BAB V KESIMPULAN DAN SARAN
5.2 Saran
Saran yang dapat diberikan untuk penelitian selanjutnya adalah menggunakan data dengan periode yang lebih panjang, agar pengaruh hari raya lebih jelas terlihat polanya. Pada penelitian selanjutnya juga dapat ditambahkan pengujian outlier dengan harapan mendapatkan peramalan yang lebih akurat.
91
DAFTAR PUSTAKA
Akal, M. (2015). A VARX Modelling of Energy Intensity Interactions Between China, the United States, Japan and EU. Organization of the Petroleum Exporting Countries (OPEC Energy Reviews), 103-124.
Alva, J. V., & Estrada, E. G. (2009). A Generalization of Shapiro–Wilk’s Test for Multivariate Normality. Communications in Statistics-Theory and Methods, 38, 1870-1883.
Bank Indonesia. (2013). Dipetik September 12, 2015, dari www.bi.go.id:
http://www.bi.go.id/id/tentang-bi/fungsi-bi/status/Contents/Default.aspx Box, G. E., Jenkins, G. M., & Reinsel, G. C. (2008). Time Series Analysis:
Forecasting and Control, Fourth Edition. Canada: John Wiley & Sons Inc.
Cologni, A., & Manera, M. (2005). Oil Prices, Inflation and Interest Rates in a Structural Cointegrated VAR Model for the G-7 Countries. Nota di Lavoro, Fondazione Eni Enrico Mattei, No. 101, 2-55.
Cryer, J. D., & Chan, K. S. (2008). Time series analysis: with applications in R (2nd ed.). Springer.
De Gooijer, J. G., & Hyndman, R. J. (2006). 25 Years of Time Series Forecasting.
International Journal of Forecasting 22, 443-473.
Dheerasinghe, R. (2006). Modeling and Forecasting Currency in Circulation in Sri Lanka. Central Bank of Srilanka Staff Papers No. 36, 38-72.
Dickey, D. A., Hasza, D., & Fuller, W. (1984). Testing for Unit Roots in Seasonal Time Series. Journal of the American Statistical Assocation, 79, 355-367.
Enders, W. (2004). Applied Econometric Time Series. New York: John Wiley &
Sons, Inc.
Faraway, J., & Chatfield, C. (1998). Time Series Forecasting with Neural Networks: A Comparative Study using The Airline Data. Applied Statistics, 231-250.
Fauset, L. (1994). Fundamental of Neural Network: Architectures, Algorithm, and Aplications. New Jersey: Prentice Hall Inc.
Gujarati, D. N. (2004). Basic Econometrics, Fourth Edition. New York: The McGraw-Hill Companies.
92
Hanim, Y. M., & Suhartono. (2015). Penerapan Regresi Time Series dan ARIMAX untuk Peramalan Inflow dan Outflow Uang Kartal di Jawa Timur, DKI Jakarta, dan Nasional, Tugas Akhir. Surabaya: Jurusan Statistika FMIPA ITS.
Ikoku, A. (2014). Modeling and Forecasting Currency in Circulation for Liquidity Management in Nigeria. CBN Journal of Applied Statistics Vol. 5 No.1, 79-104.
Karomah, A., & Suhartono. (2014). Peramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL).
JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, 103-108.
Kostenko, A. V., & Hyndman, R. J. (2008, November 5). Forecasting without significance test? Retrieved from HYNDSIGHT A blog by Rob J Hyndman:
robjhyndman.com/papers/sst2.pdf
Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB dan Excel Link). Yogyakarta: Graha Ilmu.
Lee, M. H., & Suhartono. (2010). Calendar Variation Model Based on ARIMAX for Forecasting Sales Data with Ramadhan Effect. Proceedings of the Regional Conference on Statistical Sciences (hal. 349-361). Malaysia:
Institute of Mathematical Sciences University of Malaya.
Luguterah, A., Anzagra, L., & Nasiru, S. (2013). Monthly Effect on the Volume of Currency in Circulation in Ghana. Journal of Finance and Accounting Vol.4, No.5, 132-137.
Lutkepohl, H. (2005). New Introduction to Multiple Time Series Analysis.
Germany: Springer-Verlag Berlin Heidelberg.
Prayoga, I. G., Rahayu, S. P., & Suhartono. (2015). Hierarchical Forecasting Method Based on ARIMAX and Recurrent Neural Network for Motorcycle Sales Prediction. International Journal of Applied Mathematics and StatisticsTM, 53(5), 116-124.
Solikin, & Suseno. (2002). Uang: Pengertian, Penciptaan, dan Peranannya dalam Perekonomian. Jakarta: Bank Indonesia.
Swammy, M. (2006). Neural Networks in a Softcomputing Framework. Germany:
Springer Science and Business Media.
93
Terasvirta, T., Lin, C., & Granger, C. (1993). Power of Neural Networks Linearity Test. Journal of Time Series Analysis, 14, 159-171.
Tiao, G. C., & Box, G. E. (1981). Modeling Multiple Times Series with Applications. Journal of the American Statistical Association, Vol. 76, No.
37, 802-816.
Tsay, R. S. (2005). Analysis of Financial Time Series, Second Edition. Canada:
John Wiley & Sons, Inc.
Ulyah, S. M., Susilaningrum, D., & Suhartono. (2014). Peramalan Volume Penjualan Total Sepeda Motor di Kabupaten Bojonegoro dan Lamongan dengan Pendekatan Model ARIMAX dan VARX. JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, 230-236.
Wei, W. W. (2006). Time Series Analysis: Univariate and Multivariate Methods, 2nd Edition. New York: Pearson.
Wulansari, E. R., & Suhartono. (2014). Peramalan Netflow Uang Kartal dengan Metode ARIMAX dan Radial Basis Function Network (Studi Kasus Di Bank Indonesia). JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, 73-78.
Zhang, G. P. (2003). Time Series Forecasting using A Hybrid ARIMA and Neural Network Model. Neurocomputing, 50, 159-175.
Zhang, G. P., & Berardi, V. (1998). An investigation of neural networks in thyroid function diagnosis. Health Care Management Science 1(1), 29-37.
94
(Halaman Ini Sengaja Dikosongkan)
95 LAMPIRAN
Lampiran A. Hasil Proses Pemodelan ARIMAX Rp 50.000 a. Output Minitab Uji Box-Cox Pecahan Rp 50.000
5 4 3 2 1 0 -1 -2 7000000 6000000
5000000 4000000
3000000
2000000
1000000
0
Lambda
StDev
Lower CL Upper CL
Limit
Estimate 0.14 Lower CL -0.27 Upper CL 0.54 Rounded Value 0.00 (using 95.0% confidence)
Lambda
Box-Cox Plot of 50000
b. Output SAS Uji ADF untuk Stasioneritas Mean Pecahan Rp 50.000
96 LAMPIRAN A (LANJUTAN)
c. Output SAS Estimasi ARIMAX untuk Pecahan Rp 50.000 (a) dengan hanya dummy signifikan
(b) dengan semua dummy
d. Output SAS Uji White Noise Ljung-Box untuk ARIMAX Pecahan Rp 50.000 (dengan hanya dummy signifikan)
97 LAMPIRAN A (LANJUTAN)
e. Output SAS Uji Normalitas ARIMAX Pecahan Rp 50.000 (dengan hanya dummy signifikan)
98
Lampiran B. Hasil Proses Pemodelan ARIMAX Rp 20.000
a. Output Minitab Uji Box-Cox Pecahan Rp 20.000
1.5 1.0
0.5 0.0
-0.5 -1.0
60000
50000
40000
30000
20000
Lambda
StDev
Lower CL Upper CL
Limit
Estimate -0.01 Lower CL -0.18 Upper CL 0.14 Rounded Value 0.00 (using 95.0% confidence)
Lambda
Box-Cox Plot of 20000
b. Output SAS Uji ADF untuk Stasioneritas Mean Pecahan Rp 20.000
99 LAMPIRAN B (LANJUTAN)
c. Output SAS Estimasi ARIMAX untuk Pecahan Rp 20.000
d. Output SAS Uji White Noise Ljung-Box untuk ARIMAX Pecahan Rp 20.000
e. Output SAS Uji Normalitas ARIMAX Pecahan Rp 20.000
100
Lampiran C. Hasil Proses Pemodelan ARIMAX Rp 10.000
a. Output Minitab Uji Box-Cox Pecahan Rp 10.000
1.5 1.0
0.5 0.0
-0.5 -1.0
60000
50000
40000
30000
20000
10000
Lambda
StDev
Lower CL Upper CL
Limit
Estimate -0.04 Lower CL -0.21 Upper CL 0.11 Rounded Value 0.00 (using 95.0% confidence)
Lambda
Box-Cox Plot of 10000
b. Output SAS Uji ADF untuk Stasioneritas Mean Pecahan Rp 10.000
101 LAMPIRAN C (LANJUTAN)
c. Output SAS Estimasi ARIMAX untuk Pecahan Rp 10.000
d. Output SAS Uji White Noise Ljung-Box untuk ARIMAX Pecahan Rp 10.000
e. Output SAS Uji Normalitas ARIMAX Pecahan Rp 10.000
102
Lampiran D. Hasil Proses Pemodelan ARIMAX Rp 5.000
a. Output Minitab Uji Box-Cox Pecahan Rp 5.000
1.5 1.0
0.5 0.0
-0.5 -1.0
70000
60000
50000
40000
30000
20000
10000
Lambda
StDev
Lower CL Upper CL
Limit
Estimate -0.15 Lower CL -0.30 Upper CL 0.00 Rounded Value 0.00 (using 95.0% confidence)
Lambda
Box-Cox Plot of 5000
b. Output SAS Uji ADF untuk Stasioneritas Mean Pecahan Rp 5.000
103 LAMPIRAN D (LANJUTAN)
c. Output SAS Estimasi ARIMAX untuk Pecahan Rp 5.000
d. Output SAS Uji White Noise Ljung-Box untuk ARIMAX Pecahan Rp 5.000
e. Output SAS Uji Normalitas ARIMAX Pecahan Rp 5.000
104
Lampiran E. Output SPSS Hasil Estimasi Parameter RBFN Residual ARIMAX Pecahan Rp 100.000
a. dengan 1 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) at
Input Layer
atm1 .009
atm2 .018
atm3 .028
Hidden Unit Width .421
Hidden Layer
(Intercept) .085
H(1) -.169
a. Displays the center vector for each hidden unit.
b. dengan 2 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) at
Input Layer
atm1 -.043 .110
atm2 .005 .043
atm3 .208 -.322
Hidden Unit Width .366 .425
Hidden Layer
(Intercept) .090
H(1) .002
H(2) -.229
a. Displays the center vector for each hidden unit.
105 LAMPIRAN E (LANJUTAN)
c. dengan 3 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) at
Input Layer
atm1 .198 .110 -.227
atm2 .256 .043 -.187
atm3 .280 -.322 .154
Hidden Unit Width .243 .425 .346
Hidden Layer
(Intercept) .070
H(1) -.034
H(2) -.268
H(3) .139
a. Displays the center vector for each hidden unit.
d. dengan 4 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) at
Input Layer
atm1 .198 .202 -.227 .057
atm2 .256 .144 -.187 -.016
atm3 .280 -.058 .154 -.476
Hidden Unit Width .243 .519 .346 .333
Hidden Layer
(Intercept) .079
H(1) -.014
H(2) -.128
H(3) .120
H(4) -.205
a. Displays the center vector for each hidden unit.
106 LAMPIRAN E (LANJUTAN)
e. dengan 5 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) H(5) at
Input Layer
atm1 .198 .202 -.149 -.692 .057
atm2 .256 .144 -.218 -.002 -.016
atm3 .280 -.058 .163 .100 -.476
Hidden Unit Width .243 .519 .332 .259 .333
Hidden Layer
(Intercept) .007
H(1) .092
H(2) -.084
H(3) -.001
H(4) .825
H(5) -.121
a. Displays the center vector for each hidden unit.
107
Lampiran F. Output SPSS Hasil Estimasi Parameter RBFN Residual ARIMAX Pecahan Rp 50.000
a. dengan 1 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) at
Input Layer
atm1 -.002
atm2 -.001
atm3 .001
Hidden Unit Width .361
Hidden Layer
(Intercept) -.034
H(1) .062
a. Displays the center vector for each hidden unit.
b. dengan 2 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) at
Input Layer
atm1 -.231 .074
atm2 -.021 .006
atm3 -.199 .068
Hidden Unit Width .412 .321
Hidden Layer
(Intercept) -.016
H(1) -.043
H(2) .069
a. Displays the center vector for each hidden unit.
108 LAMPIRAN F (LANJUTAN)
c. dengan 3 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) at
Input Layer
atm1 -.231 .130 -.164
atm2 -.021 .074 -.283
atm3 -.199 -.006 .384
Hidden Unit Width .412 .281 .289
Hidden Layer
(Intercept) -.021
H(1) .002
H(2) -.002
H(3) .108
a. Displays the center vector for each hidden unit.
d. dengan 4 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) at
Input Layer
atm1 -.231 .131 .124 -.164
atm2 -.021 .107 -.177 -.283
atm3 -.199 .063 -.523 .384
Hidden Unit Width .412 .239 .318 .289
Hidden Layer
(Intercept) -.049
H(1) -.226
H(2) .054
H(3) .578
H(4) .246
a. Displays the center vector for each hidden unit.
109 LAMPIRAN F (LANJUTAN)
e. dengan 5 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) H(5) at
Input Layer
atm1 .468 -.347 .131 .124 -.164
atm2 -.220 .012 .107 -.177 -.283
atm3 -.164 -.204 .063 -.523 .384
Hidden Unit Width .373 .373 .239 .318 .289
Hidden Layer
(Intercept) .038
H(1) -.609
H(2) -.479
H(3) .266
H(4) 1.001
H(5) .227
a. Displays the center vector for each hidden unit.
110
Lampiran G. Output SPSS Hasil Estimasi Parameter RBFN Residual ARIMAX Pecahan Rp 20.000
a. dengan 1 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) at
Input Layer
atm1 -.017
atm2 -.023
atm3 -.002
Hidden Unit Width .913
Hidden Layer
(Intercept) .157
H(1) -.412
a. Displays the center vector for each hidden unit.
b. dengan 2 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) at
Input Layer
atm1 .146 -.334
atm2 -.145 .215
atm3 -.346 .666
Hidden Unit Width .900 .712
Hidden Layer
(Intercept) .145
H(1) .065
H(2) -.689
a. Displays the center vector for each hidden unit.
111 LAMPIRAN G (LANJUTAN)
c. dengan 3 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) at
Input Layer
atm1 .349 .035 -.334
atm2 .731 -.620 .215
atm3 -.813 -.093 .666
Hidden Unit Width .491 .869 .712
Hidden Layer
(Intercept) .009
H(1) -.241
H(2) .667
H(3) -.778
a. Displays the center vector for each hidden unit.
d. dengan 4 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) at
Input Layer
atm1 .349 .634 -.803 -.334
atm2 .731 -.815 -.347 .215
atm3 -.813 -.317 .222 .666
Hidden Unit Width .491 .712 .690 .712
Hidden Layer
(Intercept) -.057
H(1) .002
H(2) .599
H(3) .864
H(4) -.906
a. Displays the center vector for each hidden unit.
112 LAMPIRAN G (LANJUTAN)
e. dengan 5 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) H(5) at
Input Layer
atm1 .349 .634 -.803 -1.083 .103
atm2 .731 -.815 -.347 -.303 .518
atm3 -.813 -.317 .222 .326 .864
Hidden Unit Width .491 .712 .690 .558 .497
Hidden Layer
(Intercept) .024
H(1) -.179
H(2) .466
H(3) .207
H(4) .110
H(5) -1.257
a. Displays the center vector for each hidden unit.
113
Lampiran H. Output SPSS Hasil Estimasi Parameter RBFN Residual ARIMAX Pecahan Rp 10.000
a. dengan 1 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) at
Input Layer
atm1 -.030
atm2 -.029
atm3 -.011
Hidden Unit Width .738
Hidden Layer
(Intercept) -.247
H(1) .568
a. Displays the center vector for each hidden unit.
b. dengan 2 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) at
Input Layer
atm1 .053 -.239
atm2 -.171 .326
atm3 .237 -.632
Hidden Unit Width .707 .582
Hidden Layer
(Intercept) -.270
H(1) .348
H(2) .610
a. Displays the center vector for each hidden unit.
114 LAMPIRAN H (LANJUTAN)
c. dengan 3 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) at
Input Layer
atm1 .199 -.218 -.239
atm2 .042 -.567 .326
atm3 .137 .423 -.632
Hidden Unit Width .707 .588 .582
Hidden Layer
(Intercept) -.273
H(1) .087
H(2) .366
H(3) .688
a. Displays the center vector for each hidden unit.
d. dengan 4 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) at
Input Layer
atm1 .307 .120 -.218 -.239
atm2 -.583 .500 -.567 .326
atm3 -.353 .496 .423 -.632
Hidden Unit Width .518 .568 .588 .582
Hidden Layer
(Intercept) -.168
H(1) -.441
H(2) -.230
H(3) .516
H(4) .730
a. Displays the center vector for each hidden unit.
115 LAMPIRAN H (LANJUTAN)
e. dengan 5 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) H(5) at
Input Layer
atm1 .307 .120 -.218 -.649 .446
atm2 -.583 .500 -.567 .298 .374
atm3 -.353 .496 .423 -.708 -.505
Hidden Unit Width .518 .568 .588 .444 .508
Hidden Layer
(Intercept) -.209
H(1) -.574
H(2) -.373
H(3) .726
H(4) .558
H(5) 1.007
a. Displays the center vector for each hidden unit.
116
Lampiran I. Output SPSS Hasil Estimasi Parameter RBFN Residual ARIMAX Pecahan Rp 5.000
a. dengan 1 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) at
Input Layer
atm1 -.009
atm2 -.020
atm3 -.015
Hidden Unit Width .956
Hidden Layer
(Intercept) .095
H(1) -.190
a. Displays the center vector for each hidden unit.
b. dengan 2 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) at
Input Layer
atm1 .409 -.372
atm2 -.134 .079
atm3 .557 -.511
Hidden Unit Width .840 .867
Hidden Layer
(Intercept) .056
H(1) -1.113
H(2) .897
a. Displays the center vector for each hidden unit.
117 LAMPIRAN I (LANJUTAN)
c. dengan 3 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) at
Input Layer
atm1 .868 -.372 .205
atm2 -1.225 .079 .351
atm3 .690 -.511 .498
Hidden Unit Width .511 .867 .716
Hidden Layer
(Intercept) .009
H(1) -.089
H(2) .968
H(3) -1.321
a. Displays the center vector for each hidden unit.
d. dengan 4 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) at
Input Layer
atm1 .868 .044 .205 -1.203
atm2 -1.225 -.075 .351 .387
atm3 .690 -.734 .498 -.063
Hidden Unit Width .511 .742 .716 .743
Hidden Layer
(Intercept) -.141
H(1) .204
H(2) .765
H(3) -1.095
H(4) 1.358
a. Displays the center vector for each hidden unit.
118 LAMPIRAN I (LANJUTAN)
e. dengan 5 Hidden
Parameter Estimates
Predictor Predicted
Hidden Layera Output Layer
H(1) H(2) H(3) H(4) H(5) at
Input Layer
atm1 .868 .044 .896 -.347 -1.203
atm2 -1.225 -.075 .286 .403 .387
atm3 .690 -.734 .022 .879 -.063
Hidden Unit Width .511 .742 .508 .526 .743
Hidden Layer
(Intercept) .051
H(1) -.255
H(2) .251
H(3) -.705
H(4) -2.534
H(5) 1.474
a. Displays the center vector for each hidden unit.
119
Lampiran J. Output SAS Hasil Estimasi VARI-X Restrict
The VARMAX Procedure
120
121 LAMPIRAN J (LANJUTAN)
z5t AR5_5_3 0.00000 0.00000 z3t(t-5) AR5_5_4 0.00000 0.00000 z4t(t-5) AR5_5_5 0.00000 0.00000 z5t(t-5) AR12_5_1 0.36329 0.16015 2.27 0.0358 z1t(t-12) AR12_5_2 0.00000 0.00000 z2t(t-12) AR12_5_3 0.00000 0.00000 z3t(t-12) AR12_5_4 0.00000 0.00000 z4t(t-12) AR12_5_5 0.00000 0.00000 z5t(t-12)
122 Lampiran K. Syntax SAS dan R
a. Syntax SAS Untuk Model ARIMAX
data outflow;
123 LAMPIRAN K (LANJUTAN)
b. Syntax SAS Untuk Model VARI-X
data outflow; AR(12,2,2)=0, AR(12,2,3)=0, AR(12,2,4)=0, AR(12,2,5)=0, AR(1,3,1)=0, AR(1,3,2)=0, AR(1,3,4)=0, AR(2,3,1)=0, AR(2,3,2)=0, AR(2,3,3)=0, AR(2,3,4)=0, AR(5,3,1)=0, AR(5,3,2)=0, AR(5,3,3)=0, AR(5,3,4)=0, AR(5,3,5)=0, AR(12,3,2)=0, AR(12,3,3)=0, AR(12,3,4)=0, AR(12,3,5)=0, AR(1,4,1)=0, AR(1,4,2)=0, AR(1,4,5)=0, AR(2,4,1)=0, AR(2,4,2)=0, AR(2,4,3)=0, AR(2,4,5)=0, AR(5,4,1)=0, AR(5,4,2)=0, AR(5,4,3)=0, AR(5,4,4)=0, AR(5,4,5)=0, AR(12,4,2)=0, AR(12,4,3)=0, AR(12,4,4)=0, AR(12,4,5)=0, AR(1,5,1)=0, AR(1,5,2)=0, AR(1,5,4)=0, AR(2,5,1)=0, AR(2,5,2)=0, AR(2,5,3)=0,
124 LAMPIRAN K (LANJUTAN)
c. Syntax SAS ADF Non-Seasonal data outflow;
input z1t z2t z3t z4t z5t;
datalines;
12.20816146 12.43358663 8.780172651 8.880585523 8.676843861 12.9520096 12.7917738 9.954093211 10.00951285 9.414504957
⋮
14.46825092 14.04120027 10.43534211 10.28420905 10.12449963
;
proc arima data=outflow;
identify var=z1t stationarity=(adf=(1));
run;
d. Syntax SAS ADF Seasonal data outflow;
input z1t z2t z3t z4t z5t;
datalines;
12.20816146 12.43358663 8.780172651 8.880585523 8.676843861 12.9520096 12.7917738 9.954093211 10.00951285 9.414504957
⋮
14.46825092 14.04120027 10.43534211 10.28420905 10.12449963
;
data outflow1;
set outflow;
dz5t=dif1(z5t);
run;
proc arima data=outflow1;
identify var=dz5t stationarity=(adf=(1) dlag=12);
run;
e. Syntax R Untuk Uji Normal Multivariat library(mvShapiroTest)
data=read.table(“D:/resivarix.txt”,header=F) X=as.matrix(data,ncol=120)
mvShapiro.Test(X)
125
BIODATA PENULIS
Lahir di Mojokerto 20 Januari 1992, Renny Elfira Wulansari mulai tertarik dalam analisis time series / peramalan ketika menjalani kerja praktek di Bank Indonesia Jakarta saat menjalani perkuliahan program Sarjana di Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya, dengan NRP 1310 100 022 melalui jalur PMDK.
Pada tahun 2014, penulis menyelesaikan tugas akhirnya mengenai peramalan netflow uang kartal Bank Indonesia melanjutkan hasil dari kerja prakteknya. Berdasarkan topik yang sama pula, penulis pernah mendapatkan penghargaan setara perunggu pada Pekan Ilmiah Mahasiswa Nasional (PIMNAS) XXVII di Semarang tahun 2014. Selama perkuliahan, penulis juga aktif sebagai pengurus Himpunan Statistika ITS 2011-2013 dengan jabatan terakhir sebagai Sekretaris Departemen Dalam Negeri, dan menjadi anggota Teater Tiyang Alit ITS. Setelah mendapatkan gelar Sarjana, penulis melanjutkan studi program Magister di Jurusan Statistika ITS dengan NRP 1314 201 032 melalui program beasiswa BPPDN Fresh Graduate dari Kementerian Pendidikan dan Kebudayaan Direktorat Jenderal Pendidikan Tinggi Republik Indonesia.
Penulis dapat dihubungi melalui email: [email protected].
126
(Halaman Ini Sengaja Dikosongkan)