 21 Hardi Suyitno (FMIPA, UNNES)... 2
DAFTAR ISI Halaman Judul... i Dewan Redaksi... ii Tim Prosiding... iii Tim Reviewer... iv Keynote Speakers... v Kata Pengantar... vi Daftar Isi... viii Makalah Utama Pendidikan Matematika Indonesia di
Lebih terperinciRatri Oktaviani, Sugiyanto, dan Yuliana Susanti Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
HUBUNGAN KONDISI INDIKATOR NILAI TUKAR RIIL DAN IHSG DALAM MENDETEKSI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING Ratri Oktaviani, Sugiyanto, dan Yuliana Susanti
Lebih terperinciMASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)
MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinci