BAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
|
|
- Devi Siska Sumadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 indeks harga saham JKSE, KOSPI, NIKKEI, dan PSEI. A. Model Vector Error Correction (VEC) Model Vector Error Correction (VEC) adalah suatu metode untuk menganalisis data runtun waktu pada model Vector Autoregressive (VAR) yang stasioner pada differencing pertama dan memenuhi uji kointegrasi (Lutkephol,2005: 246). Dari model VAR (p) yang memiliki variabel yang tidak stasioner. Bentuk umum VAR (p) adalah sebagai berikut (Lutkepohl,2005: 14): (3. 1) Dengan = vektor yang memuat variabel pada waktu ke-t = parameter VARorde p = vektor yang memuat variabel pada waktu ke-t-p Dari persamaan (3.1) dapat dinotasikan dalam bentuk VEC sebagai berikut (Lutkepohl,2005: 248): (3. 2) 27
2 dimana Rank matriks digunakan untuk menentukan banyak kombinasi linear y t yang bersifat stasioner, selanjutnya rank matriks disimbolkan dengan r. Jika 0 <r <K, maka terdapat r vektor kointegrasi atau r kombinasi linear yang stasioner dari y t. Matriks selanjutnya dapat difaktorisasi menjadi Π=αβ, dengan α dan β adalah matriks berukuran K x r, dimana β merupakan matriks koefisien jangka panjang dan mengandung vektor kointegrasi atau matriks kointegrasi dan α merepresentasikan matriks koefisien dari variabel yang memenuhi persamaaan linear (Lutkepohl,2005: 248). Dari persamaan (3.1) dan (3.2) dapat dibentuk persamaan VEC sebagai berikut (Lutkepohl,2005: 248): (3. 3) dengan didefinisikan matriks kovarian dengan white noise = differencing operator Π = matriks koefisien kointegrasi = vektor yang memuat variabel pada waktu t-1 y t Γ i u t = vektor yang memuat variabel pada waktu ke-t = parameter VEC dengan i= 1,2,3,..p-1 = vektor error 28
3 Pada model VAR(1) bivariate yang mengandung kointegrasi dengan nilai kointegrasi 1 akan berbentuk(lutkepohl,2005: 258). Model VAR (1) bivariate nilai kointegrasi1 dapat dinotasikan sebagai berikut (Lutkepohl,2005: 260): * + * + * + * + Sehingga model VEC dengan nilai kointegrasi1 dapat dinotasikan (Lutkepohl,2005: 260): * + * + dimana * + Estimasi parameter merupakan penduga nilai dari parameter populasi dengan menggunakan nilai dari sampel. Model VEC memuat proses perhitungan untuk mendapatkan nilai parameter dari model VEC. B. Prosedur Pembentukan dengan Analisis Model Vector Error Correction (VEC) Analisis model VEC merupakan analisis runtun waktu yang sering digunakan untuk menganalisis jangka panjang suatu data. Prosedur yang dilakukan dalam metode tersebut adalah 1. Identifikasi Model a. Stasioneritas Langkah awal yang dilakukan dalam pembentukan model VEC adalah mengidentifikasi data dengan plot data runtun waktu. Pembuatan plot runtun waktu dilakukan untuk menduga kestasioneran data. Selanjutnya kestasioneran dapat diuji denganuji transformasi Box-Cox untuk mengetahui stasioner dalam 29
4 varians dan uji unit root salah satu metode menggunakan uji Augmented Uji Dickey Fuller (ADF).Adapun hipotesisnya: H 0 : data stasioner H 1 : data tidak stasioner Data dikatakan mengandung unit root jika nilai ADF lebih kecil dari nilai kritis dari tabel ADF. Jika data mengandung unit root maka data dapat dilakukan differencing sampai data stasioner/ tidak mengandung unit root. b. Uji Kointegrasi Johansen Kointegrasi adalah suatu hubungan jangka panjang antar variabel. Konsep kointegrasi dikemukakan pertama kali oleh Engle dan Granger (1987). Tahun 1988 dikembangkan oleh Johansen dan disempurnakan oleh Johansen dan Juselius di tahun Pada konsep kointegrasi yang dipaparkan Johansen jika dua variabel yang tidak stasioner sebelum differencing namun stasioner pada differencing pertama, besar kemungkinan akan terjadi kointegrasi atau hubungan jangka panjang. Salah satu menguji kointegrasi adalah dengan uji Johansen. Uji kointegrasi digunakan untuk variabel yang terintegrasi pada orde 1 dan orde 0.Hipotesis yang digunakan pada uji kointegrasi Johansen yaitu H 0 : H 1 :,dengan r=0,1, k-1(terdapat nilai kointegrasi) (tidak terdapat nilai kointegrasi) 2010: 220). Untuk menguji hipotesis ini dapat menggunakan statistik uji trace (Rosadi, 30
5 dengan T k r = banyak pengamatan = lag input pada model VEC = nilai kointegrasi = nilai eigen terbesar terbesar ke i dan menguji hipotesis ini dapat menggunakan statistik uji maximum eigen value (Rosadi, 2010: 220): untuk r= 0, 1,, k-1 Kriteria keputusan adalah tolak H 0 jika LR tr > nilai kritis taraf nyata 5%. c. Penentuan Lag Optimal Untuk memilih orde lag p dapat digunakan kriteria informasi (information criteria) yaitu Hannan Quinn Criteria (HQC) yang dapat didefinisikan sebagai dengan p T k = orde pada model VEC = banyak pengamatan = laginput pada model VEC ( ) = estimator varian kovarian error Dengan nilai p dipilih sebagai p yang meminimalkan kriteria informasi dalam interval 1,, p max atau dengan kata lain kriteria informasi dipilih yang terkecil (Rosadi, 2011: 20). 31
6 2. Estimasi Parameter Parameter model VEC adalah Π, Γ, dan dalam proses estimasi digunakan model maximum likelihood estimation (Lutkepohl,2005:294). Penggunaan estimasi maximum likelihood pada model VEC sangat kompleks untuk dikerjakan secara manual. Oleh karena itu pengerjaan estimasi tersebut dapat dilakukan dengan menggunakan software. Sehingga diperoleh maksimum dari ln L adalah atau ekuivalen dengan meminimumkan determinan α dan β (Lutkepohl, 2005: 295). Uji signifikansi parameter dapat dilakukan dengan uji hipotesis sebagai berikut : H o : = 0 dengan i = 1,2, p-1 (parameter VEC tidak signifikan) H 1 : 0 (parameter VEC signifikan) Statistik uji yang digunakan sebagai berikut: dengan = estimator parameter VEC = standar error estimator Kriteria keputusan yang digunakan adalah H 0 ditolak jiak t >t α/2df, df = n- n p dimana n menunjukkan banyak data dan n p adalah banyakdata pada orde p yang dipakai atau H 0 ditolak jika p-value < α. 32
7 3. Uji Kesesuaian Model Model dikatakan memadai jika error (u t ) memenuhi proses white noise yang tidak berkorelasi (independen). Untuk mendeteksi suatu proses white noise pada analisis error dilakukan uji autokorelasi error dengan menyajikanplot ACF/ PACF dan uji normalitas (Lutkepohl, 2004: 127) a. Uji Autokorelasi error Hipotesisi yang digunakan untuk menguji autokorelasi error yaitu H 0 : E(u t, u t-1 ) = 0 dengan (tidak terdapat korelasi pada error) H 1 : minimal terdapat satu E(u t, u t-1 ) 0 (terdapat korelasi pada error) Dengan menyajikan plot residu dengan asumsi jika terdapat plot keluar garis kritis maka H 0 ditolak (Wei, 2006 : 110) b. Uji Normalitas Error Asumsi lain yang harus dipenuhi adalah uji kenormalan error. Uji kenormalan dilakukan untuk mengetahui error berdistribusi normal atau tidak. Uji kenormalan dilakukan dengan menggunakan uji Jerque-Bera (JB). Hipotesis yang digunakan sebagai berikut (Lutkepohl, 2004: 129): H 0 : error berdistribusi normal H 1 : error tidak berdistribusi normal statistik uji yang digunakan yaitu (Rosadi, 2010: 111): Kriteria keputusan adalah H 0 ditolak jika p-value < α atau JB> χ 2 (K). Dengan n dalah banyak data. 33
8 4. Peramalan Data Ketepatan model yang digunakan untuk meramal data periode yang akan datang dapat dihitung dengan Mean Absolute Percentage (MAPE) yaitu (Makridakis, 1999: 110) dengan 100% Y t = data akual F t = data ramalan Semakin kecil nilai MAPE mengindikasikan data hasil peramalan mendekati nilai aktual. Nilai MAPE yang kecil dapat diasumsikan kurang dari 10% (Makridakis, 1999: 110). Adapun skema pemodelan dengan menggunakan model VEC disajikan pada Gambar 3.1 berikut: Gambar 3. 1 Skema Model VEC 34
9 C. Analisis Data Menggunakan Model Vector Error Correction (VEC) Data yang digunakan pada analisis model adalah variabel Y 1 yaitu data penutupan pada indeks saham gabungan Jakarta (JKSE), Y 2 yaitu indeks saham gabungan Jepang (NIKKEI), Y 3 yaitu indeks saham Korea Selatan (KOSPI), dan Y 4 indeks saham Filiphina (PSEI). Data diambil dari yang merupakan data sekunder pada periode 15 Maret Januari 2017 sebanyak 1195 (data selengkapnya dapat dilihat di lampiran 1 halaman 60) yang berupa data mingguan. Plot data empat indeks saham dapat ditunjukkan pada gambar 3.2 Gambar 3. 2 Plot Data Indeks Sahan,JKSE, KOSPI, NIKKEI, dan PSEI periode 15 Maret Januari 2017 Plot data JKSE, KOSPI, NIKKEI, dan PSEI mengalami kenaikan dan penurunan secara bersamaan dipertengahan tahun Kejadian yang serupa 35
10 juga dialami pada akhir tahun 2014 dan awal tahun Pada indeks saham PSEI mengalami penurunan. Sehingga dapat diduga dari plot tersebut antar empat saham saling memiliki pengaruh. Gambar 3. 3 Hasil Plot Box- Cox pada Y 1, Y 2, Y 3, dan Y 4 Nilai estimasi Y 1, Y 2, Y 3, dan Y 4 yang diperoleh dari Box- Cox pada gambar 3.3 dengan nilai pada masing- masing saham yang dihasilkan menunjukkan angka sebesar 0,00. Nilai yang didapatkan tidak mendekati angka satu maka data cenderung tidak stasioner dalam varian. Ketidakstasioneran dalam varian dapat diatasi dengan transformasi. 36
11 Gambar 3. 4 Hasil Plot Transformasi Box- Cox pada Y 1, Y 2, Y 3, dan Y 4 Data Y 1, Y 2, Y 3, dan Y 4 setelah ditransformasi dapat dilihat pada gambar 3.4 yang memiliki nilai pada Y 1 sebesar 1,23, Y 2 sebesar 0,87, Y 3 sebesar 1,19, Y 4 sebesar 1,28 dan rounded value sebesar 1,00. Nilai yang mendekati angka satu maka dapat diartikan bahwa data Y 1, Y 2, Y 3, dan Y 4 stasioner dalam varian. Uji stasioner yang dapat digunakan adalah uji Augmented- Dickey Fuller (ADF) dan differencing untuk mengetahui data keempat saham stasioner dalam rata- rata. Hasil ADF yang didapat ditunjukkan pada table 3.1 dan 3.2: Tabel 3. 1 Tabel Hasil Uji ADF dengan e-views Variabel Nilai ADF Nilai Kritis Keterangan 1% 5% 10% Y Tidak Stasioner Y Tidak Stasioner Y , Stasioner Y Tidak Stasioner 37
12 Variabel Y 1, Y 2, dan Y 4 nilai nilai ADF > nilai kritis pada taraf nyata 1%, 5%, dan 10%. Pada variabel Y 3 nilai nilai ADF < nilai kritis pada taraf nyata 1%, 5%, dan 10% dapat dilihat pada tabel 3.1. Pada plot ACF dan PACF yang ditunjukkan pada lampiran 2, 4, 6, dan 8 halaman 89, 91, 93, dan 95, mengindikasikan bahwa data belum stasioner dalam rata- rata karena lag pada plot ACF dan PACF keluar dari garis kritis. Berdasarkan tabel 3.1 dan plot ACF dan PACFvariabel Y 1, Y 2, dan Y 4 disimpulkan tidak stasioner dalam rataan dan harus dilakukandifferencingpada Y 1, Y 2, dan Y 4. Tabel 3. 2 Hasil ADF pada differencing pertama Variabel Nilai Nilai Kritis Keterangan ADF 1% 5% 10% Y Stasioner Y Stasioner Y Stasioner Y Stasioner Pada tabel 3.2 variabel Y 1, Y 2, Y 3 dan Y 4 nilai nilai ADF > nilai kritis pada taraf nyata 1%, 5%, dan 10%.Data yang telah differencing pertama dapat dilihat pada plot ACF dan PACF yang ditunjukkan pada lampiran 2, 5, 7, dan 9 halaman 90, 92, 94, dan 96, mengindikasikan bahwa data stasioner dalam rata- rata karena lag pada plot ACF dan PACF tidak keluar dari garis kritis. Berdasarkan hasil ADF tabel 3.2 pada differencing pertama variabel Y 1, Y 2,Y 3,dan Y 4 disimpulkan data stasioner dalam rataan pada differencing pertama. Selanjutnya untuk menentukan orde dari model maka akan ditentukan Lag Optimal dapat direpresentasikan dari nilai Hannan Quinn Criteria (HQC). 38
13 Tabel 3. 3 Hasil Lag Optimal HQC Lag HQ * Berdasarkan tabel 3.3 dapat direpresentasikan bahwa HQC pada lag 2 memiliki nilai terkecil dari lag lainnya. Dapat disimpulkan bahwa lag optimal pada keempat indeks saham terdapat pada lag 2. Hasil penentuan orde lag dapat dilihat pada lampiran 19 halaman 102. Selanjutnya akan dilakukan uji kointegrasi pada lag 2. Uji kointegrasi dilakukan dengan metode Johansen. Tabel 3. 4 Hasil Uji Kointegrasi Johansen pada eviews H 0 rank=r H 1 rank>1 LR trace Nilai Kritis = 5% Max-eigen statistic Nilai Kritis = 5% , ,21 29, , , ,68 23, , , ,41 10, , , ,76 0, ,76 Pada tabel 3.4 yang ditunjukkan pada lampiran 18 halaman 101 dapat direpresentasikan bahwa nilai trace statistic dan maximum eigen statistic memiliki nilai yang lebih besar dari nilai kritis dengan taraf nyata 5%. Oleh karena itu, dapat disimpulkan bahwa terdapat nilai kointegrasi 1 pada data tersebut. 39
14 Model yang dapat digunakan untuk merepresentasikan adanya nilai kointegrasi adalah model VEC. Tabel 3. 5 Hasil Estimasi Parameter dan Uji Signifikansi Model VEC orde 2 dengan Nilai Kointegrasi 1 Parameter Estimator p-value Keterangan Parameter Estimator p-value Keterangan 0, ,02887 Signifikan -0, ,0288 Signifikan -0, ,04222 Signifikan 0, ,04212 Signifikan -0, ,02200 Signifikan -0, ,02195 Signifikan -0, ,03025 Signifikan 0, ,03018 Signifikan -0, ,01979 Signifikan -0, ,0198 Signifikan -0, ,02895 Signifikan 0, ,02895 Signifikan 0, ,01509 Signifikan 0, ,01509 Signifikan -0, ,02074 Signifikan -0, ,02074 Signifikan 0, ,03801 Signifikan 0, ,03796 Signifikan -0, ,05559 Signifikan 0, ,05552 Signifikan 0, ,02897 Signifikan 0, ,02893 Signifikan 0, ,03983 Signifikan 0, ,03978 Signifikan 0, ,02775 Signifikan -0, ,02791 Signifikan 0, ,04059 Signifikan 0, ,04082 Signifikan 0, ,02116 Signifikan 0, ,02128 Signifikan 0, ,02908 Signifikan -0, ,02925 Signifikan Berdasarkan tabel 3.5 yang ditunjukkan pada lampiran 18 halaman 108 diperoleh masing- masing parameter nilainya kurang dari 0,05. Berdasarkan hasil estimasi parameter yang telah diperoleh, maka didapat persamaan model VEC orde2 dengan nilai kointegrasi 1 sebagai berikut: Persamaan VEC orde 2 dengan nilai kointegrasi 1 menyertakan koefisien sebagai berikut: 40
15 Autocorrelation Partial Autocorrelation atau dapat ditulis dengan masing masing model VAR orde 2 dengan nilai kointegrasi 1 sebagai berikut: Setelah dilakukan estimasi parameter dilakukan uji kesesuaian model dengan pengujian error independensi dan uji normalitas. Pengujian error independensi dengan menyajikan plot ACF dan PACF dari residu data: Autocorrelation Function for Y1 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for Y1 (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Gambar 3. 5 Plot ACF dan PACF error pada Data Y 1 41
16 Autocorrelation Partial Autocorrelation Autocorrelation Partial Autocorrelation Pada gambar 3.5 menunjukkan plot ACF dan PACF hasil error pada data Y 1 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar dari garis kritis. Dapat disimpulkan model VEC orde 2 kointegrasi 1 sesuai dengan data Y 1. Autocorrelation Function for Y2 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for Y2 (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Gambar 3. 6 Plot ACF dan PACF error pada Data Y 2 Pada gambar 3.6 menunjukkan plot ACF dan PACF hasil error pada data Y 2 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar dari garis kritis. Dapat disimpulkan model VEC orde 2 nilai kointegrasi 1 sesuai dengan data Y 2. Autocorrelation Function for Y3 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for Y3 (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Gambar 3. 7 Plot ACF dan PACF error pada Data Y 3 Pada gambar 3.7 menunjukkan plot ACF dan PACF hasil error pada data Y 3 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar 42
17 Autocorrelation Partial Autocorrelation dari garis kritis. Dapat disimpulkan model VEC orde 2 kointegrasi 1 sesuai dengan data Y 3 Autocorrelation Function for Y4 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for Y4 (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Gambar 3. 8 Plot ACF dan PACF error data Y 4 Pada gambar 3.8 menunjukkan plot ACF dan PACF hasil error pada data Y 3 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar dari garis kritis. Dapat disimpulkan model VEC orde 2 nilai kointegrasi 1 sesuai dengan data Y 3 Selain dilakukan uji error autokorelasi independen, dilakukan pula uji normalitas. Hipotesis yang digunakan pada uji normalitas yaitu H 0 : error berdistribusi normal H 1 : error tidak berdistribusi normal Uji normalitas menggunakan uji Jerque-Bera (JB). Kriteria keputusanuntuk uji normalitas adalah tolak H o jika atau nilai Pada uji normalitas yang ditunjukkan pada lampiran 22 halaman 105 diperoleh nilai p-value sama dengan 1,6541. Nilai p- value tersebut lebih besar dari 0,05, sehingga H 0 diterima dan dapat disimpulkan error berdistribusi normal. 43
18 Hasil kesesuaian model menunjukkan bahwa model tersebut memenuhi asumsi error autokorelasi independen dan normalitas error, sehingga model tersebut layak digunakan untuk peramalan. Peramalan menggunakan model VEC orde 2 dengan nilai kointegrasi 1 dapat diambil sampel pada data Y 1, Y 2, Y 3, dan Y 4 mulai pada periode 5 januari Maret Tabel 3. 6 Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham JKSE 5 Januari April 2017 Y 1 Periode Data Data Aktual Ramalan 03/04/ , , , /03/ , , , /03/ , , , /03/ , , , /03/ , , , /02/ , , , /02/ , , , /02/ , , , /02/ , , , /01/ , , , /01/ , , , /01/ , , , /01/ , , , /01/ , , , /01/ , , , MSE 24019,00989 root of MSE 154, MAPE 1,7498% ε 2 44
19 Gambar 3. 9 Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham JKSE Periode 5 Januari April 2017 Peramalan data Y 1 dapat dilihat pada tabel 3.6dan gambar 3.9. Pada tabel 3.6 menunjukkan bahwa data dari hasil peramalan menggunakan model VEC orde 2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada MAPE 1,7498 %. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1 dapat melakukan peramalan dengan baik pada data Y 1. Tabel 3. 7Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham NIKKEI periode 5 Januari April 2017 Y 2 Periode Data Aktual Data Ramalan 03/04/ , , /03/ , , /03/ , , /03/ , , /03/ , , /02/ , , /02/ , , /02/ , , /02/ , , /01/ , , /01/ , , /01/ , , ε 2 45
20 10/01/ , , /01/ , , /01/ , , MSE ,058 root of MSE 1343, MAPE 6,3272 % Gambar Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham NIKKEI periode 5 Januari April 2017 Peramalan data Y 2 dapat dilihat pada tabel 3.7 dan gambar Pada tabel 3.7 menunjukkan bahwa data dari hasil peramalan menggunakan model VEC orde 2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada MAPE 6,3272 %. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1 dapat melakukan peramalan dengan baik pada data Y 2. Tabel 3. 8 Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham KOSPI periode Januari April 2017 Y 3 Periode Data Data Aktual Ramalan 03/04/ , , , /03/ , , , /03/ , , , /03/ , , , /03/ , , , /02/ , , , /02/ , , ,1225 ε 2 46
21 13/02/ , , , /02/ , , , /01/ , , , /01/ , , , /01/ , ,32 94, /01/ , ,69 171,61 06/01/ , ,19 376, /01/ , ,61 305,9001 MSE 8518, root of MSE 92, MAPE 3,6073% Gambar Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham KOSPI 5 periode Januari April 2017 Peramalan data Y 3 dapat dilihat pada tabel 3.8 dan gambar Pada tabel 3.8 menunjukkan bahwa data dari hasil peramalan menggunakan VEC orde 2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada MAPE 3,6073%. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1 dapat melakukan peramalan dengan baik pada data Y 3. 47
22 Tabel 3. 9 Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham PSEI 5 periode Januari April 2017 Periode Data Data Aktual Ramalan 03/04/ , , ,89 27/03/ , , ,1 20/03/ , , ,8 13/03/ , , ,4 06/03/ , , ,3 27/02/ , , ,4 20/02/ , , ,5 13/02/ , , ,3 06/02/ , , ,1 30/01/ ,7 7365, ,2 23/01/ , ,18 930,86 16/01/ , , ,8 10/01/ , , /01/ , , /01/ ,2 7244,61 12,8881 MSE 36939,3 root of MSE 192,196 MAPE 2,222% Y 4 ε 2 Gambar Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham PSEI periode 5 Januari April 2017 Peramalan data Y 4 dapat dilihat pada tabel 3.9 dan gambar Pada tabel 3.9 menunjukkan bahwa data dari hasil peramalan menggunakan VEC orde 48
23 2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada MAPE 2,222%. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1 dapat melakukan peramalan dengan baik pada data Y 4. 49
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 terperinciMETODOLOGI PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
25 III. METODOLOGI 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
Lebih terperinciIII METODE PENELITIAN
18 III METODE PENELITIAN 3.1. Kerangka Pemikiran Mengetahui kointegrasi pada setiap produk adalah salah satu permasalahan yang perlu dikaji dan diteliti oleh perusahaan. Dengan melihat kointegrasi produk,
Lebih terperinciBAB II KAJIAN TEORI. mendukung pembahasan bab- bab berikutnya, yaitu matriks, analisis multivariate,
BAB II KAJIAN TEORI Pada bab II ini akan dibahas tentang materi dasar yang digunakan untuk mendukung pembahasan bab- bab berikutnya, yaitu matriks, analisis multivariate, analisis runtun waktu, stasioneritas,
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 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 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 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 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 terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPERAMALAN 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 terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data time series
40 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data time series sekunder. Data-data tersebut diperoleh dari berbagai sumber, antara lain dari
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 terperinciHASIL DAN PEMBAHASAN. Analisis data dilakukan dengan menggunakan Software Eviews Versi 4.1 dan Microsoft Office Excel Gambar 2 Plot IHSG.
kointegrasi lebih besar dari nol maka model yang digunakan adalah VECM (Enders, 1995). 4. Analisis model VAR, VARD atau VECM. 5. Interpretasi terhadap model. 6. Uji kelayakan model. 7. Pengkajian fungsi
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 terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perusahaan merupakan suatu badan hukum yang memiliki suatu tujuan yang ingin dicapai salah satunya yaitu mendapatkan keuntungan. Untuk mencapai
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 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 terperinciMETODE PENELITIAN Kerangka Pemikiran
20 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran dalam penelitian dapat dijadikan landasan dalam setiap tahap penelitian. Salah satu tujuan dari penelitian ini adalah mengetahui metode
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 terperinciPENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU TUGAS AKHIR
PENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika Oleh:
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 terperinciMETODE PENELITIAN. Variabel-variabel yang digunakan dalam penelitian Respon PDB terhadap shock
40 III. METODE PENELITIAN Variabel-variabel yang digunakan dalam penelitian Respon PDB terhadap shock kredit perbankan, pembiayaan pada lembaga keuangan non bank dan nilai emisi saham pada pasar modal
Lebih terperinciBAB III METODE PENELITIAN
45 BAB III METODE PENELITIAN 3.1. Kerangka Pemikiran Untuk menggambarkan bagaimana pengaruh capital gain IHSG dengan pergerakan yield obligasi pemerintah dan pengaruh tingkat suku bunga terhadap IHSG dan
Lebih terperinciIII. METODOLOGI PENELITIAN. A. Data dan Sumber Data Penelitian ini termasuk dalam tipe penelitian arsip yaitu suatu penelitian
III. METODOLOGI PENELITIAN A. Data dan Sumber Data Penelitian ini termasuk dalam tipe penelitian arsip yaitu suatu penelitian terhadap fakta yang tertulis. Dokumen atau arsip data yang diteliti berdasarkan
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 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 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 terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilaksanakan pada bulan Januari hingga Maret 2012. Penelitian dilakukan di Asosiasi Kakao Indonesia (Askindo). Penentuan tempat dilakukan
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 terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 737-745 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DAYA LISTRIK BERDASARKAN JUMLAH PELANGGAN PLN MENGGUNAKAN
Lebih terperinciBAB III METODELOGI PENELITIAN. variabel- variabel sebagai berikut : tingkat gross domestic product(gdp), total
BAB III METODELOGI PENELITIAN A. Obyek Penelitian Obyek yang diteliti dalam penelitian ini adalah semua data mengenai variabel- variabel sebagai berikut : tingkat gross domestic product(gdp), total pembiayaan
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 terperinciMETODE PENELITIAN. merupakan data time series dari bulan Januari 2002 sampai Desember Data
23 III. METODE PENELITIN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan data time series dari bulan Januari 2002 sampai Desember 2009. Data
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 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 II TINJAUAN PUSTAKA. untuk berkunjung ke suatu negara. Permintaan pariwisata biasanya diukur dari segi
BAB II TINJAUAN PUSTAKA 2.1 Permintaan Pariwisata Pariwisata mamu mencitakan ermintaan yang dilakukan oleh wisatawan untuk berkunjung ke suatu negara. Permintaan ariwisata biasanya diukur dari segi jumlah
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 terperinciPENDEKATAN VECTOR ERROR CORRECTION MODEL UNTUK ANALISIS HUBUNGAN INFLASI, BI RATE DAN KURS DOLAR AMERIKA SERIKAT
Jurnal Barekeng Vol. 8 No. 2 Hal. 9 18 (2014) PENDEKATAN VECTOR ERROR CORRECTION MODEL UNTUK ANALISIS HUBUNGAN INFLASI, BI RATE DAN KURS DOLAR AMERIKA SERIKAT Vector Error Correction Model Approach to
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 1.1. Lokasi dan Waktu Penelitian Penelitian dilaksanakan pada bulan Februari hingga April 2011. Penelitian dilakukan dengan mengunjungi PT. Kharisma Pemasaran Bersama Nusantara (PT.
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Objek Penelitian. Dalam penelitian ini penulis memilih impor beras sebagai objek melakukan riset di Indonesia pada tahun 1985-2015. Data bersumber dari Badan Pusat Statistika
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 terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Obyek dan Subyek Penelitian 1. Obyek Penelitian Obyek penelitian ini adalah pertumbuhan indeks pembangungan manusia Indonesia dan metode penelitiannya adalah analisis kuantitatif
Lebih terperinciBAB III METODE PENELITIAN. analisis yang berupa angka-angka sehingga dapat diukur dan dihitung dengan
BAB III METODE PENELITIAN A. Jenis Penelitian Jenis penelitian ini adalah kuantitatif. Penelitian kuantitatif merupakan analisis yang berupa angka-angka sehingga dapat diukur dan dihitung dengan menggunakan
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 terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan untuk penelitian ini adalah pengeluaran riil pemerintah (G t ), PBD riil (Y t ), konsumsi (CC t ), investasi (I t ), Indeks Harga Konsumen
Lebih terperinciSedangkan model fungsi transfer bentuk kedua adalah sebagai berikut :
1 Metode Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 255 dengan Pendekatan Fungsi Transfer Dwi Listya Nurini, Brodjol Sutijo SU Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciIII.METODE PENELITIAN. Penelitian ini merupakan penelitian kuantitatif, karena penelitian ini
43 III.METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini merupakan penelitian kuantitatif, karena penelitian ini disajikan dengan angka-angka. Hal ini sesuai dengan pendapat Arikunto (2006) yang
Lebih terperinciIII. METODE PENELITIAN. Bentuk data berupa data time series dengan frekuensi bulanan dari Januari 2000
28 III. METODE PENELITIAN 3.1. Data 3.1.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Bentuk data berupa data time series dengan frekuensi bulanan dari Januari
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 terperinciIII. METODELOGI PENELITIAN. Dalam penelitian yang berjudul Analisis Determinan Nilai Aktiva Bersih Reksa
III. METODELOGI PENELITIAN A. Definisi Operasional Variabel Dalam penelitian yang berjudul Analisis Determinan Nilai Aktiva Bersih Reksa Dana Saham di Indonesia (Periode 2005:T1 2014:T3) variabel-variabel
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 terperinciMETODOLOGI PENELITIAN. Untuk membatasi ruang lingkup permasalahan yang dijadikan objek
III. METODOLOGI PENELITIAN A. Ruang Lingkup Penelitian Untuk membatasi ruang lingkup permasalahan yang dijadikan objek penelitian, maka penelitian ini hanya menganalisis mengenai harga BBM dan nilai tukar
Lebih terperinciBAB III METODE PENELITIAN. sekunder yang akan digunakan ialah data deret waktu bulanan (time series) dari bulan
40 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Data yang akan dipakai dalam penelitian ini berupa data sekunder. Data sekunder yang akan digunakan ialah data deret waktu bulanan (time series)
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciIII. METODOLOGI PENELITIAN. Untuk membatasi ruang lingkup permasalahan maka yang dijadikan objek
53 III. METODOLOGI PENELITIAN A. Ruang Lingkup Penelitian Untuk membatasi ruang lingkup permasalahan maka yang dijadikan objek penelitian yang dilakukan, maka penelitian ini akan menganalisis kinerja kebijakan
Lebih terperinciBAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT
BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan
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 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 terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Pendekatan Penelitian Pendekatan penelitian ini menggunakan pendekatan kuantitatif yaitu pendekatan dengan cara mengukur variabel yang di lingkari oleh teori atau satu
Lebih terperinciBAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
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 3 DATA DAN METODOLOGI
23 BAB 3 DATA DAN METODOLOGI Model-model ekonometrika yang digunakan di dalam penelitian biasanya merupakan persamaan struktural, yaitu model yang dibangun berdasarkan hubungan antara variabel berdasarkan
Lebih terperinciIII. METODE PENELITIAN. bentuk runtut waktu (time series) yang bersifat kuantitatif yaitu data dalam
48 III. METODE PENELITIAN A. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder dalam bentuk runtut waktu (time series) yang bersifat kuantitatif yaitu data dalam
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Populasi Populasi dari penelitian ini adalah perbankan yang go public di Bursa Efek Indonesia (BEI) dan menerbitkan laporan keuangan yang lengkap (Annual Report) pada periode
Lebih terperinciPEMODELAN DATA TIME SERIES DENGAN METODE BOX-JENKINS
PEMODELAN DATA TIME SERIES DENGAN METODE BOX-JENKINS Rais 1 1 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Tadulako, email: rais76_untad@yahoo.co.id Abstrak Metode Box-Jenkins
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Sumber data yang digunakan dalam penelitian ini adalah menggunakan data sekunder yang terdiri dari nilai tukar Rupiah terhadap Dolar yang bergerak dari
Lebih terperinciPERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2016, Halaman 101-110 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA
Lebih 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 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 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 III PEMODELAN DATA IHSG DAN LAJU INFLASI INDONESIA MENGGUNAKAN VECTOR AUTOREGRESSIVE WITH EXOGENOUS VARIABLE (VARX)
BAB III PEMODELAN DATA IHSG DAN LAJU INFLASI INDONESIA MENGGUNAKAN VECTOR AUTOREGRESSIVE WITH EXOGENOUS VARIABLE (VARX) 3.1 Model Vector Autoregressive (VAR) Model Vector Autoregressive (VAR) adalah model
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 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 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 terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus : KA Argo Muria)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 131-140 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari
III. METODE PENELITIAN Metode penelitian merupakan langkah dan prosedur yang akan dilakukan dalam pengumpulan data atau informasi empiris guna memecahkan permasalahan dan menguji hipotesis penelitian.
Lebih terperinciBAB II LANDASAN TEORI
perpustakaanunsacid digilibunsacid BAB II LANDASAN TEORI Pada bagian pertama bab kedua ini diberikan tinjuan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab
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 terperinciMETODE PENELITIAN. A. Variabel Penelitian dan Definisi Operasional. Dalam penelitian ini variabel terikat (dependent variabel) yang digunakan adalah
III. METODE PENELITIAN A. Variabel Penelitian dan Definisi Operasional 1. Variabel Penelitian Dalam penelitian ini variabel terikat (dependent variabel) yang digunakan adalah nilai tukar rupiah, sedangkan
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 terperinciIII. METODE PENELITIAN. Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang
30 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang diperoleh dari Laporan Bank Indonesia, Statistik Ekonomi dan Keuangan Indonesia,
Lebih terperinciBAB III DATA DAN METODOLOGI PENELITIAN
BAB III DATA DAN METODOLOGI PENELITIAN III.1 Data penelitian Penelitian interdependensi pasar saham indonesia dengan pasar saham dunia ini menggunakan data sekunder berupa nilai penutupan harian/daily
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Obyek Penelitian Obyek penelitian adalah sesuatu yang menjadi perhatian dalam suatu penelitian, objek penelitian ini menjadi sasaran dalam penelitian untuk mendapatkan
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
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 Seasonal ARIMA
Jurnal Sains Matematika dan Statistika, Vol. No. i ISSN - Peramalan Wisatawan Mancanegara Ke Provinsi Riau Melalui Kota Pekanbaru Menggunakan Metode Seasonal ARIMA Ropita Munawaroh dan M. M. Nizam, Jurusan
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 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 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 terperinciMETODE PENELITIAN. Data digunakan adalah data sekunder (time series) berupa data bulanan yang
45 III. METODE PENELITIAN A. Jenis Dan Sumber Data Data digunakan adalah data sekunder (time series) berupa data bulanan yang diperoleh dari data Bank Indonesia (BI) dan melalui pengolahan data yang dihitung
Lebih terperinciPREDIKSI RETURN PORTOFOLIO MENGGUNAKAN METODE KALMAN FILTER
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 201, Halaman 51-1 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI RETURN PORTOFOLIO MENGGUNAKAN METODE KALMAN FILTER Dita
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 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 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 terperinci