Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAnalisis runtun waktu dapat digunakan dalam peramalan nilai tukar mata uang. Model yang biasa digunakan adalah ARIMA (Autoregressive Integrated Moving Average). Namun tidak semua data nilai tukar mata uang dapat dimodelkan dengan ARIMA, karena ARIMA hanya dapat digunakan untuk memodelkan data secara linier sedangkan pola data nilai tukar mata uang biasanya memiliki komponen linier dan nonlinier. Pemodelan nonliner dapat dilakukan antara lain dengan menggunakan model ANN (Artificial Neural Network). Pada skripsi ini dibahas model hybrid ARIMA-ANN dalam peramalan nilai tukar dolar AS terhadap rupiah dimana dilakukan filter Moving Average (MA) terhadap data sebelum proses pemodelan. Penggunaan filter MA bertujuan untuk memisahkan data menjadi dua komponen yaitu komponen linier yang memiliki volatilitas rendah dan komponen nonlinier yang memiliki volatilitas tinggi. Penentuan panjang filter yang sesuai dibutuhkan dalam proses filter Moving Average. Data historis yang digunakan adalah data kurs jual dolar AS terhadap rupiah mulai dari 31 Maret 2015 hingga 17 Maret 2016 yang dapat diunduh dari http://m.kontan.co.id/data/kurs_bi. Terkait dengan data yang digunakan, model hybrid ARIMA (2,2,2) dan ANN (4,1,1) menghasilkan MAPE sebesar 0,2955% dan MAE 39,02916 (dalam rupiah) dalam peramalan nilai tukar dolar AS terhadap rupiah pada 3 hari ke depan.

---

ABSTRAKTime series analysis can be used for forecasting since exchange rate. The ARIMA (Autoregressive Integrated Moving Average) is the model usually used. But, all data is not modeling by ARIMA, ARIMA is only modeling for linear data, however the data usually has linear and nonlinear component. The nonlinear modeling can be investigated by ANN (Artificial Neural Network) model. This skripsi discusses the hybrid model of ARIMA-ANN for forecasting exchange rate of USD to Rupiah, where the Moving Average (MA) filter will be applied previously on the data. The MA filter separates the data into two component, that is linear components which has a low volatile and nonlinear component which has a high volatile. The choosen length of MA filter is needed in MA filter processing. The historical data is selling exchange rate of USD to Rupiah, dated from March 31, 2015 to March 17, 2016, which can be downloaded from http://m.kontan.co.id/data/kurs_bi. Based on historical data, the hybrid ARIMA model (2,2,2) and the ANN model (4,1,1) give MAPE 0,2955% and MAE 39,02916 (in Rupiah) for forecasting exchange rate USD to Rupiah for the next 3 days."

"Peningkatan valuasi pasar dan grafik perdagangan menimbulkan fluktuasi harga yang tinggi dan berisiko. Oleh karena itu, pembentukan portofolio dan prediksi harga menjadi salah satu alternatif untuk mengurangi risiko investasi. Di sisi lain, metode forecast untuk instrumen investasi sangat banyak, oleh karena itu diperlukan model yang fit terbaik pada kondisi pasar Indonesia. Penelitian ini bertujuan untuk membandingkan akurasi prediksi model Long Short-Term Memory (LSTM) dan Autoregressive Moving-Average (ARMA) dalam membentuk portofolio optimal saham-saham Indeks Kompas100 periode Januari 2019 hingga Mei 2024. Data harga penutupan harian digunakan untuk membentuk portofolio dan memprediksi harga saham di masa mendatang menggunakan kedua model tersebut. Hasil penelitian menunjukkan bahwa model LSTM memiliki akurasi prediksi yang lebih tinggi dibandingkan ARMA dalam menangkap pola non-linear pada data saham, sehingga lebih unggul dalam kondisi pasar yang volatil. Sebaliknya, model ARMA lebih efektif dalam kondisi pasar yang stabil dan data yang stasioner. ARMA memiliki akurasi prediksi yang lebih buruk dari LSTM karena tidak bisa mewakili keseluruhan portofolio akibat keterbatasan stasioneritas data. Disisi lain akurasi LSTM lebih tinggi ARMA karena dapat mewakili keseluruhan portofolio.

---

Increased market valuations and trading charts give rise to high and risky price fluctuations. Therefore, portfolio formation and price predictions are an alternative to reduce investment risk. On the other hand, there are many forecast methods for investment instruments, therefore a model that is best suited to Indonesian market conditions is needed. This research aims to compare the prediction accuracy of the Long Short-Term Memory (LSTM) and Autoregressive Moving-Average (ARMA) models in forming an optimal portfolio of Kompas100 Index shares for the period January 2019 to May 2024. Daily closing price data is used to form the portfolio and predict future stock prices using both models. The research results show that the LSTM model has higher prediction accuracy than ARMA in capturing non-linear patterns in stock data, so it is superior in volatile market conditions. In contrast, the ARMA model is more effective in stable market conditions and stationary data. ARMA has worse prediction accuracy than LSTM because it cannot represent the entire portfolio due to limited data stationarity. On the other hand, LSTM accuracy is higher than ARMA because it can represent the entire portfolio."

"Runtun waktu bernilai bilangan bulat nonnegatif berkembang pada banyak penerapan. Model runtun waktu Integer-valued Autoregressive dengan order 1 (INAR(1)) dikonstruksi menggunakan binomial thinning operator untuk memodelkan runtun waktu bernilai bilangan bulat nonnegatif. Model runtun waktu INAR(1) bergantung satu periode dari proses sebelumnya. Parameter model dapat diestimasi menggunakan conditional least squares (CLS). INAR(1) memiliki spesifikasi mengikuti model Autoregressive dengan order 1 (AR(1)). Peramalan INAR(1) menggunakan metode peramalan nilai tengah atau dengan metode peramalan Bayes. Metode peramalan nilai tengah menghitung secara langsung bilangan bulat yang membuat fungsi kepadatan kumulatif lebih besar sama dengan 0.5. Metode peramalan Bayes meramalkan nilai untuk h periode ke depan dengan membangkitkan barisan parameter model dan parameter suku pembaharuan menggunakan Adaptive Rejection Metropolis Sampling within Gibbs sampling (ARMS), kemudian dengan mengambil sampel u pada distribusi Uniform(0,1), akan dicari bilangan bulat terkecil yang membuat fungsi kepadatan kumulatif melebihi u. Model runtun waktu INAR(1) diaplikasikan pada jumlah kasus polio di Amerika Serikat mulai Januari 1970 sampai Desember 1983 per bulan.

---

Nonnegative integer-valued time series arises in many applications. A time series model: first-order Integer-valued Autoregressive (INAR(1)) is constructed by binomial thinning operator to model nonnegative integer-valued time series. INAR(1) is depend on one period from the process before. Parameter of the model can be estimated by conditional least squares (CLS). Specification of INAR(1) is following the specification of AR(1). Forecasting in INAR(1) uses forecasting methodology or Bayes forecasting methodology. Median forecasting methodology obtains integer s, which is cumulative density function (cdf) until s is more than or equal to 0.5. Bayes forecasting methodology forecasts h step ahead by generate the parameter of the model and parameter of innovation term using Adaptive Rejection Metropolis Sampling within Gibbs sampling (ARMS), then finding the least integer where is more than or equal than u. u is a value taken from the Uniform (0,1) distribution. INAR(1) is applied on polio case in United States from January 1970 until December 1983 monthly."