Garuda - Garba Rujukan Digital

Penggunaan Estimator Robust Reweighted Minimum Covariance Determinant pada Diagram Kontrol T2 Hotelling untuk Monitoring Penyebaran Covid-19 di Korea Selatan Andi Nur Fadhilah Utami; Suwanda
Jurnal Riset Statistika Volume 1, No. 1, Juli 2021, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Abstract. Control charts are one of the widest used techniques in statistical process control. Hotelling’s control chart are commonly used in process quality control to control the vector mean shift and the covariance matrix in individual observations. In phase I, it is possible that Hotelling’s can’t detect observation that are out of control due to masking effect if there are outliers. In this paper we propose a robust alternative to Hotelling’s control chart with estimator robust Reweighted Minimum Covariance Determinant (RMCD) for individual observation. Robust Hotelling’s multivariate control chart will be applied to monitoring growth index of new cases and growth index of daily death due to Coronavirus Disease-19 (Covid-19) in South Korean. This control chart is applied to the data using and it obtained the result UCL = 9,47998 and LCL = 0. There are 5 observations that are out of control which is observation in 11, 39, 90, 158, and 167. Using estimators robust Reweighted Minimum Covariance Determinant is more effective in detecting outliers which is there are found 2 new observation that out of control. From these result it can be concluded that using control chart with RMCD estimator for Covid-19 in South Korean not controlled because there are data out of control. Abstrak. Diagram kontrol merupakan salah satu metode yang paling banyak di gunakan dalam pengendalian kualitas proses. Diagram kontrol T2 Hotelling merupakan salah satu alat yang biasa digunakan dalam pengendalian kualitas proses untuk mengongtrol pergeseran vektor rata-rata dan matriks kovarians dalam hal pengamatan individu. Pada saat pengontrolan proses pada fase 1, diagram kontrol T2 Hotelling dimungkinkan tidak dapat mendeteksi pengamatan yang out of control akibat efek masking apabila terdapat outlier. Pada penelitian ini akan dibahas alternatif diagram kontrol T2 Hotelling dengan menggunakan estimator robust Reweighted Minimum Covariance Determinant (RMCD) untuk pengamatan individual. Diagram kontrol T2 Hotelling RMCD akan diaplikasikan pada pengontrolan Index Pertumbuhan Kasus Baru dan Index Pertumbuhan Kematian Harian karena Coronavirus Disease-19 (Covid-19) di Korea Selatan. Diagram kontrol ini diaplikasikan pada data menggunakan dan sehingga didapat nilai BKA = 9,47998 dan BKB = 0. Terdapat out of control sebanyak 5 pengamatan yaitu pengamatan ke 11, 39, 90, 158, 167. Menggunakan estimator robust Reweighted Minimum Covariance Determinant lebih efektif mendeteksi data yang mengandung outlier dimana terdapat 2 pengamatan baru yang terdeteksi sebagai data out of control. Dari hasil tersebut dapat disimpulkan bahwa dengan menggunakan diagram kontrol T2 RMCD kasus Covid-19 di Korea Selatan belum terkendali karena masih terdapat data out of control.

Diagram Kontrol T2 Hotelling Minimum Volume Ellipsoid (Penerapan pada Pengontrolan Fluktuasi Saham) Dimas Andhika Nugroho; Suwanda
Jurnal Riset Statistika Volume 2, No. 1, Juli 2022, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Abstract. Outliers are datums that are far from other datums. Outliers arise as a result of unusual events that may be very important and need to be investigated further. Outliers are usually found in data that has daily characteristics such as stock data. With this outlier, the T2 Hotelling control chart used to control the average vector shift becomes insensitive to changes in the process. This thesis discusses the T2 Hotelling control chart for the Minimum Volume Ellipssoid (MVE) estimator which is not affected by outliers. This control chart is then applied to the daily stock index control of PT X and the Joint Stock (JCI) simultaneously. The results of the tests carried out show that the T2 Hotelling control chart for the MVE estimator is more effective in detecting outliers, namely there are 13 data that are out of control with a UCL value of 5.5025. Abstrak. Pencilan merupakan datum yang letaknya jauh dari datum yang lainnya. Pencilan muncul akibat kejadian yang tidak biasa yang mungkin saja sangat penting dan perlu diselidiki lebih jauh. Pencilan biasanya terdapat pada data yang memiliki karakteristik harian seperti data saham. Dengan adanya pencilan tersebut diagram kontrol T2 Hotelling yang digunakan untuk mengontrol pergeseran vektor rata-rata menjadi tidak peka terhadap adanya perubahan proses. Skripsi ini membahas diagram kontrol T2 Hotelling penduga Minimum Volume Elipssoid (MVE) yang tidak terpengaruh adanya pencilan. Diagran kontrol ini kemudian diaplikasikan pada pengontrolan indeks saham harian PT X dan Saham Gabungan (IHSG) secara simultan. Hasil pengujian yang dilakukan menunjukkan bahwa diagram kontrol T2 Hotelling penduga MVE lebih efektif dalam mendeteksi pencilan yaitu terdapat sebanyak 13 data yang out of control dengan nilai BKA sebesar 5,5025.

Pemodelan Quantile Regression untuk Menentukan Faktor-Faktor Penyebab Penyakit Tuberkulosis Paru di Kabupaten Tasikmalaya Hasni Khotimah; Suwanda
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. In regression analysis there are classical assumptions that must be met, namely normality, homoscedasticity, and non-autocorrelation, while in this case there are outliers. The existence of outliers in the data will result in a large and inhomogeneous error variance, so that the estimator generated on data containing outliers will not be Best Linear Unbiased Estimator (BLUE). However, if there are outliers or other assumptions are violated, the good nature of this estimator will be disturbed. In this study, it is known that there are outliers in the tuberculosis data and the factors that influence it. To overcome this outlier problem, robust regression can be used, one of which is the Quantile Regression method. The data used in this study were secondary data obtained from the report of the Puskesmas to the Health Office and Population Control in Tasikmalaya Regency in 2019. The area used as the object of research was 39 sub-districts in Tasikmalaya Regency. In this study, modeling was carried out using 2 quantile levels, namely Quantile Regression (0.33th and 0.67). So as to provide information when cases of Tuberculosis in Tasikmalaya Regency are at risk (low, medium and high). In this study, it was found that at the level of the 0.33 quantile only the clean water variable (X_2) affected the pulmonary TB incident rate, while at the 0.67 quantile level there was no significant variable. Quantile Regression can be applied to determine the relationship between the number of cases of pulmonary tuberculosis with the percentage of proper sanitation (healthy latrines), the percentage of clean water availability and the percentage of non-smoking habits in Tasikmalaya Regency in 2019. Abstrak. Dalam analisis regresi terdapat asumsi klasik yang harus dipenuhi yaitu normalitas, homoskedastisitas, dan non autokorelasi, sedangkan dalam kasus ini terdapat data pencilan (outlier). Adanya pencilan/outlier pada data akan mengakibatkan varians error yang besar dan tidak homogen, sehingga estimator yang dihasilkan pada data yang mengandung outlier tidak akan bersifat Best Linear Unbiased Estimator (BLUE). Akan tetapi jika terdapat outlier atau ada asumsi lain yang dilanggar, sifat baik dari penaksir ini akan terganggu. Pada penelitian ini diketahui adanya outlier dalam data penyakit tuberkulosis dan faktor-faktor yang mempengaruhi nya Untuk mengatasi masalah outlier ini dapat menggunakan regresi yang robust, salah satunya metode regresi kuantil. Data yang digunakan dalam penelitian ini data sekunder yang diperoleh dari laporan Puskesmas kepada Dinkes dan Pengendalian Penduduk di Kabupaten Tasikmalaya tahun 2019. Wilayah yang dijadikan sebagai objek penelitian 39 kecamatan di Kab Tasikmalaya. Pada penelitian ini, pemodelan dilakukan dengan menggunakan 2 level kuantil, yaitu regresi kuantil (ke-0.33 dan ke-0.67). Sehingga memberikan informasi kapan kasus Tuberkulosis di Kabupaten Tasikmalaya beresiko (rendah, sedang dan tinggi). Pada penelitian ini diperoleh bahwa pada level kuantil ke-0.33 hanya variabel air bersih ( ) yang mempengaruhi incident rate TB paru, sedangkan pada level kuantil ke 0.67 tidak ada variabel yang signifikan. Regresi kuantil dapat diaplikasikan untuk menentukan hubungan antara jumlah kasus tuberkulosis paru dengan persentase sanitasi yang layak (jamban sehat), persentase ketersediaan air bersih dan persentase kebiasaan tidak merokok di Kabupaten Tasikmalaya tahun 2019.

Evaluasi Model Exponential Generelized Autoregressive Conditional Heteroscedastic (EGARCH) Novianti Dwi PujiAstuti; Suwanda
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. In time series data that has a fairly high volatility, it is possible to have an error variance that is not constant (Heteroscedasticity). This is reflected in the square of error that also follows the time series model, for example the autoregressive (AR) model and the expectation of the conditional error square is not constant, the AR model of the square of error is called the Autoregressive Conditional Heteroscedastic (ARCH). The AR model that combines time series data and squared error is called Generalized Autoregressive Conditional Heteroscedastic (GARCH). However, the GARCH model ignores the asymmetric effect on the data. So Nelson (1991) developed the GARCH model to overcome the asymmetric problem with the Exponential GARCH model. The purpose of this study was to determine the symptoms of the EGARCH model and apply the EGARCH model in stock price index data at PT. Bank X in Indonesia. The data used is closing price data for the period January 2019 – December 2021. The results show that the Residual from GARCH(2.0) is used to test the effect of asymmetry. The best model used for forecasting based on the comparison results of MAPE, AIC and SIC values from several other models is the EGARCH(2,1) model. Abstrak. Pada data deret waktu yang memiliki volatilitas cukup tinggi dimungkinkan memiliki varian error menjadi tidak konstan (Heteroskedastisitas). Hal ini tercermin dari kuadrat error yang juga mengikuti model deret waktu, misal model autoregressive (AR) dan ekpektasi kuadrat error bersyarat tidak konstan, model AR dari kuadrat error disebut Autoregressive Conditional Heteroscedastic (ARCH). Model AR yang menggabungkan data deret waktu dan kuadrat error disebut Generalized Autoregressive Conditional Heteroscedastic (GARCH). Namun model GARCH mengabaikan efek asimetris pada data. Sehingga Nelson (1991) mengembangkan model GARCH untuk mengatasi permasalahan asimetris dengan model Exponential GARCH. Tujuan dari penelitian ini adalah untuk mengetahui gejala model EGARCH dan menerapkan model EGARCH pada data indeks harga saham di PT. Bank X di Indonesia. Data yang digunakan merupakan data harga penutupan selama periode Januari 2019 – Desember 2021. Hasilnya menunjukkan bahwa Residual dari GARCH(2,0) dipakai untuk menguji pengaruh asimetri. Model terbaik yang digunakan untuk peramalan berdasarkan hasil perbandingan nilai MAPE, AIC maupun SIC dari beberapa model lainnya ialah model EGARCH(2,1).

Penerapan Model Vector Autoregressive (VAR) untuk Peramalan Jumlah Kedatangan dan Keberangkatan Penerbangan Domestik di Kota Batam Aminy Aisyah; Suwanda
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. Batam is one of the cities in Indonesia which is located very close to Singapore and Malaysia. The number of tourists or local residents for vacation or just visiting Batam City is quite high. Especially via domestic flights. From the number of departures and arrivals of domestic flights recorded by airport officials in several periods, it can be analyzed simultaneously using times series vector analysis. From the model obtained, it can be used to estimate the value of the data in the future for later use in planning an institution where the data is obtained. The model used in this study is the Vector Autoregressive (VAR) model. From the results of the analysis, the suitable model is the Vector Autoregressive model, VAR (1) has an AIC value of 40.5892 and the MAPE value for the number of arrivals and the number of departures is 79.04494994 and 80.1093, respectively. This VAR(1) model is used to predict the value of the number of passengers for the next 12 periods. Abstrak. Batam merupakan salah satu kota di Indonesia yang letaknya sangat dekat dengan Singapura dan Malaysia. Banyaknya turis ataupun warga lokal untuk berlibur atau sekedar berkunjung saja ke Kota Batam tercatat cukup tinggi. Terlebih melalui penerbangan domestik. Dari jumlah keberangkatan dan kedatangan penerbangan domestik yang dicatat oleh petugas bandar dalam beberapa periode, dapat dinalisis secara simultan dengan menggunakan analisis vektor times series. Dari model yang diperoleh dapat digunakan untuk memperkirakan nilai data pada waktu yang akan datang untuk kemudian digunakan dalam perencanaan sebuah institusi dimana data tersebut diperoleh. Model yang digunakan dalam penelitian ini adalah model Vector Autoregressive (VAR). Dari hasil analisis diperoleh model yang cocok adalah model Vector Autoregressive adalah VAR (1) mempunyai nilai AIC sebesar 40.5892 dan nilai MAPE untuk jumlah kedatangan dan jumlah keberangkatan masing-masing sebesar 79.04494994 dan 80.1093. Model VAR(1) ini digunakan untuk meramal nilai jumlah penumpang untuk 12 periode ke depan.

Analisis Faktor-Faktor yang Mempengaruhi Produk Domestik Regional Bruto (PDRB) dan Laju Pertumbuhan Ekonomi (LPE) Kota/Kabupaten di Provinsi Jambi Tahun 2020 dengan Regresi Komponen Utama Daumi Rahmatika; Suwanda
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. The impact of the existence of strong multicollinearity among the predictor variables is that it can change the sign of the Ordinary Least Square Regression coefficient and or the regression to be insignificant. Principal Component Regression can reduce the effect of this strong multicollinearity, because it works with predictors in the form of main components of independent predictor variables. This study will implement the Principal Component Regression in the estimation of the regression model between the Gross Regional Domestic Product (GRDP) and the City/Regency Economic Growth Rate (LPE) in Jambi Province in 2020 on several factors. The results show that among the predictor variables there are strong multicollinearity symptoms. Estimated according to OLS Regression, both regressions are not significant. Estimation by Principal Component Regression shows that the GRDP regression is significant with a Middle Square error (KTE) of 0.002969 and the sign of the regression coefficient is aligned with the direction of the correlation in the scatter diagram. Factors that have a positive effect on the current year's GRDP, namely 2019 GRDP ( ) in a row are the previous year's GRDP, namely 2018 GRDP ( ), Capital Expenditures , and the Special Allocation Fund . Meanwhile, those that give negative weights in absolute terms are Regional Original Income , Average Years of Schooling , Number of Workers , and General Allocation Funds . Abstrak. Dampak dari adanya multikolineritas kuat diantara variabel prediktor adalah bisa mengubah tanda koefisien regresi ordinary least square dan atau regresi menjadi tidak signifikan. Regresi komponen utama dapat mereduksi pengaruh multikolieritas kuat tersebut, karena bekerja dengan predictor yang berupa komponen-komponen utama dari variabel prediktor yang saling independen. Penelitian ini akan mengimplementasikan Regresi Komponen Utama pada penaksiran model regresi antara Produk Domestik Regional Bruto (PDRB) dan Laju Pertumbuhan Ekonomi (LPE) Kota/Kabupaten di Provinsi Jambi tahun 2020 atas beberapa faktor. Hasil menunjukkan bahwa diantara variable prediktor terdapat gejala multikolinieritas yang kuat. Penaksiran menurut Regresi OLS, kedua regresi tidak signifikan. Penaksiran menurut Regresi Komponen Utama menunjukkan bahwa regresi PDRB signifikan dengan Kuadrat Tengah error (KTE) 0,002969 dan tanda koefisien regresi yang selaras dengan arah korelasi pada diagram pencaran. Faktor yang berpengaruh positif pada PDRB tahun berjalan yaitu PDRB 2019 ( ) berturut-turut adalah PDRB tahun sebelumnya yaitu PDRB tahun 2018 ( ), Belanja Modal , dan Dana Alokasi Khusus . Sedangkan yang memberi bobot negatif secara absolut berturut-turut adalah Pendapatan Asli Daerah , Rata-Rata Lama Sekolah , Jumlah Tenaga Kerja , dan Dana Alokasi Umum .

Pemodelan Fuzzy Time Series Cheng untuk Meramalkan Nilai Ekspor Migas di Indonesia Engki Dulfitri Eha; Suwanda
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.7604

Abstract. Forecasting is useful for predicting future events which include the short, medium and long term. The data commonly used is time series data which is a collection of data that is arranged at a certain time continuously. There are several methods in the analysis of time series data, namely the traditional method (ARIMA) and Fuzzy time series. The fuzzy times series method is proven to be able to improve traditional methods such as handling data fluctuations, uncertainty of data subjectivity. With the privilege of not requiring the fulfillment of the assumption test. This thesis will discuss the Fuzzy time series cheng which is the development of the fuzzy time series chen and yu which can minimize forecasting errors. The Cheng's Fuzzy time series method has been applied to the value of Indonesia's oil and gas exports based on data for 1975-2022 with the forecast model obtained with a MAPE of 19.7668%. From the results of the forecasting model obtained in 2023 it is estimated that the value of Indonesia's oil and gas exports will be 15,215.9182 (million US$), experiencing a decrease of 803,7818 (million US$) when compared to the export value in 2022 of 16,019.7 (million US$) . Abstrak. Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang. Data yang biasanya digunakan adalah data deret waktu yang merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Ada beberapa metode dalam analisis data deret waktu yaitu metode tradisional (ARIMA) dan Fuzzy time series. Metode fuzzy times series telah terbukti dapat memperbaiki metode tradisional seperti menangani fluktuasi data, ketidakpastian subjektivitas dalam data. Dengan keistimewaan tidak membutuhkan pemenuhan uji asumsi. Dalam skripsi ini akan di bahas Fuzzy time series cheng yang merupakan pengembangan dari Fuzzy time series chen dan yu yang dapat memperkecil kekeliruan peramalan. Metode Fuzzy time series cheng telah di terapkan pada nilai ekspor migas Indonesia berdasarkan data dari tahun 1975-2022 dengan diperoleh model ramalan dengan MAPE sebesar 19.7668%. Dari hasil model peramalan yang diperoleh pada tahun 2023 diperkirakan nilai ekspor migas Indonesia sebesar 15,215.9182(juta US$), mengalami penurunan sebesar 803.7818 (juta US$) jika dibandingkan dengan nilai ekspor tahun 2022 sebesar 16,019.7 (juta US$).

Pemodelan Multivariate Time Series dengan Vector Autoregressive Integrated Moving Average (VARIMA) Azalia Az-Zahra Nugroho; Suwanda
Jurnal Riset Statistika Volume 2, No. 2, Desember 2022, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v2i2.1150

Abstract. VARIMA (Vector Autoregressive Integrated Moving Average) is a multivariate time series model that explains the linkages between observations on a particular variable at a particular time with the observation of the variable itself at previous times and its linkages with observations on other variables at previous times. Exports are a source of foreign exchange that is needed by the state, while with imports, the country can fulfill its needs that are not owned or produced domestically, and the costs incurred for goods and services become cheaper. Non-oil and gas are the largest contributors to commodities in the value of imports and exports. In this study, multivariate time series data analysis was carried out to estimate the value of non-oil and gas imports and exports in West Java using the VARIMA method. Based on data on non-oil and gas imports and exports in West Java in January 2013–April 2022, the forecasting model obtained and the appropriate is VARIMA (2,1,1). From the model, it can be seen that the value of exports is influenced by the value of imports, and the highest results of import forecasting and non-oil and gas exports will occur in June 2022, and the lowest will occur in May 2022. Abstrak. VARIMA (Vector Autoregressive Integrated Moving Average) adalah salah satu model time series multivariat yang menjelaskan keterkaitan antar pengamatan pada variabel tertentu pada suatu waktu dengan pengamatan variabel itu sendiri pada waktu-waktu sebelumnya, dan keterkaitannya dengan pengamatan pada variabel lain pada waktu sebelumnya. Ekspor merupakan sumber devisa yang sangat dibutuhkan oleh negara, sedangkan dengan adanya impor maka negara dapat memenuhi kebutuhan yang tidak dimiliki atau diproduksi di dalam negeri dan biaya yang dikeluarkan untuk barang dan jasa menjadi lebih murah. Non migas merupakan penyumbang komoditi terbesar pada nilai impor dan ekspor. Dalam penelitian ini dilakukan analisis data time series multivariat untuk meramalkan nilai impor dan ekspor non migas di Jawa Barat dengan menggunakan metode VARIMA. Berdasarkan data impor dan ekspor non migas di Jawa Barat pada Januari 2013-April 2022 diperoleh model peramalan yang didapatkan dan sesuai adalah VARIMA (2,1,1). Dari model dapat diketahui bahwa nilai ekspor dipengaruhi oleh nilai impor dan dari hasil peramalan impor dan eskpor non migas tertinggi akan terjadi pada bulan Juni 2022 dan terendah akan terjadi pada bulan Mei 2022.

Model Random Coefficient Autoregressive Orde Pertama dan Penerapannya Fhilip Trisa Parera; Suwanda
Jurnal Riset Statistika Volume 3, No. 2, Desember 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i2.3048

Abstract. The data used for forecasting using the RCA (1) model must have a stationary pattern or be around the average. However, most economic data has volatility properties, which means that it describes large changes in either the increase or decrease in the object measured in a certain period of time such as in data on gold prices, stock prices and so on. In conditions of volatility data, the RCA(1) model can work very well in forecasting because large changes in the value of the variable cause the size of the variance in the variable to move randomly over time. The purpose of this research is to see the forecasting results and the level of accuracy in forecasting the daily gold price in 2023 based on the RCA(1) model. In the analysis results, the parameter estimation value in the RCA(1) model is BLUE (Best Linear Unbiased Estimator) because all assumptions in the Ordinary Least Square (OLS) method are met. In addition, it is also evident that the volatility of the data causes the estimated value of the variance of the coefficient to move away from zero. Then, the forecasting value using the RCA(1) model has a high accuracy rate of 3.86% which is calculated through the Mean Absolute Percentage Error (MAPE). This means that the RCA(1) model works very well for forecasting short and volatile time series data. And it can be seen for the forecast of 1 day ahead that is on May 17, 2023 at $1994,71/Ons where the price of gold has fallen from the day before. Abstrak. Data yang digunakan untuk melakukan peramalan menggunakan model RCA(1) harus memiliki pola yang stasioner atau berada disekitar rata-rata. Namun, sebagian besar data ekonomi memiliki sifat volatilitas yang artinya menggambarkan perubahan besar baik kenaikan atau penurunan pada objek yang diukur dalam periode waktu tertentu seperti pada data harga emas, harga saham dan lain sebagainya. Pada kondisi data yang bersifat volatilitas, model RCA(1) dapat bekerja sangat baik dalam peramalan karena perubahan besar nilai variabel menyebabkan ukuran varians pada variabel bergerak secara acak dari waktu ke waktu. Tujuan penelitian ini yaitu melihat hasil peramalan dan tingkat akurasi dalam meramalkan harga emas harian tahun 2023 berdasarkan model RCA(1). Dalam hasil analisis, nilai estimasi parameter pada model RCA(1) bersifat BLUE (Best Linear Unbiased Estimator) karena semua asumsi pada metode Ordinary Least Square (OLS) terpenuhi. Selain itu, terbukti pula bahwa data yang bervolatilitas menyebabkan nilai estimasi varians dari koefisien menjauhi nilai nol. Kemudian, nilai peramalan menggunakan model RCA(1) memiliki nilai tingkat akurasi yang tinggi yaitu sebesar 3.86% yang dihitung melalui Mean Absolute Percentage Error (MAPE). Artinya, model RCA(1) bekerja sangat baik untuk peramalan data deret waktu singkat dan bervolatilitas. Dan terlihat untuk peramalan 1 hari kedepan yaitu pada tanggal 17 Mei 2023 sebesar 1994.71 USD/Ons dimana harga emas mengalami penurunan dari hari sebelumnya.

Title

Found 9 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 9 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 9 Documents
Search