Perbandingan Metode Peramalan ARIMA dan ARFIMA pada Data Long Memory

dokumen-dokumen yang mirip
PERBANDINGAN METODE PERAMALAN PADA MODEL ARFIMA ABSTRAK

Penerapan Model Analisis Time Series Dalam Peramalan Pemakaian Kwh Listrik Untuk n-bulan Ke depan Yang Optimal Di Kota Bengkulu

BAB 1 PENDAHULUAN LATAR BELAKANG

PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) ABSTRAK

Penaksiran parameter model ARIMA dengan menggunakan Algoritma Genetika

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK

PENDETEKSIAN PENCILAN ADITIF DAN INOVATIF DALAM DATA DERET WAKTU MELALUI METODE ITERATIF

PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)

Permodelan Sistem. Melalui Identifikasi Parameter. Ir. Rusdhianto EAK, MT. Pelatihan PC-Based Control

MODEL GARCH UNTUK VARIANSI SESATAN DARI MODEL AUTOREGRESIVE MOVING AVERAGE

BAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO

PENERAPAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)

Spesifikasi Model. a. ACF

PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)

PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH

ANALISIS DATA RUNTUN WAKTU MENGGUNAKAN MODEL ARIMA (p,d,q)

Peramalan Harga Saham Perusahaan Selular di Indonesia Menggunakan Metode Vector Autoregressive (VAR)

BAB I PENDAHULUAN. 1.1 Latar Belakang

DAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN ARIMAX

Penerapan Model ARIMA

Kombinasi Linier. Definisi Kombinasi Linier. Contoh Kombinasi Linier 1

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA

Penerapan Model ARIMA

PERAMALAN CURAH HUJAN DI KOTA YOGYAKARTA DENGAN MODEL FUNGSI TRANSFER MULTIVARIAT

METODE NEW JERSEY UNTUK CADANGAN ASURANSI JIWA DWIGUNA DENGAN DISTRIBUSI GOMPERTZ

Pemodelan Inflasi Provinsi Riau Menggunakan ARIMA Dengan Deteksi Outlier dan Model Intervensi

BAB II LANDASAN TEORI

Analisis Peramalan Penjualan Sepeda Motor Di Kabupaten Ngawi Dengan Arima Dan Arimax

PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH

Penerapan Model ARIMA

MATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip

PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS

Application of ARIMA Models

SEASONAL ARIMA Arum Handini Primandari

Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus

II. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang

MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI

Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA

PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR

PERBANDINGAN AKURASI PENAKSIRAN PARAMETER PEMBEDA PADA MODEL ARFIMA MELALUI METODE REGRESI SPEKTRAL

BAB II LANDASAN TEORI

Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015

Bab 2 Teori Pendukung

Sebaran Kontinu Khusus

Pemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun

LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins

BAB II LANDASAN TEORY Prosedur regresi dengan Menggunakan Metode Backward

Peramalan Netflow Uang Kartal dengan Metode ARIMAX dan Radial Basis Function Network (Studi Kasus Di Bank Indonesia)

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang

PENYELESAIAN SOAL UJIAN TENGAH SEMESTER 2011

Kesesuaian Persamaan Pola Intensitas Curah Hujan Sebagai Fungsi dari Durasi Hujan di Balai Pengamatan Dirgantara Pontianak

SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n

Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk

Oleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si

ANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI

BALOK TINGGI. Ir.H.Kartono Hd

PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari fungsi gelombang spin yang mencakup:

Skew- Semifield dan Beberapa Sifatnya 1

IV. METODE PENELITIAN. deret waktu (time series) yang bersumber dari International Financial Statistic

BAB II LANDASAN TEORI

PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA

PERBAIKAN ATURAN KUADRATUR NEWTON-COTES TERTUTUP. Dina Oktavieny 1, Bustami 2 ABSTRACT

Prediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan Krigging pada 12 Stasiun di Bogor Periode Januari Desember 2014.

Volume 1 No. 1 Edisi April 2015 ISSN : Rini Cahyandari dan Rima Erviana

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA

Rosy M., Rahardjo S., Susiswo Jurusan Matematika Fakultas MIPA Universitas Negeri Malang

Matematika EBTANAS Tahun 1987

BAB III METODE PENELITIAN

Diana Holidah Bagian Farmasi Klinik dan Komunitas Fakultas Farmasi Universitas Jember

PEMODELAN RESIDUAL REGRESI YANG MENGANDUNG MISSING OBSERVATIONS DAN LONG MEMORY Studi Kasus : Polusi Udara di Kota Surabaya

4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :

Pemodelan Data Curah Hujan Di Kabupaten Banyuwangi dengan Metode ARIMA dan Radial Basis Function Neural Network

Metode Box - Jenkins (ARIMA)

Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode

BAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.

PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA

PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO

Model Kompartemen satu pemberian secara i.v. bolus

LEMBAR SOAL PILIHAN GANDA

BAB III TRANSFORMASI LINEAR

ATURAN NEWTON-COTES TERTUTUP DENGAN KOREKSI PADA UJUNG INTERVAL. Rifaldi Putra ABSTRACT

BAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :

PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI

ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING

Penerapan Model ARIMA

PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.

PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH

Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah

Transkripsi:

Sisi Vol 9 No 09 3 Nopember 009 Perbningn Meoe Permln ARIMA n ARFIMA p D Long Memory GUMGUM DARMAWAN Sf Pengjr Jurusn Sisi FMIPA UNPAD e-mil : gums@yoocom ABSTRAK P ml ini n i bningn u meoe permln ri long memory Meoe perm menggunn meoe permln ARIMA imn sebelumny ilun pemben (ifferencing) engn nili pembe yng el ienun Meoe eu menggunn meoe permln ARFIMA lngsung Moel ARFIMA yng iji l Moel ARFIMA(0) Moel ARFIMA(0) n Moel ARFIMA() Perben ri eu meoe ini ienun bersrn nili ri MSE (Men Sure Error) Sofwre yng igunn p peneliin ini l Sofwre R (OSSR) K Kunci : ARFIMA MSE OSSR long memory ABSTRACT Tis pper compres wo forecsing meos from ARFIMA moel Te firs meo uses ARIMA forecsing meo ime series re firsly ifference by e vlue of ifferencing prmeer Te secon meo uses ARFIMA forecsing meo irecly Tis pper uses ree ARFIMA moels ie ARFIMA(0) ARFIMA(0) n ARFIMA() moels Te ifference from ese wo meos is eremine bse on e vlue of MSE (Men Sure Error) Keywors : ARFIMA MSE (Men Sure Error) OSSR long memory PENDAHULUAN Mermln suu ejin merupn suu proses penenun suu nili yng i ieui yng mungin erji p ms yng n ng P nlisis ere wu unu membnu penenun nili yng mungin erji iperlun sebelumny Unu eperlun permln m ere wu ms llu rus isesuin engn eperlun penelii Ji ingin memperirn nili ms ng lm rin m erlebi ulu ibu lm inervl rin Seel iperole m lng selnjuny l memoeln bersrn ienifisi seperi p Meoe Box-Jenins menggunn plo ACF n PACF Alny plo ACF n PACF menunjun pol long memory ini erli ri nili-nili uoorelsi p plo ACF u PACF urun secr lmb unu lg yng semin mening Ienifisi ini menginisin bw nili ri (oefisien pembe ifferencing) bernili pecn seingg moel yng pling coco l Moel ARFIMA ( Auoregressive Frcionlly Inegre Moving Averge) Pemoeln ARFIMA perm li iembngn ole Grnger n Joyeux (980) yng merupn pengembngn ri moel ARIMA (Auoregressive Frcionlly Inegre Moving Averge) Hosing (98) mengji sif-sif long memory ri moel ARFIMA ssioner n nonssioner Sowell (99) mengembngn pensirn prmeer pembe mellui Meo Exc Mximum Lielioo Bern (995) mengembn sebu penen Mximum Lielioo unu prmeer pembe mellui Meoe Nonliner Les Sure (NLS) Wlupun moel ARFIMA lebi pliif n ur lm memoeln ibningn engn Moel ARIMA n epi msi erp beberp esulin lm permlnny Proses permln moel ARFIMA i semu moel ARIMA bi secr memi mupun secr ompusi Unu iu p peneliin ini n iji meoe permln ARFIMA Meoe perm lun pemben ri bersrn nili yng el iienifisi 09

0 Gumgum Drmwn seingg mengiui moel ARIMA(p0) n permln mengiui meoe permln ARIMA Meoe eu permln ilun mellui meoe ARFIMA(p) secr lngsung MODEL ARFIMA Moel ARFIMA(p) yng iembngn Grnger n Joyeux (980) l sebgi beriu φ ( B )( ( Z μ) = θ ( () engn: = ines ri pengmn = prmeer pembe (bilngn pecn) μ = r-r ri pengmn IIDN(0 σ ) φ( = φ B φ B φ B p p l polinomil AR(p) θ( = θ B θ B θ B l polinomil MA() ( ) ( B = = )( ) B operor pembe pecn = 0 Unu suu bernili pecn operor ifferencing frsionl ( Γ ( + ) ( = + B = Γ ( )! Γ ( + ) Ji persmn λ ( ) = Γ ( )! m: unu = iperole unu = iperole unu = 3 iperole iefinisin sebgi () p persmn () ijbrn unu berbgi nili Γ ( + ) ( )! = = Γ ( )! ( )!! Γ ( + ) ( + )! ( ) = = Γ ( )! ( )!! Γ ( + 3) ( + )! ( )( ) = = Γ ( )3! ( )!3! 6 n seerusny Persmn () p iulis embli menji ( ) B = + λ ( ) B = engn λ 0 ( ) = λ ( ) = ( ) ( ) λ = λ 3 ( ) = ( )( ) n seerusny 6 Seingg persmn () i s p iulis menji ( = B ( ) B 6 3 ( )( ) B (3) Sisi Vol 9 No Nopember 009

Perbningn Meoe Permln ARIMA n ARFIMA Permln Moel ARIMA Permln p moel ARIMA p ml ini mengiui persmn p (Cryer 986) engn persmn permln AR() MA() n ARMA() msing-msing sebgi beriu: Z( ) = μ+ φ ( Z μ) Z ( ) = μ θ (4) Z = μ + φ Z μ φ θ ( ) ( ) engn l perioe yng n irmln µ l r-r ere wu φ l prmeer Auoregresi θ l prmeer Moving Averge l resiul e- Permln Moel ARFIMA Permln p moel ARFIMA p srny sm engn moel ARIMA p Persmn (4) p ibenu menji persmn ( p )( ) ( φ φ φ θ θ θ ) ( θb θb θb ) B B B B Z = B B B Z φ Z φ Z φ Z = p ( p p Menuru Persmn () p ibenu persmn sebgi beriu ( ) ( + ) ( )! ( λ ( )) Γ B = B = B = 0 Γ = 0 seingg Persmn (5) i s menji ( θb θb θb ) Z = ( φz + φz + + φpz p) + ( λ ( ) ) B = 0 Dengn menglin seip suu ri persmn i s engn menji engn θ θ Z = φz + φz + + φpz p + f( ) f( ) f( ) (5) m persmnny (6) Sisi Vol 9 No Nopember 009

Gumgum Drmwn f() = λ ( ) B = 0 f( ) = λ ( ) B = 0 f( ) = λ ( ) B = 0 Tsirn lng e epn iperole engn menggni ines menji Nili 0 n T θ Ẑ = φz + + φpz p+ f(t + ) f(t + ) + = unu permln Z Z 0 E( Z Z TZ T ) = f > 0 0 E( Z TZ T ) = 0 > 0 3 KAJIAN SIMULASI (7) Simulsi menggunn Sofwre R versi 7 engn bnyny T = 300 600 engn perulngn 000 li Unu mengifn fsilis pembe pecn (frcionl Difference) p Sowre R Sebelumny i insll Pcge frciff Moel ARFIMA yng ibngin mengiui Moel ARFIMA(0) n Moel ARFIMA(0) engn nili = 0 n 04 Prmeer φ n θ msing-msing 05 mengiui Disribusi Norml engn r-r nol n vrins Aursi pensirn prmeer ienun engn mengiung r-r n snr evisi ri 000 nili unu Moel ARFIMA Lng-lng lm melun simulsi Bngin ARFIMA engn T = 300 600 n perulngn sebny 00 li engn = 0 n 04 engn r-r nol n vrin Dengn Moel AR() n MA() msing-msing prmeerny 05 P Moel ARMA() prmeerny φ n θ = -0 Bgi menji u yiu rining sebny T-0 perm n 0 erir sebgi esing 3 Unu permln Meoe ARIMA lun pemben p rining sebesr = 0 n 04 emuin lun permln unu 0 perioe e epn engn persmn 4 4 Unu permln Meoe ARFIMA lun permln unu 0 perioe e epn engn menggunn persmn 7 5 Tenun nili MSE n snr evisi ri MSE ri eu meoe ersebu unu 0 perioe e epn Sisi Vol 9 No Nopember 009

Perbningn Meoe Permln ARIMA n ARFIMA 3 Tbel Nili MSE n Snr Devisi ri permln Moel ARFIMA T 300 600 Moel ARFIMA = 0 = 04 MSE SD(MSE) MSE SD(MSE) ARFIMA(0) 0048 007 0044 0073 ARFIMA(0) 005 0035 003 007 ARFIMA() 0086 03 0096 04 ARFIMA(0) 0045 0066 0049 0073 ARFIMA(0) 005 0036 008 004 ARFIMA() 05 005 0089 06 Bersrn sil simulsi p bel Moel ARFIMA(0) n ARFIMA(0) lebi ur ibningn engn permln p Moel ARFIMA() Dismping nili MSE nili snr evisi ri moel ARFIMA() relif lebi besr ibningn engn u moel linny 4 KESIMPULAN Bersrn sil perbningn u meoe permln secr simulsi mp bw Nili MSE secr eselurun memberin sil yng cuup bi Meoe pensirn mellui pemben erlebi ulu ri long memory llu ilun permln engn Meoe ARIMA relif sm engn meoe pensirn mellui Meoe ARFIMA secr lngsung DAFTAR PUSTAKA [] Bern J (994) Mximum Lielioo Esimion of e Differencing Prmeer for Inverible Sor n Long Memory Auoregressive Inegre Moving Averge Moels Journl of e Royl Sisicl Sociey Vol 57 l 659-67 [] CryerJD (986) Time Series Anlysis PWS-KENT Publising Compny BosonUSA [3] Grnger C W J n JoyeuxR (980) An Inroucion o Long-Memory Time Series Moels n Frcionl Differencing Journl of Time Series Anlysis Vol l 5-9 [4] Hosing JRM (98) Frcionl Differencing Biomei Vol 68 l 65-76 [5] Sowell F (99) Mximum Lielioo Esimion of Sionry Univrie Frcionlly Inegre Time Series Moels Journl of economerics Vol53 l65 88 Sisi Vol 9 No Nopember 009