PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN ARTIFICIAL NEURAL NETWORK
|
|
- Erlin Chandra
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN ARTIFICIAL NEURAL NETWORK Disusun Oleh : Yuli Wahyuningsih Pembimbing Co.Pembimbing : Dr. Brodjol Sutijo Suprih Ulama, M.Si. : Dr. Suhartono, S.Si, M.Sc
2 1. Pendahuluan 2. Tinjauan Pustaka 3. Metodologi Penelitian 4. Hasil dan pembahasan 5. Kesimpulan dan saran
3 Latar Belakang Rumusan Tujuan Manfaat Batasan Pasar Modal Sekuritas Obligasi Pemerintah Yield Pemerintah Investor Harga Obligasi Yield Obligasi peramalan yield obligasi pada pasar pendapatan tetap di Brazilia menggunakan ARIMA oleh Jose Vicente dan Benjamin M. Tabak pada tahun model AR(1) memiliki akurasi peramalan yang lebih baik dibandingkan dengan model random walk ARIMA Permalink yield & harga obligasi ANN
4 Latar Belakang Rumusan Tujuan Manfaat Batasan 1. Bagaimana model peramalan yield dan harga obligasi pemerintah menggunakan ARIMA. 2. Bagaimana model peramalan yield dan harga obligasi pemerintah menggunakan ANN-BP. 3. Bagaimana hasil ramalan yield berdasarkan model yield terbaik.
5 Latar Belakang Rumusan Tujuan Manfaat Batasan 1. Mengetahui model peramalan yield dan harga obligasi pemerintah menggunakan ARIMA. 2. Mengetahui model peramalan yield dan harga obligasi pemerintah menggunakan ANN-BP. 3. Mengetahui hasil ramalan yield berdasarkan model peramalan yield obligasi terbaik.
6 Latar Belakang Rumusan Tujuan Manfaat Batasan 1. Menyediakan informasi hasil prediksi harga obligasi sebagai bahan pertimbangan pemerintah dalam perencanaan penerbitan obligasi. 2. Penelitian ini bermanfaat bagi pihak-pihak yang berkepentingan terutama investor, sebagai dasar pertimbangan untuk mengambil keputusan dalam hal investasi obligasi pemerintah di pasar modal. 3. Bagi peneliti selanjutnya dapat dijadikan salah satu referensi untuk penyusunan penelitian pada waktu yang akan datang khususnya dengan metode atau topik yang sama.
7 Latar Belakang Rumusan Tujuan Manfaat Batasan 1. Periode data yang digunakan dalam variabel harga adalah tahun dan variabel yield obligasi adalah tahun Metode masing-masing variabel adalah ARIMA dan ANN-BP dengan menggunakan software MINITAB, SAS, atau MATLAB. 3. Tenor atau jatuh tempo dari obligasi pemerintah yang digunakan adalah 5 tahun, 10 tahun, dan 15 tahun dengan bunga tetap.
8 Obligasi Yield Obligasi ARIMA Analisis outlier Obligasi merupakan surat pengakuan hutang atas pinjaman yang diterima oleh perusahaan penerbit obligasi dari investor. Jangka waktu obligasi telah ditetapkan dan disertai dengan pemberian imbalan bunga yang jumlah dan saat pembayarannya telah ditetapkan dalam perjanjian (Husnan dan Enny, 2006). Hasil yang bisa didapatkan dari investasi pada obligasi yaitu bunga yang dibayarkan setiap periode dan harga nominal saat jatuh tempo. Jenis Obligasi : obligasi bunga tetap, obligasi bunga mengambang, obligasi bunga kombinasi, obligasi konversi, income bond.
9 Obligasi Yield Obligasi ARIMA Analisis outlier Yield adalah tingkat keuntungan atas investasi obligasi yang dinyatakan dalam persentase (Sharpe dkk., 2005). PV = dimana PV : nilai sekarang atau nilai nominal obligasi C : besar angsuran yang di terima investor setiap periode i : internal rate of return (yield) n : waktu jatuh tempo (tahun) Yield to maturity (YTM) bisa diartikan sebagai tingkat return majemuk yang akan diterima investor jika membeli obligasi pada harga pasar saat ini dan menahan obligasi tersebut hingga jatuh tempo.
10 Obligasi Yield Obligasi ARIMA Analisis outlier Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara penuh menggunakan varabel dependen dengan nilai masa lalu dan sekarang untuk peramalan jangka pendek. Rumus umum ARIMA (Wei, 2006).
11 Obligasi Yield Obligasi ARIMA Analisis outlier Stasioner Tahapan ARIMA Model ARIMA mengasumsikan bahwa data in sample harus stasioner dalam mean maupun varian. Nonstasioner dalam mean : Data nonstasioner dalam mean jika nilai meannya dipengaruhi oleh waktu dan dikatakan stasioner dalam mean jika data berfluktuasi di sekitar nilai mean yang konstan (1-B) d Z t (differencing) Nonstasioner dalam varian : varian dari data tersebut tidak dipengaruhi oleh waktu (konstan). (Transformasi Box-Cox) Uji Stasioneritas : time series plot, ACF dan PACF, atau unit roots test.
12 Obligasi Yield Obligasi ARIMA Analisis outlier Stasioner Tahapan ARIMA Identifikasi model Estimasi Parameter Uji Kelayakan Tipe Model Pola Tipikal ACF Pola tipikal PACF AR(p) Menurun secara eksponensial Terpotong setelah lag ke-p menuju nol (dies down) MA(q) Terpotong setelah lag ke-q Menurun secara eksponensial menuju nol (dies down) ARMA(p,q) Menurun secara eksponensial menuju nol setelah lag ke-(q-p) Menurun secara eksponensial menuju nol setelah lag ke-(p-q) Sumber: Wei, 2006
13 Obligasi Yield Obligasi ARIMA Analisis outlier Stasioner metode Conditional Least Square, yang merupakan suatu metode estimasi parameter yang dilakukan dengan meminimumkan jumlah kuadrat error untuk mencari nilai parameter yang tidak diketahui. Tahapan ARIMA Identifikasi model Estimasi Parameter Uji Kelayakan
14 Obligasi Yield Obligasi ARIMA Analisis outlier Stasioner Tahapan ARIMA Identifikasi model Estimasi Parameter Uji siginifikansi parameter Uji Kelayakan Uji Residual white Noise Uji residual berdistribusi normal
15 Obligasi Yield Obligasi ARIMA Analisis outlier AO : Z t = + Adanya outlier dapat menyebabkan residual antara hasil ramalan dengan aktualnya menjadi lebih besar. Residual yang cukup besar berdampak pada residual yang tidak berdistribusi normal, Salah satu cara untuk mengatasi permasalahan tersebut adalah dengan memodelkan outlier pengamatan. Pada penelitian ini hanya menggunakan 2 jenis outlier, yakni AO dan LS. LS : AO : Z t = + Z t = AO IO TC LS Dengan =
16 Obligasi Yield Obligasi ARIMA Analisis outlier Back propagation Fungsi aktivasi Pelatihan standar Back propagation adalah algoritma pembelajaran yang terawasi dan digunakan perceptron dengan banyak layer untuk mengubah bobot yang terhubung dengan neuron-neuron yang terdapat pada hidden layer. Error output digunakan untuk mengubah nilai bobotbobotnya dalam perambatan mundur (backward propagation). Tahap pertama untuk mendapatkan error adalah perambatan maju (forward propagation),yakni mengaktifkan neuron-neuron menggunakan fungsi aktivasi sigmoid I n p u t X 1 X Hidden Layer Y(X) O u t p u t
17 Yield Obligasi ARIMA Analisis outlier BP-ANN Back propagation Fungsi aktivasi Pelatihan standar I n p u t X 1 X 2 Y(X) O u t p u t fungsi linier f(x)= y = x 1 fungsi sigmoid (logsig) 1 f ( x) = y 1 = 1+ e x Hidden Layer
18 Yield Obligasi ARIMA Analisis outlier BP-ANN Propagasi Maju (feedforward) Back propagation Fungsi aktivasi Pelatihan standar I n p u t X 1 X 2 1 Y(X) O u t p u t 1 Error output Hidden Layer
19 Yield Obligasi ARIMA Analisis outlier BP-ANN Propagasi Mundur (back propagation) Back propagation Fungsi aktivasi Pelatihan standar I n p u t X 1 X 2 1 Error output Y(X) O u t p u t 1 Hidden Layer
20 Obligasi Yield Obligasi Yield Obligasi ARIMA ARIMA Analisis outlier BP-ANN 1. AIC (Akaike s Information Criterion) Diasumsikan suatu model statistik dengan M parameter sebagai penduga dari data. Penaksiran kualitas dari model dugaan dapat menggunakan AIC dengan perumusan sebagai berikut. AIC (M) = n ln 2. SBC (Schwartz s Bayesian Criterion) + 2M Schwartz (1978) di dalam Wei (2006) menggunakan kriteria Bayesian dalam pemillihan model terbaik yang disebut dengan SBC dengan perumusan sebagai berikut. SBC (M) = n ln + M ln n Kriteria In sample dimana n menyatakan banyaknya residual dan adalah varians dari residual yang diestimasi dengan MLE, yaitu = SSE/n.
21 ARIMA Analisis outlier BP-ANN Kriteria Model Terbaik 1. MAPE (Mean Absolute Percentage Error) Nilai rata-rata persentase kesalahan peramalan (MAPE) dapat juga digunakan sebagai bahan pertimbangan dalam menentukan model yang terbaik yaitu. MAPE x 100% dimana n adalah banyaknya periode peramalan/dugaan. 2. RMSE (Root Mean Square Error) Perumusan kriteria RMSE diperolej dari akar Mean Square Error (MSE) yang dinyatakan sebagai berikut. RMSE = Kriteria Out sample
22 Sumber data dan variabel penelitian Metode Analisis Diagram Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari Kementrian Keuangan dengan bentuk data harian harga dan yield obligasi pemerintah Variabel penelitian yang digunakan pada penelitian ini berbentuk data harian. Yakni data harga dan yield obligasi pemerintah dengan jatuh tempo 5 tahun, 10 tahun, dan 15 tahun dengan periode Kedua data tersebut digunakan sebagai variabel penelitian dengan memodelkan keduanya. Namun pada akhirnya, peneliti hanya meramalkan model yield terbaik karena dianggap variabel yield dapat mewakili besaran variabel harga secara proporsional. 1. Langkah analisis umum 2. Langkah analisis metode ARIMA 3. Langkah analisis metode ANN
23 Sumber data Variabel Penelitian Metode Analisis Mulai Umum ARIMA ANN Data in sample Memodelkan dan meramalkan harga menggunakan ARIMA Memodelkan dan meramalkan harga menggunakan BP-ANN Memodelkan dan meramalkan yield menggunakan ARIMA Memodelkan dan meramalkan yield menggunakan BP-ANN Memilih model peramalan harga terbaik Memilih model peramalan yield terbaik Data out sample Meramalkan yield dari model yield terbaik Kesimpulan dan Saran Selesai
24 Variabel Penelitian Mulai Plot time series Cek Stasioneritas Ya Metode Analisis Tidak -Differencing -Transformasi Boxcox Diagram Alir Analisis Umum ARIMA ANN Menentukan orde p dan q berdasarkan pola ACF dan PACF Estimasi parameter Uji Kelayakan Model Tidak Ya Memilih model terbaik Peramalan model terbaik Selesai
25 Variabel Penelitian Metode Analisis Mulai Menentukan data in sample dan out sample Preposesing data Diagram Alir Analisis Umum ARIMA ANN Menentukan arsitektur, banyak input, banyak unit dalam hidden layer, bobot awal layer, dan fungsi aktivasi Pemodelan back propagation Postprosesing data Peramalan model back propagation Perhitungan kriteria kebaikan model berdasarkan kriteria in sample dan out sampel Memilih model peramalan terbaik berdasarkan kriteria out sample dan plot data aktual dan ramalannya Peramalan model back propagation terbaik Selesai
26 1. Karakteristik Yield Obligasi dan Harga Obligasi Y 10y 15Y Yield yield obligasi yield obligasi tahun Y y Y Jan Apr Jul Oct-09 4-Feb May Aug-10 Tanggal 22-Nov Feb May-11 9-Sep Harga Data Harga Obligasi Tahun Y Y Y Jan Mar-09 3-Jun Aug Oct-09 7-Jan Mar-10 Tanggal 27-May-10 4-Aug Oct-10 5 Tahun 10 Tahun 15 Tahun 29-Dec-10
27 2. Peramalan Yield Obligasi Menggunakan ARIMA njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan Uji signiffikansi parameter Uji Residual white noise Uji Residual berdistribusi normal Yield Tanpa Outlier Dengan Outlier Model ARIMA Paramete koefisien P-Value Model ARIMA Paramete koefisien P-Value r r 5Y (0,1,[7,22]) θ ([7,22],1,0) φ < θ φ Y (0,1,1) θ < (0,1,1) θ < Y (1,1,0) φ < (1,1,0) φ <0.0001
28 njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan 2. Peramalan Yield Obligasi Menggunakan ARIMA Uji signiffikansi parameter Uji Residual white noise Uji Residual berdistribusi normal Yield hingga lag Tanpa Outlier Dengan outlier Model ARIMA Khi-kuadrat Db P-Value Model ARIMA Khi-kuadrat Db P-Value 5Y 6 (0,1,[7,22]) ([7,22],1,0) Y 6 (0,1,1) (0,1,1) Y 6 (1,1,0) (1,1,0)
29 2. Peramalan Yield Obligasi Menggunakan ARIMA njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan Uji signiffikansi parameter Uji Residual white noise Uji Residual berdistribusi normal Yield Tanpa Outlier Dengan Outlier Model ARIMA P-Value Model ARIMA P-Value 5Y (0,1,[7,22]) <0.01 ([7,22],1,0) < Y (0,1,1) <0.01 (0,1,1) Y (1,1,0) <0.01 (1,1,0) <0.01 Kriteria in sampel Yield Tanpa Outlier Dengan Outlier Model ARIMA AIC SBC Model AIC SBC ARIMA 5Y (0,1,[7,22]) ([7,22],1,0) Y (0,1,1) (0,1,1) Y (1,1,0) (1,1,0)
30 njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan Perbandingan Nilai ramalan, Confidence interval 95%, serta data aktual 5Y 10Y 15Y (c) yield 5Y Variable Forecast batas bawah batas atas Forecast_1 batas bawah_1 batas atas_1 aktual_1 yield 10Y Variable Forecast batas bawah batas atas aktual Forecast_1 batas bawah_1 batas atas_ Jul-11 7-Jul Jul Jul Jul-11 4-Aug Aug-11 Tanggal 19-Aug Aug-11 9-Sep Jul-11 7-Jul Jul Jul Jul-11 4-Aug Aug-11 Tanggal 19-Aug Aug-11 9-Sep-11 yield 15Y Variable Forecast batas atas batas bawah aktual Forecast_1 batas bawah_1 batas atas_ Jul-11 7-Jul Jul Jul Jul-11 4-Aug Aug-11 Tanggal 19-Aug Aug-11 9-Sep-11
31 3. Peramalan Harga Obligasi Menggunakan ARIMA njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan Uji signiffikansi parameter Uji Residual white noise Uji Residual berdistribusi normal Yield Tanpa Outlier Dengan Outlier Model ARIMA Parameter koefisien P-Value Model ARIMA Parameter koefisien P-Value 5H ([7,22],1,0) φ (0,1,[7,22]) θ < φ θ H ([1,22]1,0) φ < ([1,22]1,0) φ < φ φ < H (1,1,0) φ < (1,1,1) φ < θ
32 3. Peramalan Harga Obligasi Menggunakan ARIMA njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan Uji signiffikansi parameter Uji Residual white noise Uji Residual berdistribusi normal Yield hingga Tanpa Outlier Dengan outlier lag Model ARIMA Khikuadrat Db P-Value Model ARIMA Khikuadrat Db P-Value 5H 6 (0,1,[7, ([7,22], ]) ,0) H ([1,22], ([1,22], ,0) ,0) H 6 (1,1,0) (1,1,1)
33 3. Peramalan Harga Obligasi Menggunakan ARIMA njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan Uji signiffikansi parameter Uji Residual white noise Uji Residual berdistribusi normal Harga Tanpa Outlier Dengan Outlier Model ARIMA P-Value Model ARIMA P-Value 5H ([7,22],1,0) <0.01 (0,1,[7,22]) H ([1,22],1,0) <0.01 ([1,22],1,0) > H (1,1,0) <0.01 (1,1,1) Kriteria in sampel Harga Tanpa Outlier Dengan Outlier Model ARIMA AIC SBC Model ARIMA AIC SBC 5H ([7,22],1,0) (0,1,[7,22]) H ([1,22]1,0) ([1,22]1,0) H (1,1,0) (1,1,1)
34 4. Peramalan Yield Obligasi Menggunakan BP-ANN njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan Target atau Output Y plot data training model yield 5Y; Target(o) Output(*) data keplot data testing model yield 5y : Target(o) Output(*) 7 10Y Target atau Output Y plot data training model yield 5Y; Target(o) Output(*) data keplot data testing model yield 5y : Target(o) Output(*) 8 Target atau Output data ke- Target atau Output plot data training model yield 15Y; Target(o) Output(*) Target atau Output data ke data keplot data testing model yield 15y : Target(o) Output(*) 8.5 Target atau Output data ke- 5Y jaringan (5,6,1) dengan input Z t-1, Z t-7, Z t-8, Z t-22, dan Z t Y jaringan (2,2,1) dengan input Z t-1 dan Z t jaringan(2,4,1) dengan input Z t-1 dan Z t-2..
35 5. Peramalan Harga Obligasi Menggunakan BP-ANN njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan 5Y 10Y 15Y Target atau Output plot data training model yield 15h; Target(o) Output(*) data keplot data testing model yield 15h : Target(o) Output(*) plot data testing model yield 5h : Target(o) Output(*) 140 plot data training model yield 10h; Target(o) Output(*) Target atau Output data ke data ke data ke- 126 plot data testing model yield 10h : Target(o) Output(*) data ke- 5Y Jaringan (5,3,1) dengan input Z t-1, Z t-7, Z t-8, Z t-22, dan Z t-23 10Y jaringan (2,5,1) dengan input Z t-1, Z t-2,. Z t -22, dan Z t jaringan(2,2,1) dengan input Z t-1 dan Z t-2
36 6. Model Peramalan Yield dan Harga Terbaik Model ARIMA-outlier BP-ANN terbaik MAPE RMSE MAPE RMSE Yield 5Y Y Y Harga 5H H H Hasil Ramalan yield Tanggal 5Y 10Y 15Y Tanggal 5Y 10Y 15Y 16-Sep Sep Sep Sep Sep Sep Sep Oct Sep Oct Sep Oct Sep Oct Sep njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan
37 Kesimpulan.. 1. Model peramalan yield dan harga obligasi terbaik menggunakan ARIMA menghasilkan residual yang tidak berdistribusi normal, sehinga dilakukan penanganan outlier untuk dapat mengatasi hal tersebut. Model yield dan harga padaarima dengan outlier menghasilkan nilai MAPE dan RMSE yang lebih kecil dari model yield dan harga pada ARIMA tanpa outlier. Maka metode ARIMA dengan outlier dipilih sebagai model yield dan harga obligasi terbaik 2. Model Jaring Struktur jaringan an input jumlah unit lapisan tersembunyi Outp ut Yield 5Y (5,6,1) Z t-1, Z t-7, Z t-8, Z t-22, Z t-23 6 Z t 10y (2,2,1) Z t-1, Z t-2 2 Z t 15Y (2,4,1) Z t-1, Z t-2 4 Z t Harga 5H (5,3,1) Z t-1, Z t-7, Z t-8, Z t-22, Z t-23 3 Z t 10H (4,5,1) Z t-1, Z t-2, Z t-22, Z t-23 5 Z t 15H (2,2,1) Z t-1, Z t-2 2 Z t njauan Pustaka Metodologi Penelitian Hasil dan Pembahasan
38 Kesimpulan dologi Penelitian Hasil dan Pembahasan Kesimpulan dan Saran 3. Model BP-ANN lebih akurat dalam meramalkan yield dan harga obligasi dibandingkan dengan model ARIMA, Hal tersebut berdasarkan nilai MAPE dan RMSE yang dimiliki BP-ANN yang lebih kecil daripada nilai MAPE dan RMSE yang dimiliki ARIMA. Maka dilakukan peramalan yield untuk 15 hari aktif ke depan berdasarkan model yield terbaik menggunakan BP-ANN Hasil Ramalan yield Tanggal 5Y 10Y 15Y Tanggal 5Y 10Y 15Y 16-Sep Sep Sep Sep Sep Sep Sep Oct Sep Oct Sep Oct Sep Oct Sep
39 Saran dologi Penelitian Hasil dan Pembahasan Kesimpulan dan Saran 1 Disaran kepada investor untuk mempertimbangkan menjual obligasi yang dimiliki selama tanggal 16 september 2011 sampai dengan 6 oktober 2011 karena nilai yield pada saat itu semakin menurun, sehingga tingkat perubahan harga obligasi semakin besar. 2 Disarankan kepada pemerintah untuk tidak menerbitkan obligasi selama tanggal 16 september 2011 sampai dengan 6 oktober 2011, karena selama selang waktu tersebut, tingkat perubahan harga obligasi semakin tinggi sehingga pemerintahharus membayarkan keuntunganyang lebih besar kepada investor. 3 Pemodelan yield dan harga dengan pendekatan ARIMA menghasilkan residual yang tidak berdistribusi normal. Hal tersebut disebabkan oleh banyaknya outlier pada data. Sehingga disarankan untuk penelitian selanjutnya menggunakan model time series nonlinier atau metode time series yang tidak terpengaruh oleh adanya outlier.
40 Daftar Pustaka Gujarati, D. N. (2009). Dasar-dasar Ekonometrika. Jilid 2. Edisi Ketiga. Jakarta; Erlangga. Hamid, Abdul, Rodoni, Ahmad, W, Dewi Titi dan Hidayat, Edi. (2006. Analisis Durasi dan Convexity Untuk Mengukur Sensitivitas Harga Obligasi Korporasi Terhadap Perubahan Tingkat Suku Bunga (Studi Empiris Pada Obligasi Obligasi Di Indonesia. Jurnal Maksi. Jilid 6, No. 2, h Husnan, S. & Enny, P. (2004). Dasar-Dasar Teori Portofolio dan Analisis Sekuritas. Yogyakarta: UPP STIM YKPN. Husnan, S. & Enny, P. (2006). Dasar-Dasar Manajemen Keuangan. Edisi kelima. Yogyakarta: UPP STIM YKPN. Ross dkk,. (2009). Pengantar Keuangan Perusahaan. Jilid 1. Edisi Kedelapan. Jakarta: Salemba Empat. Sharpe, William F. Gordon, J. Alexander & Bailey. Investment. Prentice Hall, New York. Sunariyah (2004). Pengantar Pengetahuan Pasar Modal. Edisi Keempat. Yogyakarta : UPP AMP YKPN. Tsay, R. S. (2005). Analysis of financial time series. Edisi Kedua. University of Chicago, Graduate School of Business. Vicente, J. dan Benjamin, M. Tabak. (2008). Forecasting bond yields in the Brazilian fixed income market. International Journal of Forecasting, No. 24, h Wei, William, W. S. (2006). Time Series Analysis: Univariat and Multivariat Methods. Edisi Kedua. Departement of Statistics, The Fox School of Business and Management Temple University.
METODE 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 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 terperinciSeminar Hasil Tugas Akhir
Peramalan Harga Obligasi Pemerintah Dengan Model Time Series Linier Dan Nonlinier WINDY LESTARI 30800047 Pembimbing : Dr. Brodjol Sutijo S.U., Msi Co. Pembimbing : Dr. Suhartono, Msc Agenda Pendahuluan
Lebih terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih 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 terperinciKAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPemodelan 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 terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih 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 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 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 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 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 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 terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) I. PENDAHULUAN II. METODOLOGI
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 Implementasi Metode Time Series Arima Berbasis Java Desktop Application untuk Memperkirakan Jumlah Permintaan Busana Muslim Anak di Perusahaan Habibah Busana
Lebih terperinciTREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA)
TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) Jerhi Wahyu Fernanda, Wisnaningsih S, Emilia Boavida,, Prodi Rekam Medis Informasi Kesehatan Institut Ilmu Kesehatan
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 terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih 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 terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih 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 terperinciPERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciPemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 Pemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA 1 Harnum Annisa Prafitia dan 2 Irhamah
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 771-780 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP
Lebih 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 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 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 terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Pemodelan Autoregressive Integrated Moving Average (ARIMA) dan Feedforwar Neural Network (FFNN) dengan Algoritma Backpropagation untuk Meramalkan Harga Open Emas Dunia
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
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 terperinciUnnes Journal of Mathematics
UJM 2 (2) (2013) Unnes Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN ARIMA Dwi Prisita
Lebih terperinciCetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura
Hak cipta dilindungi Undang-Undang Cetakan I, Agustus Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura ISBN: ---- Deskripsi halaman sampul : Gambar yang ada pada cover
Lebih terperinciProgram Studi Matematika, Institut Teknologi Kalimantan, Balikpapan
J. Math. and Its Appl. E-ISSN: 2579-8936 P-ISSN: 1829-605X Vol. 14, No. 2, Desember 2017, 25-37 Perbandingan Metode ARIMA dan Double Exponential Smoothing pada Peramalan Harga Saham LQ45 Tiga Perusahaan
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
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 terperinciBAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER
21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih 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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciPEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH
JIMT Vol. 12 No. 2 Desember 2016 (Hal 149-159) ISSN : 2450 766X PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH 1 Y. Wigati, 2 Rais, 3 I.T.
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar
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 terperinciPrediksi Harga Saham dengan ARIMA
Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih 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 terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
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 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciModel 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 terperinciCombined for Time Series Forecasting
RBF and ARIMA Combined for Time Series Forecasting Dian Tri Wiyanti Teknik Informatika Universitas Semarang Semarang, Indonesia deediy87@gmailcom Reza Pulungan Jurusan Ilmu Komputer dan Elektronika FMIPA
Lebih terperinciSKRIPSI. Disusun Oleh: Aditya Wisnu Broto J2E
vii PERBANDINGAN APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DENGAN METODE OPTIMAL BRAIN DAMAGE DAN ARCH - GARCH UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) SKRIPSI Disusun Oleh: Aditya Wisnu
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
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 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 terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
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 terperinciPERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN
PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN MENGGUNAKAN HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE NEURAL NETWORK Disusun oleh : Berta Elvionita Fitriani 24010211120005
Lebih terperinciPeramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL)
Peramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL) Ainil Karomah dan Suhartono Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciJurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya, 2014
Seminar Hasil Tugas Akhir Pemodelan Dan Peramalan Penjualan Sepeda Motor Di Surabaya Dengan Pendekatan ARIMAX Variasi Kalender Oleh Arinta Cahyaningtyas 13 10 100 006 Dosen Pembimbing Dr. Setiawan, M.S
Lebih terperinciPERAMALAN JUMLAH PENERIMAAN MASA PPh Pasal 21 DI KANTOR PELAYANAN PAJAK PRATAMA SURABAYA GUBENG
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENERIMAAN MASA PPh Pasal 21 DI KANTOR PELAYANAN PAJAK PRATAMA SURABAYA GUBENG Pratiwi Penta Atrivi NRP 1314 030 009 Dosen Pembimbing Dra Lucia Aridinanti, MT DEPARTEMEN
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 terperinciMODEL TERBAIK ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK
MODEL TERBAIK ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK Moh. Yamin Darsyah 1, Muhammad Saifudin Nur 2 1,2 Progam Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Muhammadiyah
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 terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA SKRIPSI Disusun Oleh: UMI SULISTYORINI ADI 24010212140082 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih 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 terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciPeramalan Jumlah 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 terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciGARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap
GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap Berlaku mulai: Genap/2010 MATA KULIAH : TEKNIK PERAMALAN KODE MATA KULIAH/ SKS : 410103096 / 3 SKS MATA KULIAH PRASYARAT
Lebih terperinci2/6/2011. Data deret waktu. Metode : ARIMA. Tahapan : (1) identifikasi model, (2) estimasi model dan (3) validasi model.
Data deret waktu Metode : ARIMA Tahapan : () identifikasi model, (2) estimasi model dan (3) validasi model. Jimmy Ludin 30920725 DOSEN PEMBIMBING : Prof. Dra. Susanti Linuwih, M.Stat., Ph.D Dr. Drs. Brodjol
Lebih terperinciBAB III PEMBAHARUAN PERAMALAN. Pada bab ini akan dibahas tentang proses pembaharuan peramalan.
BAB III PEMBAHARUAN PERAMALAN Pada bab ini akan dibahas tentang proses pembaharuan peramalan. Sebelum dilakukan proses pembaharuan peramalan, terlebih dahulu dilakukan proses peramalan dan uji kestabilitasan
Lebih terperinciThe 4 th Univesity Research Coloquium 2016 PERBANDINGAN MODEL ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK
PERBANDINGAN MODEL ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK Moh. Yamin Darsyah 1, Muhammad Saifudin Nur 2 1,2 Progam Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Muhammadiyah
Lebih terperinciPEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim
TE 091399 TUGAS AKHIR- 4 SKS PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA Oleh Nur Hukim Dosen Pembimbing Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D Ir. Achmad
Lebih terperinciPEMODELAN KECEPATAN ANGIN RATA-RATA DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS
PEMODELAN KECEPATAN ANGIN RATA-RATA DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS 1 Syarifah Diana Permai, 2 Nur Iriawan, 3 Irhamah 1,2,3 Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
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 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 IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciMODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA. Salatiga, Jawa Tengah, Indonesia
MODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA Adi Nugroho 1, Bistok Hasiholan Simanjuntak 2 1 Staf pengajar di Fakultas Teknologi Informasi
Lebih terperinciANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG
ANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG Anik Rufaidah 1), Muhamad Afif Effindi 2) 1, 2) Sekolah Tinggi Teknik Qomaruddin Gresik Jalan Raya No. 01 Bungah Gresik 61152 e-mail: anikrufaidah99@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciMetode Box - Jenkins (ARIMA)
Metode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing. kelebihan ini bisa mencakup variabel yang digunakan dan jenis data time seriesnya. nah, dalam
Lebih terperinciPrediksi Pemakaian Listrik Dengan Pendekatan Back Propagation
ISSN: 2089-3787 465 Prediksi Pemakaian Listrik Dengan Pendekatan Back Propagation Ruliah S, Rendy Rolyadely Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A.Yani Km. 33,3 Loktabat Banjarbaru
Lebih terperinciTUGAS AKHIR - ST 1325
TUGAS AKHIR - ST 1325 PERBANDINGAN BACKPROPAGATION NEURAL NETWORK DAN VECTOR AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (VARIMA) UNTUK MERAMALKAN PENJUALAN OBAT DI APOTIK RUMAH SAKIT X PUTRI SUSANTI NRP
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciPEMODELAN ARIMA REDAMAN HUJAN DENGAN EFEK DETECTION OUTLIER DAN AKAIKE INFORMATION TEST
PEMODELAN ARIMA REDAMAN HUJAN DENGAN EFEK DETECTION OUTLIER DAN AKAIKE INFORMATION TEST Afif Arumahendra 2206 100 041 Email : mahe_354@yahoo.com Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
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 terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinci