Article Per Year (5 Year)
p-Index From 2019 - 2024
0
P-Index
This Author published in this journals
All Journal Jurnal Statistika dan Aplikasinya
Suyono Suyono
FMIPA UNJ
Agriculture, Biological Sciences & Forestry Computer Science & IT Economics, Econometrics & Finance Social Sciences Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra; Suyono Suyono; Ria Arafiyah
Jurnal Statistika dan Aplikasinya Vol 1 No 1 (2017): Jurnal Statistika dan Aplikasinya
Publisher : Program Studi Statistika FMIPA UNJ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/JSA.01102

Abstract

Analisis intervensi merupakan salah satu analisis time series untuk memodelkan data time series yang dipengaruhi oleh adanya penurunan atau kenaikan secara ekstrim. Secara umum, ada dua macam fungsi intervensi yaitu fungsi step dan pulse. Indeks harga konsumen merupakan salah satu jenis data ekonomi dimana datanya ditemukan penurunan secara ekstrim. Data dalam penelitian ini adalah data indeks harga konsumen Indonesia dari bulan Januari 2009 sampai dengan Juli 2016. Pada data tersebut terdapat data yang turun secara signifikan pada bulan Januari 2014 (T=61). Intervensi yang terjadi pada data indeks harga konsumen di Indonesia tersebut berlangsung dalam kurun waktu yang lama yaitu dari Januari 2014 hingga Juli 2016 (T=61 hingga T=91), sehingga model intervensi yang diduga adalah fungsi step. Berdasarkan hasil dan analisis, model intervensi terbaik yang dihasilkan adalah ARIMA (2,1,0) dengan orde intervensi b=0, s=1, dan r=0 yang selanjutnya dapat digunakan untuk peramalan indeks harga konsumen Indonesia untuk beberapa bulan ke depan.
Metode Regresi Poisson Terboboti Geografis pada Pemodelan Data Spasial Yohana Enggar Setyarini; Suyono Suyono; Widyanti Rahayu
Jurnal Statistika dan Aplikasinya Vol 1 No 1 (2017): Jurnal Statistika dan Aplikasinya
Publisher : Program Studi Statistika FMIPA UNJ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/JSA.01104

Abstract

Data spasial adalah data yang memiliki informasi geografis. Data spasial dapat memiliki pengaruh spasial terhadap variabel terikat dalam bentuk heterogenitas spasial atau dependensi spasial. Oleh karena itu, diperlukan pemodelan spasial yang dapat digunakan untuk menampung pengaruh spasial tersebut. Jika variabel terikat berdistribusi Poisson maka pemodelan spasial yang tepat digunakan adalah model Regresi Poisson Terboboti Geografis (RPTG). Model RPTG merupakan bentuk spasial dari regresi Poisson global. Model RPTG diestimasi menggunakan metode maksimum likelihood dan dilanjutkan dengan metode Newton-Raphson. Model RPTG menghasilkan estimasi parameter yang tidak stasioner atau berbeda-beda untuk setiap wilayah. Model RPTG dalam penelitian ini digunakan untuk memodelkan angka kematian penderita DBD di Jawa Timur tahun 2013. Hasil yang diperoleh menunjukkan bahwa terdapat perbedaan variabel-variabel yang berpengaruh signifikan terhadap variabel terikat antara wilayah yang satu dengan wilayah yang lain. Model RPTG lebih baik dalam memodelkan angka kematian penderita DBD dibanding regresi Poisson global. Model RPTG memiliki nilai AIC=53.205 dan =74.16, sedangkan model regresi Poisson global memiliki nilai AIC=59.6301 dan =64.83.
PROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA Rianiati Monica; Suyono Suyono; Vera Maya Santi
Jurnal Statistika dan Aplikasinya Vol 1 No 1 (2017): Jurnal Statistika dan Aplikasinya
Publisher : Program Studi Statistika FMIPA UNJ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/JSA.01105

Abstract

Model-model runtun waktu konvensional, seperti model-model ARIMA, mengasumsikan bahwa variansi dari galat adalah konstan. Namun, pada kenyataannya dalam data keuangan, contohnya data inflasi, variansi galatnya berubah dari waktu ke waktu. Fenomena tersebut disebut sebagai heteroskedastisitas. Model autoregressive conditional heteroscedasticity (ARCH) seperti yang diperkenalkan oleh Engle (1982) mengakomodasikan fenomena ini. Model ARCH adalah model variansi dari suatu runtun waktu. Tujuan dari penulisan ini adalah untuk memperkenalkan model autoregressive conditional heteroscedasticity (ARCH). Teori ARCH kemudian diaplikasikan untuk menganalisis data inflasi Indonesia mulai dari Januari 2003 sampai Nopember 2015. Data diperoleh dari situs Bank Indonesia.
Co-Authors Ria Arafiyah Rianiati Monica Vera Maya Santi Widyanti Rahayu Yohana Enggar Setyarini Zuhairini Azzahra