Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini membahas secara rinci mengenai alternatif penerapan Model auto regressive integrated moving average (ARIMA) dalam melakukan forecasting terhadap trafik. Model ARIMA dapat digunakan dalam rangka mengurangi deviasi yang sangat besar antara anggaran dan realisasi. Model penganggaran yang digunakan saat ini adalah menggunakan metode judgmental yang mengandalkan keahlian manajer atau Top Management dalam menentukan target RKAP. Terbatasnya keahlian manajer dalam menentukan target anggaran tesebut mengakibatkan deviasi yang besar antara target dan anggaran. Penelitian ini menyarankan kepada Manajemen untuk mengimplementasikan penggunaan model ARIMA dalam melakukan forecasting terhadap trafik maupun variabel lain dalam RKAP.

---

This study discusses in detail the alternative application of the auto regressive integrated moving average (ARIMA) Model in the conduct of the traffic forecasting. ARIMA model can be used in order to reduce the very large deviations between budget and actual. Budgeting models in use today are using judgmental methods that rely on managers or top management expertise in determining the target (RKAP). Limited expertise of managers in determining proficiency level budget targets resulted in a large deviation between the target and budget. This study suggests the management to implement the use of ARIMA models in the conduct of the traffic forecasting and other variables in the RKAP."

"Tesis ini membahas penerapan metode autoregressive integrated moving average (ARIMA) dalam menentukan cash forecasting. Metode ARIMA dapat mendukung keberhasilan sistem automatic cash pooling yang saat ini digunakan oleh perusahaan. Metode cash forecasting yang saat ini digunakan perusahaan menimbulkan kelebihan dan kekurangan kas. Hal ini menyebabkan inefisiensi bagi perusahaan dengan adanya opportunity cost dan transaction cost. Penelitian ini menyarankan kepada perusahaan untuk menggunakan metode ARIMA dalam menentukan cash forecasting cabang dan dikombinasikan dengan sistem cash pooling yang sudah diimplementasikan saat ini.

---

This thesis discusses application of autoregressive integrated moving average (ARIMA) method in determining cash forecasting. ARIMA method is able to support the success of the automatic cash pooling system that currently used by the company. Cash forecasting method used by the company currently has excess cash and cash shortage. It makes inefficiency for the company by raising the opportunity cost and transaction cost. This study recommend to the company to use ARIMA method in determining branches cash forecasting and combines with cash pooling system that has been implemented."

"Jika informasi mengenai tingkat mortalitas untuk beberapa periode ke depan bisa didapatkan di masa sekarang maka perencanaan keuangan dan kebijakan yang akan diambil diharapkan dapat lebih baik dan terarah. Dalam penelitian ini, model yang digunakan untuk menghitung tingkat mortalitas adalah model Lee-Carter. Kemudian tingkat mortalitas pada masa mendatang akan diramalkan menggunakan bantuan metode ARIMA Auto Regressive Integrated Moving Average . Proses peramalan akan diimplementasikan menggunakan perangkat lunak R. Hasil akhir peramalan akan disajikan dalam bentuk tabel dan grafik.

---

If information about the mortality rate for some future periods can be obtained in the present then the financial planning and policy to be taken are expected to be better and directed. The model used to calculate the mortality rate in this paper is the Lee Carter model. Then future mortality rates will be forecast with the use of the ARIMA Auto Regressive Integrated Moving Average method. Meanwhile, the forecasting process will be implemented using software R. The final result of forecasting will be presented in tabular and graphical form."

"Indeks Harga Saham Gabungan (IHSG) merupakan indeks saham yang biasanya digunakan investor untuk melihat kondisi pasar saham. IHSG merupakan data yang berjenis runtun waktu. Peramalan yang akurat pada IHSG dapat membantu investor meminimalisir risiko. Salah satu model runtun waktu yang sering digunakan adalah model Autoregressive Integrated Moving Average (ARIMA) dimana model ini mengasumsikan bahwa runtun masa kini memiliki hubungan linier dengan runtun historisnya. Jika terdapat pola nonlinier pada data runtun waktu, diperlukan model lain yang dapat mengakomodir pola nonlinier tersebut seperti model Recurrent Neural Network (RNN). Namun, bisa saja sebuah runtun waktu memiliki pola linier dan nonlinier sehingga dikembangkan sebuah model hybrid ARIMA-RNN. Data runtun waktu yang digunakan pada model hybrid ARIMA-RNN direpresentasikan sebagai penjumlahan dari komponen linear dan nonlinier. Ketika dijumpai runtun waktu yang kompleks, model hybrid ARIMA-RNN tidak mampu mendekomposisi data sebagai komponen linier dan nonlinier. Kompleksitas suatu runtun waktu dapat ditentukan dengan menggunakan Sample Entropy (SE). Meramalkan runtun waktu yang kompleks dengan model hybrid ARIMA-RNN dapat mengakibatkan penurunan performa peramalan. Untuk meningkatkan performa model hybrid ARIMA-RNN, diperkenalkan metode dekomposisi (filter) untuk mengurangi kompleksitas dari runtun waktu. Penelitian ini mengonstruksi model hybrid ARIMA-RNN dengan filter Empirical Mode Decomposition (EMD). Konstruksi model hybrid ARIMA-RNN diterapkan pada data indeks penutupan harian IHSG dari tanggal 1 Januari 2016 hingga 31 Desember 2019. Filter EMD pada data tersebut menghasilkan 6 IMF (Intrinsic Mode Function) dan residual yang kompleksitasnya bervariasi. Berdasarkan perhitungan menggunakanSample Entropy (SE) didapat IMF1 hingga IMF5 adalah runtun kompleksitas tinggi sedangkan IMF6 dan residual adalah runtun kompleksitas rendah. Runtun kompleksitas tinggi dan kompleksitas rendah selanjutnya masing-masing dimodelkan dengan RNN danARIMA. Hasil peramalan akhir pada model hybrid ARIMA-RNN dengan filter EMD memberikan nilai RMSE sebesar 35,5702. Nilai RMSE yang didapat lebih kecil dibandingkan nilai RMSE pada model ARIMA, model RNN, dan model hybrid ARIMARNN. Hasil penelitian menunjukkan bahwa model hybrid ARIMA-RNN dengan filter EMD memberikan performa peramalan terbaik pada ramalan IHSG dan juga penggunaan filter EMD memberikan peningkatan performa peramalan pada model hybrid ARIMARNN.

---

Indonesia Composite Index (IDX Composite) is a stock index that is usually used by investors to see stock market conditions. Accurate forecasting on the IDX composite, which is time series data, may assist investors in reducing risk. Autoregressive Integrated Moving Average (ARIMA) model, which implies a linear relationship between the current series and its historical series, is one of the time series models that is frequently used. Other model, such as the Recurrent Neural Network (RNN) model, is required if the time series data contain a nonlinear pattern. A hybrid ARIMA-RNN model was developed since it is possible for a time series that have both a linear and nonlinear pattern. The sum of the linear and nonlinear components is used to represent the time series data in the ARIMA-RNN hybrid model. The ARIMA-RNN hybrid model is unable to separate the data into linear and nonlinear components when a complex time series is present. The complexity of a time series can be determined by using Sample Entropy (SE). The ARIMA-RNN hybrid model's forecasting performance may suffer when forecasting complex time series. To improve the performance of the hybrid ARIMA-RNN model, a decomposition (filter) method is introduced to reduce complexity and deal with nonstationary and nonlinear time series. This research constructs a hybrid ARIMA-RNN model with the Empirical Mode Decomposition (EMD) filter. The construction of the hybrid ARIMA-RNN model is applied to the daily closing of IDX composite from 1 January 2016 to 31 December 2019. The EMD filter on the data produces 6 IMFs and a residual with varying complexity. Based on calculations using Sample Entropy (SE), IMF1 to IMF5 are high complexity time series, while IMF6 and the residual are low complexity time series. The high and low complexity time series are then modeled with RNN and ARIMA, respectively. The final forecasting result on the hybrid ARIMA-RNN model with the EMD filter gives an RMSE value of 35.5702. This RMSE value is smaller than the RMSE values of the ARIMA model, the RNN model, and the hybrid ARIMARNN model. The results show that the hybrid ARIMA-RNN model with the EMD filter provides the best forecasting performance for the IDX composite forecast and also the use of the EMD filter improves the forecasting performance of the hybrid ARIMA-RNN model."

"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."

"ABSTRAKPenelitian ini membahas tentang analisis data time series berdasarkan data laporan trafik DNS Sinkhole dari ID-SIRTII. Analisis ini terbagi menjadi dua yaitu analisis tren dan perbandingan performa dua metode forecasting berdasarkan jumlah aktivitas malware berbasis command and control C C selama tiga bulan awal tahun 2016 di Indonesia. Analisis tren dilakukan dengan mengelompokkan malware berdasarkan keluarga dan varian teraktif. Tren analisis menunjukan total aktivitas malware sebanyak 1452585872 yang terdiri dari 12 keluarga malware berbeda. Keluarga malware yang paling aktif yaitu berasal dari keluarga B85 Dorkbot dengan persentase 40,49 dari total keseluruhan aktivitas malware dalam tiga bulan tersebut. Varian teraktifnya yaitu B85-R2V dengan persentase 37 dari total keseluruhan aktivitas malware. Perbandingan performa forecasting menggunakan dua metode yang akan dibandingkan yaitu regresi linier berganda dan regresi dengan ARIMA error. Berdasarkan perbandingan nilai MAPE dalam prediksi jangka waktu 1 minggu, kedua metode hampir memiliki kemampuan yang sama dalam memprediksi 10 varian malware C C terbanyak. Sedangkan dalam jangka waktu 2 minggu, metode regresi dengan ARIMA error memberikan kemampuan prediksi yang lebih baik dibandingkan dengan metode regresi linier berganda.

---

ABSTRACT

This bachelor thesis discuss about time series data analysis of DNS Sinkhole traffics from ID SIRTII. There are two main sections of this analysis, trend analysis and performance comparison of two forecasting methods based on C C malware activities in the first three months of 2016 in Indonesia. Trend analysis is performed by grouping malware based on family and the 10 most active variants. It shows 1452585872 total activity of malware consist of 12 different malware families. The most active malware is come from B85 Dorkbot family with 40.49 of total malware activities in those three months. Its most active variant is B85 R2V with 37 of total malware activities. Performace comparison of forecasting methods use multiple linear regression and regression with ARIMA errors. Based on the comparison of MAPE values in one week prediction period, both methods almost have the same ability to predict the top 10 C C malware variants. While within 2 weeks prediction period, regression method with ARIMA errors gives better prediction ability compared with multiple linear regression method."

"ABSTRAKPeningkatan jumlah kendaraan di Indonesia terbilang cukup tinggi dari tahun ke tahun memiliki dampak pada berbagai aspek seperti kemacetan, polusi udara, kecelakaan lalu lintas dll. Penelitian ini bertujuan untuk mendapatkan model terbaik dan hasil peramalan untuk pertumbuhan kendaraan bermotor berupa mobil dan motor dalam 11 tahun ke depan. Data yang digunakan dalam penelitian ini adalah datajumlah mobil dan jumlah motor dari tahun 2005 sampai 2019. Metode yang digunakan adalah metode Multi Linear Regression dan ARIMA. Variabel yang digunakan dalam metode Multi Linear Regression adalah jumlah mobil, jumlah motor, harga premium, harga solar, jumlah rumah tangga, indeks harga konsumen, produk domestik bruto, jumlah penduduk, pertumbuhan jalan, jumlah pekerja dan pendapatan perkapita Dengan menggunakan Multi Linear Regression didapatkannilai MAPE yang lebih kecil dibandingkan dengan nilai MAPE ARIMA.

---

ABSTRACTThe number of vehicles in Indonesia has increased quite high from year to year having an impact on various aspects such as traffic jams, air pollution, traffic accidents etc. The purpose of this study is to obtain the best model and the results of forecasting an increase in the number of cars and the number of motorcycles in the next 11 years. The data used in this study are data on the number of cars and the number of motorcycles from 2005 to 2019. The method used is the Multi LinearRegression and ARIMA methods. The variables used in the Multi Linear Regression method are the number of cars, number of motorcycles, premium prices, diesel prices, number of households, consumer price index, gross domestic product, population, road growth, number of workers and per capita income. By using Multi Linear Regression obtained MAPE value is smaller than the MAPE ARIMA value."

"Pemodelan dan peramalan harga saham merupakan hal yang sangat penting bagi seorang investor. Harga saham selalu mengalami perubahan seiring berjalannya waktu. Perubahan ini tidak konstan dan sangat berdampak jika diabaikan karena hal tersebut dapat menimbulkan risiko kerugian. Banyak model yang sudah dibuat dengan tujuan untuk meminimalkan risiko kerugian tersebut. Pada penelitian ini, akan digunakan model ARIMA-GARCH untuk meramalkan volatilitas dalam harga saham. Alasan dari penggunaan gabungan kedua model tersebut adalah karena Model ARIMA saja tidak dapat menangani data dengan volatilitas besar dan yang non-linear. Maka, diharapkan bahwa penggunaan dari model gabungan ini dapat menangani masalah tersebut. Data harga saham yang digunakan pada penelitian ini adalah data harga penutupan dalam dua saham yang termasuk dari indeks LQ45. Pada penelitian ini, data tersebut akan dimasukkan kedalam model gabungan tersebut untuk mendapat peramalan di hari selanjutnya. Setelah itu, akan digunakan metode Walk Forward untuk mendapat semua hasil peramalannya. Dari hasil tersebut, didapat bahwa pengabungan dari ARIMA (1,1,1)-GARCH (1,1) memberikan perdiksi harga saham yang terbaik untuk kedua saham yang dipilih. Lalu, menggunakan hasil MAE dan RMSE dari saham, dapat disimpulkan bahwa model ARIMA-GARCH merupakan model yang dapat memprediksi harga saham dengan baik.

---

For an Investor, modelling and forecasting the stock prices are very important. Stock price fluctuate as time goes and these changes vary from one point of time to another. These changes can be really dangerous if ignored because the risk of loss it might create. Many models have been created with the purpose of minimizing the risk of loss. In this study, the ARIMA-GARCH model will be used to predict closing price in the stock prices which contain volatility. The reason for using the combination of the two models is due to ARIMA model unable to handle large volatility along with non-linear data. Thus, it is hoped the use of this combined model can solve this problem. The data that is used on this study is the closing price of 2 stocks that is part of the LQ45 index. In this research, the data will be used on the combined model to get the forecast price of the next day. Then, the rest of the forecast price will be found using a process called Walk Forward. After acquiring all the forecasted price, it is found that the combination of ARIMA (1,1,1)-GARCH (1,1) yield the best result in forecasting the stock prices. Then, by using MAE and RMSE to check the error of the results, it can be concluded that the ARIMA-GARCH model is a model that is able to predict stock prices well."

"Peramalan konsumsi energi memainkan peranan penting dalam pengambilan kebijakan. Peramalan konsumsi energi yang terlalu rendah berpotensi mengganggu aktifitas ekonomi, sedangkan peramalan konsumsi energi yang terlalu tinggi akan mengakibatkan suplai energi yang berlebihan. Tesis ini meramalkan konsumsi energi primer di Indonesia dengan menggunakan metode ARIMA. Tujuannya adalah untuk meramalkan konsumsi energi primer di Indonesia pada tahun 2025 dan melakukan kajian analisis komparatif tentang bauran energi tahun 2025 antara hasil peramalan dengan menggunakan ARIMA dan target pemerintah. Hasil peramalan menunjukkan konsumsi energi primer di Indonesia pada tahun 2025 sebesar 1802 juta SBM dengan komposisi bauran energi terdiri dari minyak bumi sebesar 39 persen, gas sebesar 17 persen, batubara sebesar 41 persen, energi air dan energi baru dan terbarukan (EBT) sebesar 3 persen.

---

Forecasting of energy consumption plays an important role in policy making. Underestimation of the energy consumption would lead to potential disrupt economic activity, whereas overestimation of the energy consumption would lead to excessive energy supply. This thesis forecasts the Indonesia's primary energy consumption using ARIMA method. The goal is forecasting the Indonesia?s primary energy consumption in 2025 and conducting a comparative analysis of the energy mix in 2025 between the forecasting results using ARIMA method and government targets. Forecasting results demonstrate Indonesia's primary energy consumption in 2025 amounted to 1802 million BOE with the composition of the energy mix consists of oil by 39 percent, gas by 17 percent, coal by 41 percent, hydropower and renewable energy (RE) by 3 percent."