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."

"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."

"Intended for students and researchers, this text employs basic techniques of univariate and multivariate statistics for the analysis of time series and signals. It provides a broad collection of theorems, placing the techniques on firm theoretical ground. The techniques, which are illustrated by data analyses, are discussed in both a heuristic and a formal manner, making the book useful for both the applied and the theoretical worker. An extensive set of original exercises is included."

"This volume explores dynamic factor model specification, asymptotic and finite-sample behavior of parameter estimators, identification, frequentist and Bayesian estimation of the corresponding state space models, and applications."

"Pemodelan deret berkala (time series) kecelakaan lalu lintas jalan di Indonesia dapat membantu pengamatan variasi data, proyeksi ke depan, maupun evaluasi target penurunan kecelakaan. Dari pengamatan data kecelakaan selama 20 tahun antara tahun 1992 sampai dengan tahun 2011, diperoleh model peramalan dengan suai terbaik (best fitted model). Dalam penelitian ini dikaji 5 (lima) kelompok data, meliputi: jumlah kejadian kecelakaan, jumlah korban meninggal, jumlah korban luka berat, jumlah korban luka ringan, dan jumlah kerugian material akibat kecelakaan. Data deret berkala diolah dengan menggunakan piranti lunak SPSS 19.0. Dengan mempertimbangkan pola data pada tiap kelompok, maka metode pemutusan (smoothing) eksponensial digunakan, baik tunggal (Simple) maupun ganda (Brown)). Melalui model uji, dihasilkan nilai parameter a = 0,998, 0,434, 1,000, 0,405, dan 0,656 untuk proyeksi atas jumlah kejadian kecelakaan, korban meninggal, korban luka berat, korban luka ringan, dan kerugian material akibat kecelakaan. Model eksponensial ganda diterapkan untuk proyeksi jumlah korban meninggal, korban luka ringan, dan nilai kerugian material, sedangkan model eksponensial tunggal diterapkan untuk sisanya. Uji kesesuaian model dan perbandingan dengan model ARIMA (1,1,0) dan ARIMA (1,1,1) dengan menggunakan MAPE memperlihatkan model eksponensial adalah yang terbaik diterapkan. Dengan mengkaji indeks fatalitas kecelakaan pada tahun dengan data terbaru yang tersedia dengan data dasar dalam Rencana Umum Nasional Keselamatan Jalan (RUNK), model mengindikasikan diperlukannya upaya pengelolaan keselamatan jalan yang mampu menurunkan fatalitas kecelakaan secara signifikan."