STUDI SIMULASI PERAMALAN LANGSUNG DAN
TIDAK LANGSUNG DENGAN ARIMA DAN TAR : STUDI
KASUS NILAI TUKAR PETANI
Oleh :
Adityawati Nurul Komara
NRP: 1310201711
Dosen Pembimbing:
1.Dr. rer. Pol. Heri Kuswanto, M.Si
2. Dr. Suhartono, S.Si, M.Sc.
Jurusan Statistika, FMIPA, ITS
OUTLINE
PENDAHULUAN
METODOLOGI
TINJAUAN PUSTAKA
KESIMPULAN DAN SARAN
HASIL PENGOLAHAN NTP
HASIL STUDI SIMULASI
Peramalan Langsung dan Tidak Langsung
1. Metode Tidak Langsung
Memodelkan Komponen
Penyusunnya
Meramalkan Nilai Hasil
dari Nilai Peramalan
Komponen Penyusunnya :
H= N/D X 100
2.
Metode Langsung :
Meramalkan Nilai Hasil dari seriesnya dimasa lalu
11/01/2012
Seminar Hasil Thesis
3
LATAR BELAKANG
Meramalkan
Nominator (N)
Denominator(D)
Meramalkan
Meramalkan Hasil
(H)
Latar Belakang Pentingnya Sektor Pertanian
•
Sektor pertanian merupakan sektor penyumbang
Produk Domestik Bruto (PDB) terbesar kedua setelah
sektor industri pengolahan.
•
Sektor pertanian menyerap tenaga kerja terbesar
dibandingkan sektor lainnya.
•
Siregar (2007) : pertumbuhan sektor pertanian
mempunyai pengaruh yang signifikan untuk
mengurangi jumlah kemiskinan. Hal ini disebabkan
oleh persebaran penduduk miskin terutama berada di
daerah perdesaan dengan pertanian sebagai mata
pencarian utama
11/01/2012
Seminar Hasil Thesis
4
Latar Belakang Pentingnya Nilai Tukar Petani(NTP):
•
NTP merupakan salah satu indikator untuk melihat kesejahteraan
petani.
•
NTP merupakan hasil pembagian indeks yang diterima petani (It)
dengan indeks yang dibayar petani (Ib) dikali 100
•
Nilai tukar petani berguna untuk mengukur kemampuan tukar produk
yang dijual petani dengan produk yang dibutuhkan petani dalam
memproduksi.
•
Indikator - indikator utama pembangunan diantaranya adalah Indeks
Pembangunan Manusia (IPM), Indeks Pembangunan Gender (IPG),
Indeks Pemberdayaan Gender (IDG), Indeks Gini, Indeks Williamson,
Pertumbuhan Ekonomi, Tingkat Inflasi, Nilai Tukar Petani, Persentase
Penduduk Miskin dan Persentase Penganggur (Bapedda Jawa Tengah,
2008).
•
Indikator tersebut dikaji dalam periode masa lalu, sekarang dan masa
depan untuk melihat keberhasilan dan merencanakan pembangunan.
11/01/2012
Seminar Hasil Thesis
5
11/01/2012
Seminar Hasil Thesis
6
Perumusan Masalah :
1. Bagaimana melakukan simulasi peramalan NTP
dari data NTP itu sendiri maupun melalui It dan
Ib?
2. Bagaimana hasil peramalan NTP jika diramalkan
dengan NTP itu sendiri?
3. Bagaimana hasil peramalan NTP jika diramalkan
dengan It dan Ib?
Tujuan Penelitian :
1. Menyusun suatu generalisasi prosedur peramalan
NTP
2. Mendapatkan hasil peramalan NTP jika
diramalkan dengan NTP itu sendiri.
3. Mendapatkan hasil peramalan NTP jika
diramalkan dengan It dan Ib.
11/01/2012
Seminar Hasil Thesis
7
Manfaat Penelitian :
1. Menambah wawasan keilmuan mengenai analisa
deret waktu khususnya ARIMA dan TAR untuk
meramalkan model NTP dan dapat
dikembangkan untuk data-data BPS yang
bersifat deret waktu.
2. Sebagai bahan pertimbangan untuk menentukan
kebijakan yang diambil dalam meningkatkan
pembangunan disektor pertanian.
3. Dapat digunakan untuk penelitian lain yang
memiliki bentuk yang sama.
Batasan Penelitian:
Batasan dari penelitian ini adalah menerapkan
analisis deret waktu univariate. Model SETAR
yang dibangkitkan dibatasi pada dua regime.
11/01/2012
Seminar Hasil Thesis
8
Formula ARIMA dan TAR
Formula ARIMA (p,d,q) :
(2.1)
dengan
adalah operator AR
dan
adalah operator MA
Model Umum TAR :
(2.2)
dimana j = 1, ... , k , dan d adalah parameter delay, dan
adalah rangkaian distribusi random noise yang identik dan
independen dengan rata-rata 0 dan varian
.
(2.3)
11/01/2012
Seminar Hasil Thesis
9
Tinjauan Pustaka
Likelihood Ratio Test
Model TAR :
(2.3)
+ = … = = 0 +11/01/2012
Seminar Hasil Thesis
10
TINJAUAN PUSTAKA
Nilai Tukar Petani (NTP)
Perhitungan NTP adalah dengan menggunakan formula
sebagai berikut :
(2.4)
dimana:
NTP = Nilai Tukar Petani
It = Indeks harga yang diterima petani
Ib = Indeks harga yang dibayar petani
11/01/2012
Seminar Hasil Thesis
11
Metodologi Penelitian
Sumber Data
•
Data yang digunakan adalah data series bulanan Nilai Tukar Petani
(NTP), indeks harga yang diterima (It) dan indeks harga yang dibayar (Ib)
dari bulan Januari 2008 sampai bulan Agustus 2011.
•
Data bulan Januari 2008- April 2011 sebagai data in sample.
•
Data bulan Mei 2011 – bulan Agustus 2011 sebagai data out sample.
Alat Analisis yang Digunakan
Alat analisis yang digunakan dalam penelitian ini
adalah paket program komputer dengan software
statistik R dan Minitab.
11/01/2012
Seminar Hasil Thesis
12
Metodologi Penelitian
Variabel yang Digunakan:
NTP , It dan Ib sektor pertanian dan 5
subsektor penyusunnya:
1. Sektor Pertanian
2. Subsektor Tanaman Pangan
3. Subsektor Hortikultura
4. Subsektor Tanaman Perkebunan Rakyat
5. Subsektor Peternakan
Model linier?
Estimasi nilai parameter
dengan ARIMA
Apakah residual
iid?
ya
tidak
Estimasi nilai parameter dengan
TAR
Apakah residual
iid?
Membandingkan model H dengan cara langsung dan
dengan cara tidak langsung
ya ya
tidak
tidak
Interpretasi Model
mulai
Simulasi membangkitkan N dan D
11/01/2012
Seminar Hasil Thesis
13
Simulasi Peramalan Langsung dan
Tidak Langsung
mulai
Model linier?
Estimasi nilai parameter
dengan ARIMA
Apakah residual
iid?
ya
tidak
Estimasi nilai parameter dengan
TAR
Apakah residual
iid?
Interpretasi Model
ya yatidak
tidak
11/01/2012
Seminar Hasil Thesis
14
Peramalan NTP dengan Cara Langsung
mulai
Model linier?
Estimasi nilai parameter
dengan ARIMA
Apakah residual
iid?
ya
tidak
Estimasi nilai parameter dengan
TAR
Apakah residual
iid?
Membandingkan model NTP dengan metode
langsung dan dengan metode tak langsung
yaya
tidak
tidak
Peramalan NTP dengan Metode Tak Langsung
Metodologi Penelitian
11/01/2012
Seminar Hasil Thesis
16
Hasil Studi Simulasi
Data Stasioner:
11/01/2012
Seminar Hasil Thesis
17
Hasil Studi Simulasi
Data Non Stasioner
Gambar 4.1.6 Membangkitkan
ARIMA(1,1,0) dengan
Gambar 4.1.6 Membangkitkan ARIMA(1,1,0)
dengan
11/01/2012
Seminar Hasil Thesis
18
Hasil Studi Simulasi
Data Non Linier
Gambar 4.1.21. Model SETAR(2,1,1),
Model 2 Sampel Kecil
Gambar 4.1.22. Model SETAR(2,1,1),
Model 3 Sampel Kecil
100 90 80 70 60 50 40 30 20 10 1 104 103 102 101 100 99 98 97 96 95 Bulan In de ks 90 Nominator Denominator Hasil Nom_r Denom_r Variable
A. Plot Nominator, Denominator, dan Hasil
Simulasi
dengan seriesnya sendiri
Hasil Pemodelan H
Keterangan
[1]
[2]
[3]
1. Membangkitkan N dan D mengikuti
model AR(1)
Sebagian besar mengikuti
model AR(1)
Sebagian besar bagus
dengan diri sendiri (5)
2. Membangkitkan N dan D mengikuti
model ARI(1,1)
Sebagian besar mengikuti
model ARI(1,1) dan
IMA(1,1)
Sebagian besar bagus
dengan diri sendiri (3)
3. Membangkitkan N dan D mengikuti
model MA(1)
Sebagian besar mengikuti
model MA(1)
Pemodelan dengan diri
sendiri dan komponen
penyusunnya sama
bagusnya (3)
4. Membangkitkan N dan D mengikuti
model IMA(1,1)
Sebagian besar mengikuti
model IMA(1,1)
Sebagian besar bagus
dengan diri sendiri (4)
5. Membangkitkan N mengikuti ARI(1,1)
dan D mengikuti IMA(1,1)
Membentuk RW,
ARI(1,1), ARMA(2,2),
IMA(1,1), ARIMA(2,1,3)
dan SETAR(2,1,1)
Sebagian besar bagus
dengan diri sendiri (4)
11/01/2012 Seminar Hasil Thesis 19
Hasil Studi Simulasi
Simulasi
dengan seriesnya sendiri
Hasil Pemodelan H
Keterangan
[1]
[2]
[3]
6. Membangkitkan N mengikuti IMA(1,1)
dan D mengikuti ARI(1,1)
Sebagian besar
membentuk IMA(1,1)
dan SETAR(2,1,1)
Pemodelan dengan diri
sendiri dan komponen
penyusunnya sama
bagusnya(3)
7. Membangkitkan N mengikuti
ARIMA(1,1,1) dan D mengikuti
ARIMA(1,1,1)
Sebagian besar
membentuk
ARIMA(p,1,q) dan
ARI(p,1)
Sebagian besar bagus
dengan diri sendiri (4)
8. Membangkitkan N mengikuti
ARIMA(1,1,0) dan D mengikuti
SETAR(2,1,1)
Sebagian besar
membentuk random
walk(0,1,0)
Seluruhnya bagus dengan
komponen penyusunnya (6)
9. Membangkitkan N mengikuti
SETAR(2,1,0) dan D mengikuti
SETAR(2,1,1)
Sebagian besar
membentuk SETAR(2,1,1)
Sebagian besar bagus
dengan diri sendiri(3)
11/01/2012 Seminar Hasil Thesis 20
Hasil Studi Simulasi
11/01/2012
Seminar Hasil Thesis
21
Hasil Pengolahan NTP
Year Month 2011 2010 20092008Jan Jul Jan Jul Jan Jul Jan Jul 150 140 130 120 110 100 Ni la i I nd ek s It_Pertanian It_T. Pangan It_Horti It_TPR It_Ternak It_Perikanan Variable
Gambar 4.2.1. Indeks Harga yang Diterima Petani (It) di Sektor Pertanian
11/01/2012
Seminar Hasil Thesis
22
Hasil Pengolahan NTP
11/01/2012
Seminar Hasil Thesis
23
Hasil Pengolahan NTP
Tehnik Peramalan
TAR
ARIM
A
TAR
ARIMA
[1]
[2]
[3]
[4]
[5]
1. Peramalan dengan
Komponen Penyusunnya
0,25113
0,8976
18,11404
1,11702
1. Peramalan dengan series
masa lalunya
0,40000
1,0044
8,66656
2,8288
Tehnik Peramalan
TAR
ARIMA
TAR
ARIMA
[1]
[2]
[3]
[4]
[5]
1. Peramalan dengan
Komponen Penyusunnya
0,27225
0,3924
1,39627
0,1194
2. Peramalan dengan
series masa lalunya
0,07503
0,3281
0,74576
0,8798
11/01/2012 Seminar Hasil Thesis 24
Hasil Pengolahan NTP dengan SETAR
Tabel 4.2.1 Perbandingan Kebaikan Model Berdasarkan Kriteria
MSE Sektor Pertanian
Tabel 4.2.2 Perbandingan Kebaikan Model Berdasarkan
Kriteria MSE Subsektor Tanaman Pangan
Tehnik Peramalan
TAR
ARIM
A
TAR
ARIMA
[1]
[2]
[3]
[4]
[5]
1. Peramalan dengan
Komponen Penyusunnya
0,61778
4,3296
6,53301
55,6174
1. Peramalan dengan series
masa lalunya
0,83341
3,4929
2,57714
2,0553
Tehnik Peramalan
TAR
ARIMA
TAR
ARIMA
[1]
[2]
[3]
[4]
[5]
1. Peramalan dengan
Komponen Penyusunnya
1,15808
2,1648
0,47645
5,0592
2. Peramalan dengan
series masa lalunya
1,59678
2,1017
1,48065
0,9234
11/01/2012 Seminar Hasil Thesis 25
Hasil Pengolahan NTP dengan SETAR
Tabel 4.2.3 Perbandingan Kebaikan Model Berdasarkan Kriteria
MSE Subsektor Hortikultura
Tabel 4.2.4 Perbandingan Kebaikan Model Berdasarkan
Kriteria MSE Subsektor TPR
Tehnik Peramalan
TAR
ARIM
A
TAR
ARIMA
[1]
[2]
[3]
[4]
[5]
1. Peramalan dengan
Komponen Penyusunnya
0,16576
0,4108
0,08252
0,0132
1. Peramalan dengan series
masa lalunya
0,55073
0,3215
0,46615
0,0314
Tehnik Peramalan
TAR
ARIMA
TAR
ARIMA
[1]
[2]
[3]
[4]
[5]
1. Peramalan dengan
Komponen Penyusunnya
0,38847
0,3769
0,19391
0,1022
2. Peramalan dengan
series masa lalunya
0,62240
0,4140
0,18738
0,0928
11/01/2012 Seminar Hasil Thesis 26
Hasil Pengolahan NTP dengan SETAR
Tabel 4.2.5 Perbandingan Kebaikan Model Berdasarkan Kriteria
MSE Subsektor Peternakan
Tabel 4.2.6 Perbandingan Kebaikan Model Berdasarkan
Kriteria MSE Subsektor Perikanan
11/01/2012
Seminar Hasil Thesis
27
Kesimpulan dan Saran
Kesimpulan :
1. Studi simulasi memodelkan H dengan komponen penyusunnya
yaitu N dan D dan dengan data deret waktu H itu sendiri dapat
diambil kesimpulan sebagai berikut:
a. Dalam simulasi membangkitkan model dan diperoleh
sebagian besar pemodelan lebih baik dilakukan dengan
seriesnya dimasa lalu. Akan tetapi perbedaannya tidak terlalu
besar, sehingga baik peramalan dengan komponen
penyusunnya maupun secara langsung sangat perlu dilakukan.
b. Pembangkitan model dan model dengan mean reverting, akan
mendapatkan H yang memiliki sifat mean reverting juga.
Sedangkan jika dibangkitkan dan yang persistance, akan
didapat yang persistance juga.
c. Model sebagian besar akan mengikuti bentuk model . Akan
tetapi sangat tergantung dengan model sebagai
denominatornya. Jika tidak terlalu berfluktuasi, maka akan
mengikuti model , tetapi jika sangat berfluktuasi dan tidak
sepola dengan , maka yang merupakan hasil pembagian
dengan akan sangat berfluktuasi sangat tinggi.
11/01/2012
Seminar Hasil Thesis
28
Kesimpulan dan Saran
2.
Penerapan pemodelan langsung dan tidak langsung terhadap
data NTP dengan menggunakan ARIMA dan SETAR(2,1,1) :
a. Sebagian besar model , dan dapat dibentuk model
SETAR(2,1,1).
b. Hasil uji nonlinieritas tidak selalu memberikan masukan
yang tepat dalam mendapatkan model yang optimum. Dari
data didapatkan bahwa series data yang diduga awal
adalah nonlinier, ketika dilakukan pemodelan dengan
model nonlinier SETAR, tidak semua model menghasilkan
peramalan yang lebih baik dari peramalan dengan model
linier ARIMA.
c. Dari enam pemodelan Nasional dengan SETAR, sebagian
besar model terbaik adalah dengan memodelkan
menggunakan seriesnya sendiri. Sedangkan dari enam
pemodelan
NTP
menggunakan ARIMA mendapatkan hasil
yang sama bagus, dimana tiga model NTP
bagus
diramalkan dengan komponen penyusunnya, tiga
NTP
lainnya bagus diramalkan dengan seriesnya sendiri.
11/01/2012
Seminar Hasil Thesis
29
Kesimpulan dan Saran
Saran :
a) Untuk memperluas pembelajaran, penelitian ini dapat dilakukan
pada kasus yang berbeda dan memiliki struktur yang sama yaitu
dimodelkan dengan series dirinya sendiri dan komponen
penyusunnya.
b) Untuk memperdalam kajian penelitian, dapat dilakukukan simulasi
menggunakan ARIMA dan SETAR dengan order lebih dari satu
c) Melakukan uji deteksi outlier untuk model dengan seriesnya sendiri
yang berfluktuasi sangat tinggi.
d) Untuk memperdalam keandalan sintak (perintah program) ARIMA
yang dibuat, dapat dibuat sintak untuk pemodelan dengan order
parameter yang tidak berurutan.
11/01/2012
Seminar Hasil Thesis
30
ABARES. (March quarter 2011). Australian Comodities. Australian Bureau of Agricultural andResource Economic and Sciences. Abeysinghe, T., & Rajaguru, G. (2004). Quarterly Real GDP Estimates for China and ASEAN4 with a Forecast Evaluation. Journal of
Forecasting , 431-447.
Arranz, M. A. (2005). Portmanteau Test Statistics in Time Series. Time Oriented Language .
Bank Indonesia. (2007). Kajian Ekonomi Regional Provinsi Nusa Tenggara Timur Triwulan II - 2007. Diambil kembali dari www.bi.go.id. BAPPEDA-JATENG. (2008). RANCANGAN PERATURAN DAERAH TENTANG RENCANA PEMBANGUNAN JANGKA MENENGAH DAERAH
2008-2013. Diambil kembali dari http://bappedajateng.info.
BAPPENAS. (2010). Kajian Evaluasi Revitalisasi Pertanian dalam Rangka Peningkatan Kesejahteraan Petani. Direktorat Evaluasi Kinerja Pembangunan Sektoral Badan Perencanaan Pembangunan Nasional (BAPPENAS).
BPS. (2011). Laporan Bulanan Data Sosial Ekonomi . Jakarta: BPS.
Bowerman, B. L., O'Connell, R. T., & Koehler, A. B. (2005). Forecasting, Time Series,and Regression. Belmont, CA: Thomson. Box, G. E., & Jenkins, g. W. (1976). Time Series Analysis forecasting and control. California: Holden Day Inc.
BPS. (2011). Pedoman Pengolahan Nilai Tukar Petani. Jakarta: Badan Pusat Statistik.
Buss, G. (2009). Comparing Forecast of Latvia's GDP Using Simple Seasonal ARIMA Models and Direct Versus Indirect Approach. Munich Personal RePEc Archive .
Cainelli, G., & Lupi, C. (1999). The Choice of The Aggregation Level in The Estimation of Quarterly NationalAccounts. Review of Income and Wealth, 45 , 483-492.
Carber, B., & Pavia, J. M. (1999). Estimating J(>1) Quarterly Time Series in fulfilling Annualand Quarterly Constraints. International Advances in Economic Research, 5 , 339-349.
Chan, K. (1990). Testing for Threshold Autoregression. The Annals of Statistic , 1886-1894.
Chan, W.-S., Wong, A. C., & Tong, H. (2005). Some Nonlinear Threshold Autoregressive Time Series Models for Actuaria Use. North American Actuaria Journal , 37-61.
Chow, G. C., & Lin, A.-l. (1971). Best Linear Unbiased Interpolation, Distribution, and Extrapolation of Time Series by Related Series. The Review of Economics and Statistics , 53, 372-375.
11/01/2012
Seminar Hasil Thesis
32
Daftar Pustaka
Clements, M. P., & Smith, J. (1999). A Monte Carlo study of the forecasting of performance of empirical SETAR models. Journal of Applied Econometrics 14 , 123-141.
Cryer, J. D., & Sik Chan, K. (2008). Time Series Analysis With Applications in R. Iowa, USA: Springer.
Di Fonzo, T. (2003). Temporal Disaggregation of Economic Time Series : Towards a dynamic Extension. Luxembourg, Office for Official Publications of the European Communities.
Fernandez, R. B. (1981). A Methodological Note on The Estimation of Time Series. 471-476: Review of Economic and Statistics, 63.
Friedman, M. (1962). The Interpolation of Time Series by Related Series. Journal of the American Statistical Association, 57 , 729-757.
Gath, C. M., McElroy, R., Strckland, R., Traub, L., Covey, T., Short, S. D., et al. (2009, February). Forecasting Farm Income Documenting USDA's Forecast Model. Economic Research Service TB- 1924 .
Greasley, D., & Oxley, L. (2000). British Industrialization, 1815-1860 : A Disaggregate Time-Series Perspective. Exploration in Economic History ,37 , 98-119.
Gudmundsson, G. (2005). Some time series considerations in disaggregation . Luxembourg, Office for Official Publications of the Europen Communities.
Gujarati, D. N. (2004). Basic Econometrics, Fourth Edition. The McGraw-Hill Companies. Hamilton, J. D. (1994). Time Series Analysis. New Jersey: Princeton University Press.
Hansen, B. E. (1997). Inference in TAR Models. Studies in Nonlinear Dynamics and Econometrics , 1-23.
Hendayana, R. (2001). Analisis Faktor-faktor yang Mempengaruhi Nilai Tukar Petani. Seminar Nasional Penelitian dan
Pengembangan Agribisnis Berbasis Sumberdaya Lokal dan Teknologi Ramah Lingkungan di Balai Pengkajian Taknologi Pertanian. Manado.
Hossain, A. A. (2008). The Agricultural and The External (Net Barter) Terms of Trade in Bangladesh : Trends, Movements and Relationships, 1952-2006. Review of Applied Economics, Vol.4, No. 1-2. , 19-33.
Hyndman, R. J., & Khandakar, Y. (July 2008, Volume 27, Issue 3.). Automatic Time Series Forecasting: The forecast Package for R. Journal of Statistical Software , 1-22.
11/01/2012
Seminar Hasil Thesis
33
Indraningsih, K. S., Supriyati, & Rachmat, M. (2003). Analisis Nilai Tukar Petani dan Nilai Tukar Komoditas. SOCA, Volume 3 Nomor 2 , 188-198.
Kuswanto, Heri, & Sibbertsen, P. (2008). A Study on " Spurious Long Memory in Nonlinear Time Series Models. Applied Mathematical Sciences, Volume 2 Nomor 55, 2713-2734
Kuswanto, Heri (2010). Initial Test and Optimum Model : a Problem of Misleading Result in Real Exchange Rate Behaviour. Journal of Applied Sciences Research, 6(4), 291-298.
Lin, Jin-Lung; Liu, Tian-Syh. (2002). Modeling Lunar Calendar Holiday Effects in Taiwan. U.S. Cencus Bureau.
Makridakis, S., Wheelwright, S. C., & Mc.Gee, V. E. (1999). Metode dan Aplikasi Peramalan Edisi Kedua. Jakarta: Erlangga. Mathews, L. (2011, March 21). Outlook for Australian Agriculture- The Five Year Plan. Globl Markets Research,
Commodities:Agri Updates .
Meyler, Aidan, Kenny, Quinn, G. a., & Terry. (1998). Forecasting Irish Inflation Using ARIMA Models. Mnich Personal RePEc Archive .
Nieto, F. H. (2008). Forecasting with univariate TAR models. Statistical Methodology, Volume 5 , 263-276. Nilai Tukar Petani. (2011). Diambil kembali dari www.bps.go.id.
Proietti, T. (28 March 2003). Forecasting The US Unemployment Rate. Computational Statistics & Data Analysis, Volume 42, Issue 3 , 451-476.
Schwert, G. W. (1987). Effects of Model Specification on Test for Unit Roots in Macroeconomic Data. Journal of Monetary Economic , 73-103.
Shamsnia, S. A., Liaghat, N. S., Sarraf, A., & Vahdat, S. F. (2011). Modeling of Weather Parameters Using Stochastic Methods (RIMA Model) (Case Study : Abadeh Region Iran). International Converence on Environment and Industrial
Innovation. Singapore: IACSIT Press.
11/01/2012
Seminar Hasil Thesis
34
Shen, C.-H. (1996). Forecasting Macroeconomic Variables Using Data of Different Periodicities. International Journal of Forecasting , 869-282.
Shuja', N., Lazim, M. A., & Wah, Y. B. (2007). Moving Holiday Effects Adjustment for Malaysian Economic Time Series. Department of Statistics Malaysia .
Siregar, H. (2004). Changes in Farmer Terms of Trade and Agricultural Net-Barter Terms of Trade : An Empirical Analysis. Jurnal Manajemen & Agribinis, Vol.1 No.1 , 1-19.
Siregar, H. (2007). Dampak Pertumbuhan Ekonomi Terhadap Penurunan Jumlah Penduduk Miskin. Seminar Nasional "Meningkatkan Peran Sektor Pertanian Dalam Penanggulangan Kemiskinan". Departemen Pertanian.
Supriyati. (2004). Analisis Nilai Tukar Komoditas Pertanian (Kasus Komoditas Kentang). ICASERD Working Paper No.49 . Tong, H. (1990). Non-Linear Time Series A Dynamical System Approach. New York: Clarendon Press Oxford.
Tsay, R. S. (2005). Analysis of Financial Time Series. John Wiley Sons.
Tsay, R. S. (1989). Testing and Modeling Threshold Autoregressive Processes. Journal of The American Statistical Association, Vol.84, No. 405 , 231-240.