TIME SERIES DENGAN K-STAT &EVIEWS
|
|
- Shinta Sasmita
- 6 tahun lalu
- Tontonan:
Transkripsi
1 TIME SERIES DENGAN K-STAT &EVIEWS Oleh Prana Ugiana Gio Video Cara Mendownload Aplikasi Olah Data K-Stat : Menggunakan Aplikasi Olah Data K-Stat secara Online: Panduan Mengolah Data dengan K-Stat:
2
3 1. Data Berikut diberikan data harga saham bank BNI dari tanggal 4 Desember 2017 sampai dengan tanggal 27 Desember Tabel 1.1 Harga Saham BNI No Kode Tanggal Open Close Change(Rp) Change(%) Volume 1 BBNI 04/12/ BBNI 05/12/ BBNI 06/12/ BBNI 07/12/ BBNI 08/12/ BBNI 11/12/ BBNI 12/12/ BBNI 13/12/ BBNI 14/12/ BBNI 15/12/ BBNI 18/12/ BBNI 19/12/ BBNI 20/12/ BBNI 21/12/ BBNI 22/12/ BBNI 27/12/ Sumber: Data pada Tabel 1.1 diringkas kembali seperti pada Tabel 1.2. Tabel 1.2 Harga Saham BNI Date Close Price
4
5 2. Menginput Data di K-Stat Selanjutnya data pada Tabel 2.1 diinput di K-Stat. Gambar 2.1
6 3. Menyajikan Data dalam Grafik (Grafik Sebaran Data) s Package ggplot2, fungsi ggplot(). Selanjutnya menyajikan data ke dalam grafik. Gambar 3.1 Gambar 3.2
7 Gambar 3.3 Gambar 3.4
8 Berdasarkan Gambar 3.3 dan Gambar 3.4, terdapat kecenderungan harga saham BNI mengalami peningkatan dari tanggal 4 Desember 2017 sampai dengan tanggal 27 Desember Berikut tampilan grafik dengan Eviews. Gambar 3.5 Gambar 3.6
9 Close Price 10,000 9,600 9,200 8,800 8,400 8, Gambar 3.7 Gambar 3.8 Gambar 3.9 Close Price 10,000 9,600 9,200 8,800 8,400 8, Gambar 3.10
10 4. Uji Stasioner dengan Pendekatan Correlogram dengan K-Stat c Package forecast, fungsi tsdisplay(), acf(), pacf() Gambar 4.1 Hasil dengan K-Stat Gambar 4.2 Hasil dengan EViews Mahyus (2014:73) menyatakan untuk dapat menggunakan model ARMA ataupun ARIMA maka sebuah data haruslah stasioner. Apabila data tersebut stasioner pada ordo 0 (nol) atau pada Level maka data tersebut dapat menggunakan model ARMA. Sementara itu, apabila data stasioner pada ordo
11 1 ( first difference ) ataupun ordo 2 ( second difference ) maka data tersebut dapat menggunakan model ARIMA. Selanjutnya dilakukan uji stasioner dengan pendekatan correlogram dengan K-Stat (pada Level). Gambar 4.3 Gambar 4.4
12 Gambar 4.5 Gambar 4.6
13 Berikut disajikan hasil uji stasioner dengan pendekatan correlogram dalam EViews. Gambar 4.7 Gambar 4.8 Gambar 4.9
14 5. Uji Stasioner dengan Pendekatan Uji Augmented Dickey-Fuller dengan K-Stat Mahyus (2014:73) menyatakan untuk dapat menggunakan model ARMA ataupun ARIMA maka sebuah data haruslah stasioner. Apabila data tersebut stasioner pada ordo 0 (nol) atau pada Level maka data tersebut dapat menggunakan model ARMA. Sementara itu, apabila data stasioner pada ordo 1 ( first difference ) ataupun ordo 2 ( second difference ) maka data tersebut dapat menggunakan model ARIMA. Selanjutnya dilakukan uji stasioner dengan pendekatan correlogram dengan K-Stat (pada Level). Selanjutnya dilakukan uji stasioner dengan pendekatan Augmented Dickey-Fuller dengan K-Stat (pada Level). c Package urca, fungsi ur.df() Agar hasilnya mendekati/sama dengan software EViews, atur Lags dengan nilai yang sama dengan software EViews.
15 Nilai statistik ADF -0,4564. Nilai kritis pada tingkat signifikansi 5% adalah -3,00. Gambar 5.1 Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.1) diketahui nilai statistik ADF -0,4564 < nilai kritis -3,000, maka data tidak stasioner pada level.
16 Gambar 5.2 Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.2) diketahui nilai statistik ADF -4,507 > nilai kritis -3,000, maka data stasioner pada first difference. Berikut disajikan hasil berdasarkan EViews.
17 Gambar 5.3 Gambar 5.4 Tabel 5.1 Hasil Uji Stasioner pada Level Null Hypothesis: CLOSE_PRICE has a unit root Exogenous: Constant Lag Length: 3 (Automatic - based on SIC, maxlag=3) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 12 Augmented Dickey-Fuller Test Equation Secara otomatis EViews menetapkan Lag Length = 3
18 Dependent Variable: D(CLOSE_PRICE) Method: Least Squares Date: 12/28/17 Time: 17:05 Sample (adjusted): 5 16 Included observations: 12 after adjustments Variable Coefficient Std. Error t-statistic Prob. CLOSE_PRICE(-1) D(CLOSE_PRICE(-1)) D(CLOSE_PRICE(-2)) D(CLOSE_PRICE(-3)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller, diketahui nilai statistik ADF - 0,4564 < nilai kritis -3,144920, maka data tidak stasioner pada level. Gambar 5.5
19 Gambar 5.6 Tabel 5.2 Hasil Uji Stasioner pada First Difference Null Hypothesis: D(CLOSE_PRICE) has a unit root Exogenous: Constant Lag Length: 2 (Automatic - based on SIC, maxlag=3) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 12 Augmented Dickey-Fuller Test Equation Dependent Variable: D(CLOSE_PRICE,2) Method: Least Squares Date: 12/28/17 Time: 17:06 Sample (adjusted): 5 16 Included observations: 12 after adjustments Secara otomatis EViews menetapkan Lag Length = 2 Variable Coefficient Std. Error t-statistic Prob. D(CLOSE_PRICE(-1)) D(CLOSE_PRICE(-1),2) D(CLOSE_PRICE(-2),2) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat
20 Prob(F-statistic) Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.2) diketahui nilai statistik ADF -4, > nilai kritis -3,144920, maka data stasioner pada first difference. Berikut disajikan hasil berdasarkan EViews.
21 6. Uji Ljung-Box dengan K-Stat Pengujian ini dilakukan untuk kesesuaian penggunaan ARMA atau ARIMA. Adapun hipotesis yang diujikan adalah (Mahyus, 2014:77). Package tseries, fungsi box.test() H 0 : Data random (tidak ada pola) H 1 : Data tidak random (ada pola) Mahyus (2014:77) dalam uji L-Jung-Box-Pierce, apabila tingkat probabilitas (p-value) dari Q statistik dari setiap time lag < 0,05 (tingkat kepercayaan 95%) maka H 0 ditolak. Artinya data tersebut dapat sesuai dimodelkan dengan menggunakan ARMA atau ARIMA. Gambar 6.1
22 Berdasarkan hasil uji Ljung-Box untuk data close price pada first difference, hanya pada lag pertama nilai p-value < 0,05, yakni 0, < 0,05. Berikut hasil uji Ljung-Box untuk data close price pada first difference dalam EViews. Gambar 6.2 Gambar 6.3
23 Gambar 6.4 Gambar 6.5
24 7. AR, MA, ARMA dan ARIMA dengan K-Stat AR(1) atau ARIMA(1,0,0) dengan K-Stat. Package forecast, fungsi arima() Metode estimasi yang dipilih CSS. Bisa juga digunakan CSS-ML atau ML. Gambar 7.1
25 AR(1) atau ARIMA(1,0,0) dengan EViews. Gambar 7.2
26 AR(2) atau ARIMA(2,0,0) dengan K-Stat. Gambar 7.3
27 AR(2) atau ARIMA(2,0,0) dengan EViews. Gambar 7.4 Gambar 7.5
28 MA(1) atau ARIMA(0,0,1) dengan K-Stat. Gambar 7.6
29 MA(1) atau ARIMA(0,0,1) dengan EViews. Gambar 7.7 Gambar 7.8
30 ARIMA(1,1,1) dengan K-Stat. Gambar 7.9
31 ARIMA(1,1,1) dengan EViews. Gambar 7.10 Gambar 7.11
32 8. Uji Keacakan dan Stasioner Data Residual pada Level dengan K-Stat Mahyus (2014:9) menyatakan White noise dalam penelitian seringkali muncul untuk menjelaskan bagaimana suatu data berperilaku. White noise sebagai istilah untuk menjelaskan bahwa suatu data memiliki perilaku acak dan stasioner. Mahyus (2014:78-79) menyatakan salah satu cara pemilihan model ARMA atau ARIMA terbaik adalah error yang dihasilkan memiliki sifat random (Hal ini akan terlihat dari nilai probabilitas Q statistik yang lebih besar dari tingkat signifikansi). Gambar 8.1 Contoh Hasil Uji Keacakan Data Residual pada Level dengan EViews
33 Nilai statistik ADF -5,818, sementara nilai kritis -3,09. Gambar 8.2 Contoh Hasil Uji Stasioner Data Residual pada Level dengan EViews Dalam EViews namanya Q-Stat Metodenya CSS-ML. Bisa juga menggunakan metode ML atau CSS. Gambar 8.3 Contoh Hasil Uji Keacakan Data Residual pada Level dengan K-Stat Nilai statistik ADF -7,1923, sementara nilai kritis -3,00. Gambar 8.3 Contoh Hasil Uji Stasioner Data Residual pada Level dengan K-Stat (Uji Augmented Dickey-Fuller)
34 Berikut ilustrasi untuk melakukan uji keacakan dan stasioner data residual pada level dengan K-Stat. Unuk ilustrasi ini digunakan AR(1). Package urca, fungsi ur.df() Package tseries, fungsi box.test()
35 Gambar 8.4
36 Berdasarkan Gambar 8.4, diketahui nilai statistik ADF -7,1923 > nilai kritis -3,00, maka data residual stasioner pada level. Berikut hasil uji stasioner dengan uji Augmented Dickey-Fuller untuk data residual dengan EViews (untuk AR(1)). Gambar 8.5 Gambar 8.6
37 Gambar 8.7 Gambar 8.8
38 Gambar 8.9 Gambar 8.10
39 Gambar 8.11 Berikut correlogram untuk data residual dengan EViews. Gambar 8.12 Gambar 8.13
40 Gambar 8.14
41 9. Nilai Prediksi/Ramalan dengan K-Stat Berikut ilustrasi yang memperlihatkan nilai aktual dan nilai prediksi. Unuk ilustrasi ini digunakan AR(1) atau ARIMA(1,0,0). Gambar 9.1 Nilai Aktual, Prediksi dan Residual dengan K-Stat (Metode Estimasi CSS) (ARIMA(1,0,0)) Gambar 9.2 Nilai Aktual, Prediksi dan Residual dengan EViews (ARIMA(1,0,0))
42 Berikut ilustrasi yang memperlihatkan nilai aktual dan nilai prediksi. Unuk ilustrasi ini digunakan ARIMA(2,0,2). Gambar 9.3 Nilai Aktual, Prediksi dan Residual dengan K-Stat (Metode Estimasi CSS) (ARIMA(2,0,2))
43 Gambar 9.4 Nilai Aktual, Prediksi dan Residual dengan EViews (ARIMA(2,0,2))
44 Package forecast, fungsi arima(), predict() Gambar 9.3 Gambar 9.4
45 Gambar 9.5 Gambar 9.6
46 Gambar 9.7 Gambar 9.8 Nilai prediksi 5 waktu ke depan adalah Nilai aktual, prediksi dan residual dengan EViews untuk AR(1).
47 Gambar 9.9 Gambar 9.10
48 10,000 9,600 9, ,800 8,400 8, Residual Actual Fitted Gambar 9.11
49 10. Pemilihan Model dengan K-Stat Model terbaik setidaknya memiliki RMSE (Root Mean Squares Error), MAD (Mean Absolut Deviation) atau MAE (Mean Absolut Error), MAPE (Mean Absolut Percentage Error), dan MPE (Mean Percentage Error) yang minimal (Arsyad, 1994). Misalkan akan dibandingkan model ARIMA mana yang terbaik, antara ARIMA(1,0,1), ARIMA(0,0,1) dan ARIMA (0,1,1). Gambar 10.1
50 Gambar 10.2 Gambar 10.3 Berdasarkan Gambar 10.3: Berdasarkan ukuran ME, model yang terbaik adalah model ARIMA(1,0,1), karena nilai ME paling kecil. Berdasarkan ukuran RSME, model yang terbaik adalah model ARIMA(1,0,1), karena nilai RMME paling kecil. Berdasarkan ukuran MAE, model yang terbaik adalah model ARIMA(1,0,1), karena nilai MAE paling kecil.
51 Berdasarkan ukuran MPE, model yang terbaik adalah model ARIMA(1,0,1), karena nilai MPE paling kecil (NILAI YANG MENDEKATI NOL). Berdasarkan ukuran MAPE, model yang terbaik adalah model ARIMA(1,0,1), karena nilai MAPE paling kecil.
52 Pernak-Pernik I Berikut hasil dari ARIMA (1,0,0) dengan EViews. Gambar 1 Berdasarkan Gambar 1, diperoleh persamaan sebagai berikut. Y = 10741,59 + 0,933264AR(1) Berikut ditampilkan nilai aktual dan nilai prediksinya.
53 Gambar 2 Diketahui nilai aktual pada pengamatan kedua adalah 8450, sementara nilai prediksinya adalah 8392,95. Berikut disajikan kembali datanya. Tabel 1 Observation Date Close Price Mean Standard Deviation
54 Gujarati (2003:838) menyatakan sebagai berikut. Let Y t represent GDP at time t. If we model Y t as (Y t δ) = α 1 (Y t 1 δ) + u t where δ is the mean of Y and where u t is an uncorrelated random error term with zero mean and constant variance σ 2 (i.e., it is white noise), then we say that Y t follows a first-order autoregressive, or AR(1), stochastic process, which we have already encountered in Chapter 12. Diketahui Y t = 10741,59 + 0,933264AR(1) First-order autoregressive atau AR(1) (Y t δ) = α 1 (Y t 1 δ) + u t Y t = α 1 (Y t 1 δ) + δ + u t Misalkan ingin dicari Y 3, maka Y t = α 1 (Y t 1 δ) + δ + u t Y t = α 1 (Y t 1 δ) + δ Y t = 0,933264(Y t ,59) ,59 Y 3 = 0,933264(Y ,59) ,59 Y 3 = 0,933264(Y ,59) ,59 Y 3 = 0,933264( ,59) ,59 Y 3 = 8602,9315 (Periksa Hasil EViews, sama)
55 Misalkan ingin dicari Y 15, maka Y 15 = 0,933264(Y ,59) ,59 Y 15 = 0,933264(Y ,59) ,59 Y 15 = 0,933264( ,59) ,59 Y 15 = 9909,5011 (Periksa Hasil EViews, sama)
56 Pernak-Pernik II Berikut hasil dari ARIMA (2,0,0) dengan EViews. Gambar 1 Berdasarkan Gambar 1, diperoleh persamaan sebagai berikut. Y = 13882,87 + 0,461170AR(1) + 0,504723AR(2) Berikut ditampilkan nilai aktual dan nilai prediksinya.
57 Gambar 2 First-order autoregressive atau AR(1) (Y t δ) = α 1 (Y t 1 δ) + u t
58 Second-order autoregressive atau AR(2) Misalkan ingin dicari Y 3, maka (Y t δ) = α 1 (Y t 1 δ) + α 2 (Y t 2 δ) + u t (Y t δ) = α 1 (Y t 1 δ) + α 2 (Y t 2 δ) + u t Y t = α 1 (Y t 1 δ) + α 2 (Y t 2 δ) + δ + u t Y t = α 1 (Y t 1 δ) + α 2 (Y t 2 δ) + δ Y 3 = α 1 (Y 3 1 δ) + α 2 (Y 3 2 δ) + δ Y 3 = α 1 (Y 2 δ) + α 2 (Y 1 δ) + δ Y 3 = 0, ( ,867112) ( ,867112) , Y 3 = 2505, , , Y 3 = 8521,7367 (Cek Hasil EViews, sama)
59 Pernak-Pernik III Berikut hasil dari ARIMA (0,0,1) dengan EViews. Gambar 1 Berdasarkan Gambar 1, diperoleh persamaan sebagai berikut. Y = 9197, ,911768MA(1) Berikut ditampilkan nilai aktual dan nilai prediksinya.
60 Gambar 2 Gujarati (2003:839) menyatakan sebagai berikut. The AR process just discussed is not the only mechanism that may have generated Y. Suppose we model Y as follows: Y t = μ + β 0 u t + β 1 u t 1 where μ is a constant and u, as before, is the white noise stochastic error term. Here Y at time t is equal to a constant plus a moving average of the current and past error terms. Thus, in the present case, we say that Y follows a first-order moving average, or an MA(1), process. But if Y follows the expression Y t = μ + β 0 u t + β 1 u t 1 + β 2 u t 2 then it is an MA(2) process. More generally, Y t = μ + β 0 u t + β 1 u t 1 + β 2 u t β q u t q
61 is an MA(q) process. Diketahui first-order moving average atau MA(1) Y t = μ + β 0 u t + β 1 u t 1 Diketahui juga first-order autoregressive atau AR(1) Maka (Y t δ) = α 1 (Y t 1 δ) + u t u t = (Y t δ) α 1 (Y t 1 δ) Misalkan ingin dicari Y 3, maka Y t = μ + β 0 u t + β 1 u t 1 Y t = β 0 u t + β 1 u t 1 Y t=3 = β 0 u 3 + β 1 u 3 1 Y t=3 = β 0 u 3 + β 1 u 2 Y t=3 = 9197,758( ) + β 1 u 2
62 CONTOH KASUS I
63 Referensi Bacaan: Buku dengan judul Analisis Data Time Series Untuk Penelitian Ekonomi, Manajemen dan Akuntansi yang ditulis oleh Dr. Mahyus Ekananda, M.M., M.SE, Tahun 2014, Penerbit Mitra Wacana Media. Arsyad, Lincolin. (1994), Peramalan Bisnis, Edisi Pertama, Yogyakarta : BPFE. Damodar Gujarati, bukunya berjudul Basic Econometrics, 4 th Edition Tahun 2003, McGraw Hill.
64
BAB III METODOLOGI PENELITIAN. pola sejumlah data, kemudian menyajikan informasi tersebut dalam bentuk yang
BAB III METODOLOGI PENELITIAN A. Jenis Penelitian Jenis penelitian yang digunakan dalam penelitian ini adalah Deskriptif Kuantitatif, yaitu menggunakan metode numerik dan grafis untuk mengenali pola sejumlah
Lebih terperinciPenerimaan Pajak dan Pengeluaran Pemerintah kota Tebing Tinggi Tahun (juta rupiah)
Lampiran I Penerimaan Pajak dan Pengeluaran Pemerintah kota Tebing Tinggi Tahun 1983-2007 (juta rupiah) Tahun Penerimaan Pajak Pengeluaran Pemerintah 1983 150.392 1.627.530 1984 155.699 1.842300 1985 149.670
Lebih terperinciLampiran 1. Jumlah Deposito, Suku Bunga Deposito, dan Inflasi di Indonesia Tahun
69 Lampiran 1. Jumlah Deposito, Suku Bunga Deposito, dan Inflasi di Indonesia Tahun 2004-2010 Periode sbdepo Inflasi depo Jan-04 6.27 0.57 426.424 Feb-04 5.99-0.02 409.204 Mar-04 5.86 0.36 401.686 Apr-04
Lebih terperinciRISET ITU MUDAH. Salah satu contoh pertanyaan yang mungkin muncul di benak kita adalah:
Rangga Handika Salah satu contoh pertanyaan yang mungkin muncul di benak kita adalah: Apakah berinvestasi pada saham bisa menutup penurunan pendapatan real kita yang tergerus inflasi? Untuk itu, marilah
Lebih terperinciMODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE
MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Gambaran Umum Responden Dalam gambaran umum mengenai responden ini akan disajikan data yang telah diperolah dari penelitian yang telah dilakukan pada 100 orang
Lebih terperinciBAB 1V HASIL DAN PEMBAHASAN. Skripsi ini meneliti mengenai analisis faktor-faktor yang mempengaruhi
53 BAB 1V 4.1 Diskripsi Data Penelitian HASIL DAN PEMBAHASAN Skripsi ini meneliti mengenai analisis faktor-faktor yang mempengaruhi konsumsi masyarakat di Indonesia tahun 1995-2014 dengan model error correction
Lebih terperinciBandung, 31 Desember Tim Peneliti
Kegiatan penelitian ini merupakan kegiatan penelitian kerja sama antara Bursa Efek Jakarta dengan Fakultas Ekonomi Unpad dengan judul Kontribusi/Peranan Pasar Modal Terhadap Perekonomian Indonesia yang
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN A. Gambaran Umum Objek Penelitian Dalam penelitian ini, sampel yang dijadikan objek penelitian adalah perusahaan yang bergerak di bidang farmasi dari tahun 2011 sampai dengan
Lebih terperinciBAB V. KESIMPULAN dan SARAN. inflasi dengan pengangguran di Indonesia periode , yang terjadi pada
BAB V KESIMPULAN dan SARAN 5.1. Kesimpulan Berdasarkan hasil uji kausalitas Granger ada hubungan satu arah antara inflasi dengan pengangguran di Indonesia periode 1991-2014, yang terjadi pada lag 3. Artinya,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Gambaran Umum Dalam penelitian ini yang menjadi objek penelitian adalah perusahaan industri asuransi yang terdaftar di Bursa Efek Indonesia (BEI) pada periode tahun 2010-2013.
Lebih terperinciLampiran 1. Penawaran Bawang Merah di Sumatera Utara Tahun (Ton) Januari Februari
76 Lampiran 1. Penawaran Bawang Merah di Sumatera Utara Tahun 2010 2014 (Ton) Bulan Tahun 2010 2011 2012 2013 2014 Januari 570 1.277 1.091 1.264 511 Februari 880 1.058 1.486 1.254 447 Maret 1.095 1.078
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN A. Gambaran Umum Perusahaan Sampel yang dijadikan objek penelitian ini adalah perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) dari tahun 2011 sampai dengan 2014. Perusahaan
Lebih terperinciBAB XII INTERPRETASI HASIL OLAH DATA
BAB XII INTERPRETASI HASIL OLAH DATA Pendahuluan Intepretasi data adalah salah satu komponen penting dalam tahap akhir olah data. Ketika data telah diolah maka inilah kunci dari akhir tahap olah data sebelum
Lebih terperinciBAB V PENUTUP. 5.1 Kesimpulan. Berdasarkan beberapa temuan dalam penelitian ini, peneliti mengambil. kesimpulan yaitu
BAB V PENUTUP 5.1 Kesimpulan Berdasarkan beberapa temuan dalam penelitian ini, peneliti mengambil kesimpulan yaitu 1) Dalam jangka pendek jumlah uang beredar tidak berpengaruh atau tidak signifikan terhadap
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. Uji akar akar unit yang bertujuan untuk menganalisis data time series
44 BAB IV ANALISIS HASIL DAN PEMBAHASAN 4.1 Analisa Kelayakan Data 4.1.1 Uji Stasioner Uji akar akar unit yang bertujuan untuk menganalisis data time series stasioner (tidak ada akar akar unit) atau tidak
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS 4.1. Deskripsi Data Penelitian Semua data yang digunkana dalam analisis ini merupakan data sekunder mulai tahun 1995 sampai tahun 2014 di Indonesia. Penelitian ini dimaksudkan
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS 4.1. Deskripsi Data Penelitian Data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan datatime series atau data runtun waktu sebanyak 12 observasi, yaitu
Lebih terperinciPenjualan Pasokan Penjualan Pasokan Penjualan Pasokan
LAMPIRAN Lampiran 1. Data Penjualan dan Pasokan Bulan January 2005 2006 2007 Penjualan Pasokan Penjualan Pasokan Penjualan Pasokan 293.57 291.82 325.64 546.955 359.88 762.063 February 297.05 291.82 341.45
Lebih terperinciBAB XI UJI HIPOTESIS
BAB XI UJI HIPOTESIS Pendahuluan Uji hipotesis merupakan suatu prosedur untuk pembuktian kebenaran sifat populasi berdasarkan data sampel. Dalam melakukan penelitian berdasarkan sampel, seorang peneliti
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
88 BAB IV HASIL DAN PEMBAHASAN 4.1 Deskripsi Objek Penelitian Bursa Efek Jakarta (BEJ) merupakan salah satu dari dua bursa saham di Indonesia. Dikelola oleh PT. Bursa Efek Jakarta yang sahamnya dimiliki
Lebih terperinciBAB V HASIL ANALISIS DAN PEMBAHASAN
72 BAB V HASIL ANALISIS DAN PEMBAHASAN Dalam penelitian ini alat analisis data yang digunakan adalah model regresi linear klasik (OLS). Untuk pembuktian kebenaran hipotesis dan untuk menguji setiap variabel
Lebih terperinciBAB 1V HASIL DAN ANALISIS
BAB 1V HASIL DAN ANALISIS 4.1 Diskripsi Data Penelitian 4.1.1 Nilai Tukar Rupiah Nilai tukar adalah harga suatu mata uang suatu Negara dalam satuan mata uang asing, yang mana jumlah mata uang asing tersebut
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN A. Gambaran Umum 1. Sejarah Perkembangan BEI dan perusahaan Manufaktur Sejarah Bursa Efek Indonesia yang didirikan oleh pemerintah Belanda di mulai sejak tahun 1912 namun kemudian
Lebih terperinciBAB IV HASIL ANALISIS DAN PEMBAHASAN. yang dapat diperoleh dari pasar uang atau bisa juga dari pasar valas.
38 BAB IV HASIL ANALISIS DAN PEMBAHASAN A.Gambaran Umum Dalam perdagangan internasional kegiatan mengimpor barang dari suatu Negara ke Negara lain yang dilakukan para importir tidak mungkin membayarnya
Lebih terperinciLampiran 1 : Pemilihan Bank Melalui Kriteria Berdasarkan Purposive Sampling
Lampiran 1 : Pemilihan Bank Melalui Kriteria Berdasarkan Purposive Sampling No Nama Bank Kriteria 1 Kriteria 2 Yang memenuhi kriteria 1 dan 2 1 PT. BPD Aceh 2 PT. BPD Bali 3 PT. BPD Bengkulu - - 4 PT.
Lebih terperinciLampiran 2 Penduduk Menurut Status Pekerjaan Utama (jiwa)
81 Lampiran 1 Jumlah Penduduk, Rumahtangga, dan Rata-rata Anggota Rumahtangga Tahun Jumlah Penduduk (ribu jiwa) Jumlah Rumahtangga Rata-rata Anggota Rumahtangga (1) (2) (3) (4) 2000 205.132 52.008,3 3,9
Lebih terperinciBAB V PENUTUP. sejenis yang ingin melanjutkan atau mengembangkan penelitian ini.
BAB V PENUTUP Bab ini berisi kesimpulan dan saran. Kesimpulan merupakan pernyataan singkat dan tepat yang dijabarkan dari hasil penelitian dan pembahasan untuk membuktikan kebenaran hipotesis penelitian.
Lebih terperinciBAB V KESIMPULAN DAN SARAN. 1) Dalam jangka pendek produksi beras Indonesia berpengaruh negatif dan. terhadap besarnya impor beras Indonesia.
56 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan beberapa temuan dan uji dalam penelitian ini, peneliti mengambil beberapa kesimpulan yaitu : 1) Dalam jangka pendek produksi beras Indonesia berpengaruh
Lebih terperinciECONOMIC MODEL FROM DEMAND SIDE: Evidence In Indonesia
(ECONOMETRIC MODEL: SIMUTANEOUS EQUATION MODEL) The title of paper: ECONOMIC MODEL FROM DEMAND SIDE: Evidence In Indonesia OLEH: S U R I A N I NIM: 1509300010009 UNIVERSITAS SYIAH KUALA PROGRAM DOKTOR
Lebih terperinciDAFTAR PUSTAKA. Halim Abdul, (2002). Akuntansi Sektor Publik. Salemba Empat, Jakarta.
DAFTAR PUSTAKA Halim Abdul, (2002). Akuntansi Sektor Publik. Salemba Empat, Jakarta. Mattjik AS &M. Sumertajaya, (2000). Metodologi Penelitian Ekonomi dan Bisnis. IPB Press. Bogor. Nataludin. (2001). Potensi
Lebih terperinciDAFTAR PUSTAKA. Ghozali, Imam Aplikasi Analisis Multivariate dengan Program SPSS 19 Cetakan V. Badan Penerbit Universitas Dipenogoro, Semarang.
106 DAFTAR PUSTAKA Abied Luthfi Safitri.2013. Pengaruh Earning Per Share, Price Earning Ratio, Return On Asset, Debt to Equity Ratio dan Market Value Added Terhadap Harga Saham dalam Kelompok Jakarta Islamic
Lebih terperinciBAB IV HASIL DAN ANALISIS. bentuk deret waktu (time series) selama 17 tahun, yaitu tahun Data
1.1 Analisis Deskripsi Data BAB IV HASIL DAN ANALISIS Data yang digunakan dalam penelitian ini adalah data sekunder dalam bentuk deret waktu (time series) selama 17 tahun, yaitu tahun 1996-2012. Data tersebut
Lebih terperinciBAB IV HASIL DAN ANALISIS. sekunder dalam bentuk deret waktu (time series) pada periode
BAB IV HASIL DAN ANALISIS 4.1 Analisis Deskripsi Data Jenis data yang digunakan penulis dalam penelitian ini adalah data sekunder dalam bentuk deret waktu (time series) pada periode 1993-2013 kurun waktu
Lebih terperinciPerhitungan Value at Risk (VaR) Berdasarkan Model Autoregressive Conditional Heteroscedasticity (ARCH)
Prosiding Statistika ISSN: 2460-6456 Perhitungan Value at Risk (VaR) Berdasarkan Model Autoregressive Conditional Heteroscedasticity (ARCH) 1 Wahyuni Fatma Mufti, 2 Sutawanir Darwis, 3 Nusar Hajarisman
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
46 BAB IV HASIL DAN PEMBAHASAN A. Gambaran Umum Objek Penelitian Objek penelitian yang digunakan dalam penelitian ini adalah perusahaan pembiayaan yang terdaftar di Bursa Efek Indonesia periode 2010-2013.
Lebih terperinciBAB IV ANALISA DAN PEMBAHASAN. perubahan sehingga harus diolah terlebih dahulu. Pengolahan data dilakukan dengan
BAB IV ANALISA DAN PEMBAHASAN 4.1 Sumber Data Keselurahan data yang diterima sebelumnya belum mengindikasikan dinamika perubahan sehingga harus diolah terlebih dahulu. Pengolahan data dilakukan dengan
Lebih terperinciLampiran 1. Data Regresi. 71 Universitas Sumatera Utara
Lampiran 1 Data Regresi I obs X1 X2 X3 X4 Y 1 5.000000 1.000000 2.000000 18.00000 20.00000 2 4.000000 1.000000 2.000000 20.00000 20.00000 3 4.000000 2.000000 3.000000 20.00000 20.00000 4 3.000000 5.000000
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN Berdasarkan metode purposive sampling yang digunakan, sampel yang
67 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Gambaran Umum Obyek Penelitian Obyek yang digunakan dalam penelitian ini adalah kemiskinan rumah tangga yang secara berturut-turut pada periode tahun 1981
Lebih terperinciPENGARUH INDEKS PEMBANGUNAN MANUSIA DAN PRODUK DOMESTIK REGIONAL BRUTO TERHADAP TINGKAT PENGANGGURAN TERBUKA PROVINSI DKI JAKARTA TAHUN
PENGARUH INDEKS PEMBANGUNAN MANUSIA DAN PRODUK DOMESTIK REGIONAL BRUTO TERHADAP TINGKAT PENGANGGURAN TERBUKA PROVINSI DKI JAKARTA TAHUN 2006-2013 INDAH AYU PUSPITA SARI 14213347/3EA16 Sri Rakhmawati, SE.,
Lebih terperinciBAB V HASIL PENELITIAN DAN PEMBAHASAN. maupun variabel dependent. Persamaan regresi dengan variabel-variabel yang
BAB V HASIL PENELITIAN DAN PEMBAHASAN 5.1. Uji Stasioneritas 5.1.1 Uji Akar Unit ( Unit Root Test ) Tahap pertama dalam metode VAR yaitu dengan melakukan pengujian stasioner dari setipa masing-masing variabel,
Lebih terperinciANALISIS PERILAKU KURS RUPIAH TERHADAP DOLAR AS SELAMA EMPAT PERIODE PEMERINTAHAN DI INDONESIA METODE BOX-JENKINS (ARIMA) Oleh: Agus Arifin 1)
ANALISIS PERILAKU KURS RUPIAH TERHADAP DOLAR AS SELAMA EMPAT PERIODE PEMERINTAHAN DI INDONESIA METODE BOX-JENKINS (ARIMA) Oleh: Agus Arifin 1) EKO-REGIONAL, Vol.4, No.1, Maret 2009 1) Fakultas Ekonomi
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciLampiran 1 Data Penyerapan Tenaga Kerja, PDRB, Pengeluaran Pemerintah, dan Upah Riil Kabupaten/Kota di Provinsi Sumatera Barat tahun
72 Lampiran 1 Data Penyerapan Tenaga Kerja, PDRB, Pengeluaran Pemerintah, dan Upah Riil Kabupaten/Kota di Provinsi Sumatera Barat tahun 2005-2010 Kode Kabupaten/Kota Tahun Bekerja PDRB Pengeluaran Pemerintah
Lebih terperinciBAB IV STUDI KASUS. Secara umum inflasi dapat didefinisikan sebagai gejala kenaikan harga
BAB IV STUDI KASUS 4.1 Teori Inflasi Secara umum inflasi dapat didefinisikan sebagai gejala kenaikan harga barang-barang yang bersifat umum dan terus menerus (Nasution,1998). Menurut Anwar Nasution (Ginting,
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 terperinciPERAMALAN METODE GS-TAR DENGAN BOBOT LOKASI NORMALISASI KORELASI SILANG
PERAMALAN METODE GS-TAR DENGAN BOBOT LOKASI NORMALISASI KORELASI SILANG (Studi Kasus Peramalan Harga Saham Syariah Empat Perusahaan di Jakarta Islamic Index) SKRIPSI untuk memenuhi sebagian persyaratan
Lebih terperinciSurat Keterangan Perubahan Judul
LAMPIRAN 1 Surat Keterangan Perubahan Judul [Type text] LAMPIRAN 2 Permohonan Izin Penelitian [Type text] LAMPIRAN 3 Pengantar Riset [Type text] LAMPIRAN 4 Surat Keterangan Penelitian [Type text] LAMPIRAN
Lebih terperinciMario Adventino Hamboerh Siti Saadah Fakultas Ekonomi dan Bisnis Universitas Katolik Indonesia Atma Jaya
ANALISIS PERGERAKAN RUPIAH DI PASAR UANG TERHADAP KINERJA KEUANGAN (RETURN ON ASSET DAN RETURN ON EQUITY) PT INDOFOOD SUKSES MAKMUR, TBK (TRIWULANAN) DARI TAHUN 2010-2016 Mario Adventino Hamboerh Siti
Lebih terperinciDaftar Perusahaan yang Menjadi Sampel Penelitian
Lampiran 1 Daftar Perusahaan yang Menjadi Sampel Penelitian No. Nama Perusahaan 1 PT. Colorpak Indonesia 2 PT. Gudang Garam 3 PT. Sumi Indo Kabel 4 PT. Multi Bintang Indonesia 5 PT. Metrodata Electronics
Lebih terperinciBAB IV HASIL DAN ANALISIS. sekunder dalam bentuk deret waktu (time series) selama 15 tahun pada periode
38 BAB IV HASIL DAN ANALISIS 4.1 Analisis Deskripsi Data Jenis data yang digunakan dalam penelitian ini seluruhnya merupakan data sekunder dalam bentuk deret waktu (time series) selama 15 tahun pada periode
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
51 BAB IV ANALISIS DAN PEMBAHASAN Pada bagian ini akan dilakukan pengujian terhadap data yang meliputi pemilihan model dengan membandingkan antara model linear dan model logarima, pengujian kausalitas,
Lebih terperinciMENENTUKAN MODEL EKONOMI BERSTRUKTUR MELALUI ANALISIS VECTOR AUTO REGRESSION (VAR) DALAM PERTUMBUHAN EKONOMI INDONESIA PERIODE
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 MENENTUKAN MODEL EKONOMI BERSTRUKTUR MELALUI ANALISIS VECTOR AUTO REGRESSION
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan Kesimpulan yang dapat ditarik dari hasil analisis jumlah uang beredar dan tingkat suku bunga SBI terhadap inflasi di Indonesia tahun 1984-2009 adalah sebagai
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. di Indonesia, pengertian mengenai industri real estate tercantum
BAB IV HASIL DAN PEMBAHASAN A. Gambaran Umum Industri property & real estate dan konstruksi bangunan pada umumnya merupakan dua hal yang berbeda. Real estate merupakan tanah dan semua peningkatan permanen
Lebih terperinciDAFTAR PUSTAKA. Manurung,Mandala dan Pratama Rahardja (2004). Uang,Perbankan, dan Ekonomi Moneter. Jakarta. Lembaga Penerbit FEUI
DAFTAR PUSTAKA Kasmir. (2015). Analisis Laporan Keuangan. Jakarta : Raja Grafindo Persada Hasibuan, Malayu. (2007). Dasar-dasar Perbankan. Cetakan Keenam. Jakarta : Bumi Aksara Husnan, Suad & Enny P. (2012).
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Metode yang diterapkan dalam penelitian ini yaitu desain kuantitatif, konklusif, eksperimental dan deskriptif. Metode deskriptif bertujuan untuk membuat
Lebih terperinciANALISIS TIME SERIES MODEL LAG POLINOMIAL. Program Studi Matematika
ANALISIS TIME SERIES MODEL LAG POLINOMIAL (Studi Kasus: Indeks Harga Saham Harian Syariah Jakarta Islamic Index (JII) dan Nilai Tukar Rupiah Terhadap Dolar Amerika (US$)) Skripsi Untuk memenuhi sebagian
Lebih terperinciLangkah-langkah metode ARIMAX menggunakan Eviews dan Minitab
Langkah-langkah metode ARIMAX menggunakan Eviews dan Minitab 1. Uji Stasioner Ragam Uji stasioner ragam dilakukan dengan menggunakan software minitab dengan langkah-langkah sebagai berikut: 1. Copy data
Lebih terperinciBULAN
LAMPIRAN I Data Inflasi Bulanan Provinsi Sumatera Utara Menggunakan Indeks Harga Konsumen (IHK) Provinsi Sumatera Utara Periode Januari 2002 - Desember 2013 TAHUN 2002 2003 2004 2005 2006 2007 BULAN JANUARI
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN Sebagai penutup dari skripsi ini, akan disajikan kesimpulan dari hasil penelitian dan pembahasan pada bab sebelumnya. Kemudian, akan di sampaikan pula saran yang didasarkan pada
Lebih terperinciLAMPIRAN Langkah-Langkah Pemilihan Model Regresi Data Panel
LAMPIRAN Langkah-Langkah Pemilihan Model Regresi Data Panel Hasil Common Effect Method: Panel Least Squares Date: 12/06/11 Time: 18:16 C 12.40080 1.872750 6.621707 0.0000 LOG(PDRB) 0.145885 0.114857 1.270151
Lebih terperinciFENOMENA DEINDUSTRIALISASI DI PROVINSI SULAWESI TENGGARA TAHUN RICO TANTOWI PUTRA / 3SE1
FENOMENA DEINDUSTRIALISASI DI PROVINSI SULAWESI TENGGARA TAHUN 1990-2010 Berdasarkan Metode Error Correction Model (ECM) Disusun Untuk Memenuhi Tugas Mata Kuliah Time Series RICO TANTOWI PUTRA 09.6104/
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 IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS 4.1 Deskripsi Data Penelitian Bab ini menjelaskan tentang analisis data dan hasil pengolahan data. Jenis data yang digunakan penulis adalah data time series dengan kurun waktu
Lebih terperinciBAB V KESIMPULAN DAN SARAN. Desember 2009 dalam kondisi jangka pendek.
45 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan uraian yang telah disampaikan pada bab sebelumnya, maka kesimpulan penelitian ini adalah: 1) Secara individu variabel Jumlah Uang Beredar (M1) tidak
Lebih terperinciREGRESI LINIER SEDERHANA
REGRESI LINIER SEDERHANA Model fungsi : Y = f (X) LAHIR = F (WUS) LAHIR, yaitu data jumlah kelahiran setahun lalu di sejumlah Kecamatan di Jateng WUS, yaitu data jumlah wanita usia subur di sejumlah Kecamatan
Lebih terperinci(Data Mentah) Data Penerimaan Asli Daerah Sektor Pariwisata Kabupaten Lombok Timur, Jumlah Kunjunga Wisatawan dan Jumlah Objek Wisata
L A M P I R A N 95 96 Lampiran 1 (Data Mentah) Data Penerimaan Asli Daerah Sektor Pariwisata Kabupaten Lombok Timur, Jumlah Kunjunga Wisatawan dan Jumlah Objek Wisata TAHUN PAD Sektor Pariwisata Jumlah
Lebih terperinciPROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2013 ISBN:
METODE PERAMALAN MENGGUNAKAN MODEL VOLATILITAS ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR Cindy Wahyu Elvitra 1, Budi Warsito 2, Abdul
Lebih terperinciBAB 4 ANALISA DAN PEMBAHASAN
BAB 4 ANALISA DAN PEMBAHASAN 4.1 Analisa Data Panel Guna menjawab pertanyaan penelitian sebagaimana telah diutarakan dalam Bab 1, dalam bab ini akan dilakukan analisa data melalui tahap-tahap yang telah
Lebih terperinciBahan Ajar Model ECM AGUS TRI BASUKI MODEL ECM
Bahan Ajar Model ECM AGUS TRI BASUKI MODEL ECM Tidak layak diragukan lagi bahwa spesifikasi model dinamik merupakan satu hal yang penting dalam pembentukan model ekonometri dan analisis yang menyertainya.
Lebih terperinciPEMBENTUKAN MODEL ARIMA UNTUK PERAMALAN INFLASI KELOMPOK BAHAN MAKANAN DI KOTA TERNATE
PEMBENTUKAN MODEL ARIMA UNTUK PERAMALAN INFLASI KELOMPOK BAHAN MAKANAN DI KOTA TERNATE Rizal Rahman H. Teapon Fakultas EkonomiUniversitas Khairun Jl. Kampus II Gambesi Kota Ternate Selatan Kotak Pos 53
Lebih terperinciProduktivitas Padi, Luas Panen dan Produksi Padi di Kabupaten Deli Serdang,
Lampiran 1. Produktivitas Padi, Luas Panen dan Produksi Padi di Kabupaten Deli Serdang, 2004-2010 Tahun Semester Produktivitas Padi (ton/ha) Luas Panen (ha) Produksi Padi (ton) 2004 1 4.585 40.187 184257.4
Lebih terperinciDAFTAR PUSTAKA Alwi, Iskandar Z. 2008. Pasar Modal Teori dan Aplikasi, Jakarta: Yayasan Pancur Siwah. Amanda, Astrid dan DKK. 2012. Pengaruh Debt To Equity Ratio, Return On Equity, Earning Per Share Dan
Lebih terperinciBAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI, SE., M.SI MODEL VAR
1 regresi model VAR BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI, SE., M.SI MODEL VAR 9.1 Pengertian VAR Vector Autoregression atau VAR merupakan salah satu metode time series yang sering digunakan dalam penelitian,
Lebih terperinciLampiran 1. Sampel Penelitian
Lampiran 1. Sampel Penelitian No Keterangan Jumlah Perusahaan 1 Total industri food and beverage yang 16 terdaftar di Bursa Efek Indonesia selama tahun 2007-2012 2 Tidak mempublikasikan data mengenai 3
Lebih terperinci1) Kriteria Ekonomi Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga.
LAMPIRAN Lampiran 1. Evaluasi Model Evaluasi Model Keterangan 1) Kriteria Ekonomi Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga. 2)
Lebih terperinciBAB V HASIL PENELITIAN DAN PEMBAHASAN. sekunder deret waktu (time series) mulai dari Januari 2013 sampai
BAB V HASIL PENELITIAN DAN PEMBAHASAN A. Analisis dan Hasil Regresi Semua data yang digunakan dalam analisis ini merupakan data sekunder deret waktu (time series) mulai dari Januari 2013 sampai Desember
Lebih terperinciLAMPIRAN 1 TABEL RESPONDEN No. y x1 x2 x
LAMPIRAN 1 TABEL RESPONDEN No. y x1 x2 x3 1 1.12 8979000 3000000 4 2 1.15384 8979000 3500000 2 3 1.25 9000000 4000000 2 4 1.12 8900000 4000000 4 5 1.53846 10165900 7000000 3 6 1.875 10165900 9000000 2
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 terperinciLampiran 1. Pertumbuhan Pendapatan Asli Daerah (PAD) pada Kabupaten/Kota di Provinsi Sumatera Utara Tahun (%)
Lampiran 1 Pertumbuhan Pendapatan Asli Daerah (PAD) pada Kabupaten/Kota di Provinsi Sumatera Utara Tahun 2010-2014 Kab. Asahan 18 13 20 69 9 Kab. Dairi 0 59 41 82-35 Kab. Deli Serdang 13 159 27 22 22 Kab.
Lebih terperinciLampiran 1. Data Penelitian
Cilacap Banyumas Purbalingga Banjarnegara Kebumen Purworejo Wonosobo Magelan g Lampiran 1. Data Penelitian Kab / Kota Tahun Kemiskinan UMK TPT AMH LnUMK (%) (Rb Rp) (%) (%) 2010 18.11 698333 13.4565 9.75
Lebih terperinciBAB V PENUTUP. Konvergensi antar Provinsi di Indonesia adalah sebagai berikut:
BAB V PENUTUP 5.1 Kesimpulan Kesimpulan yang dapat diambil dari penelitian dan pembahasan terhadap Konvergensi antar Provinsi di Indonesia adalah sebagai berikut: 1. Berdasarkan hasil regresi pada analisis
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN. Penelitian ini menggunakan data dari tiga variabel independen serta dua
BAB IV ANALISIS DAN PEMBAHASAN A. Deskripsi Objek Penelitian Penelitian ini menggunakan data dari tiga variabel independen serta dua variabel dependen. Variabel independen dalam penelitian ini yaitu kepemilikan
Lebih terperinciBAB IV HASIL DAN ANALISIS
49 BAB IV HASIL DAN ANALISIS 4.1 Analisis Deskripsi Data Jenis data yang digunakan dalam penelitian ini adalah data panel yang merupakan data gabungan antara cross section dan data time series. Adapun
Lebih terperinciBAB 3 METODE PENELITIAN. ikhtisar, menata, membuat grafik) dilakukan dengan metode peramalan kuantitatif.
BAB 3 METODE PENELITIAN 3.1 Jenis Penelitian Jenis penelitian ini adalah deskriptif (merupakan prosedur untuk membuat ikhtisar, menata, membuat grafik) dilakukan dengan metode peramalan kuantitatif. Peramalan
Lebih terperinciLAMPIRAN. Lampiran 1 Data Penelitian
LAMPIRAN Lampiran 1 Data Penelitian Kota/Kab Tahun PDRB INV LBR Bogor 2009 1273760 110108 111101 2010 1335090 1382859 268543 2011 1439103 23266318 268543 2012 1527428 23266318 268543 2013 1628110 23272174
Lebih terperinciBAB V PENUTUP. 5.1 Kesimpulan. Berdasarkan analisis penelitian dan analisis keseluruhan, maka dapat. ditarik kesimpulan sebagai berikut:
62 BAB V PENUTUP 5.1 Kesimpulan Berdasarkan analisis penelitian dan analisis keseluruhan, maka dapat ditarik kesimpulan sebagai berikut: 1. Uji Stasioner Data Data yang diolah yaitu return bulanan indeks
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN A. Gambaran Umum Perusahaan Sampel yang dijadikan objek penelitian ini adalah perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) dari tahun 2013 sampai dengan 2015. Perusahaan
Lebih terperinciAnalisis Nilai Tukar Rupiah terhadap Dolar Amerika. Tahun JURNAL
Analisis Nilai Tukar Rupiah terhadap Dolar Amerika Tahun 2006-2014 JURNAL Oleh : Nama : Dewinta Putri Mandasari Nomor Mahasiswa : 12313145 Jurusan : Ilmu Ekonomi UNIVERSITAS ISLAM INDONESIA FAKULTAS EKONOMI
Lebih terperinciBAB IV HASIL PENGUJIAN. Oleh karena itu, penelitian ini menggunakan uji hipotesis untuk membuktikan adanya
BAB IV HASIL PENGUJIAN IV.1 Gambaran Umum Obyek Penelitian Penelitian ini menggunakan metode penelitian kuantitatif berdasarkan data empiris. Oleh karena itu, penelitian ini menggunakan uji hipotesis untuk
Lebih terperinciLAMPIRAN. Lampiran 1. Daftar Sampel Perusahaan Makanan dan Minuman
LAMPIRAN Lampiran 1 Daftar Sampel Perusahaan Makanan dan Minuman No Nama Perusahaan Tanggal Listing Kriteria 1 2 3 1. PT. Cahaya Kalbar Tbk 9 Juli 1996 2. PT. Delta Djakarta Tbk 27 Februari 1984 3. PT.
Lebih terperinciBAB IV HASIL DAN ANALISIS. dilakukan untuk mengetahui seberapa pengaruh variabel-variabel independen
BAB IV HASIL DAN ANALISIS 4.1 Deskripsi Data Penelitian Jenis data yang digunakan adalah data panel yang berbentuk dari tahun 2006 sampai tahun 2013 yang mencakup 33 propinsi di Indonesia. Penelitian ini
Lebih terperinciBAB V PENUTUP. Peningkatan Jumlah Uang yang Beredar (M1) dan Harga Premium Bersubsidi
BAB V PENUTUP 5.1. Kesimpulan Kesimpulan yang dapat diambildari penelitian dan pembahasan Pengaruh Peningkatan Jumlah Uang yang Beredar (M1) dan Harga Premium Bersubsidi terhadap Inflasi di Indonesia Periode
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Penelitian ini bertujuan untuk menguji pengaruh debt to equity ratio. sampel penelitian dengan rincian sebagai berikut :
44 BAB IV HASIL DAN PEMBAHASAN A. Hasil Pengumpulan Data Penelitian ini bertujuan untuk menguji pengaruh debt to equity ratio (DER), price to earning ratio (PER), dan earning pershare (EPS) terhadap return
Lebih terperinciBAB V KESIMPULAN DAN SARAN. Berdasarkan beberapa temuan dan uji dalam penelitian ini, peneliti
57 BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan beberapa temuan dan uji dalam penelitian ini, peneliti mengambil beberapa kesimpulan yaitu : 1. Dalam jangka pendek hutang luar negeri tidak signifikan
Lebih terperinciKredit (Y) Pendapatan (x1) Usia (x3) Modal Kerja (x2) Universitas Sumatera Utara
No Kredit (Y) Pendapatan (x1) Modal Kerja (x2) Usia (x3) Jumlah Tanggungan (x4) 1 1000000 80000 80000 20 0 2 1000000 275000 500000 21 1 3 1500000 400000 550000 25 1 4 2000000 400000 1000000 25 1 5 2000000
Lebih terperinciBAB V PENUTUP. Berdasarkan hasil analisis regresi data panel menunjukkan bahwa model
BAB V PENUTUP 5.1 Kesimpulan Berdasarkan hasil analisis regresi data panel menunjukkan bahwa model random effect yang diterima, dan berdasarkan pengujian disimpulkan sebagai berikut: 1. Dana alokasi umum
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan hasil penelitian pada bab sebelumnya, maka dapat diambil kesimpulan sebagai berikut : 1) Secara statistik variabel dana pihak ketiga mempengaruhi
Lebih terperinci