Ni’matuzzahroh, Ludia (2018) Pemodelan Dan Peramalan Jaringan Syaraf Tiruan Dengan Peubah Input Arima Dan Garch. Sarjana thesis, Universitas Brawijaya.
Abstract
Peramalan merupakan unsur penting dan diperlukan dalam pengambilan suatu keputusan. Terdapat beberapa metode statistika yang dikembangkan untuk meramalkan data deret waktu, diantaranya metode ARIMA Box-Jenkins dan GARCH. Kedua metode tersebut memang baik untuk peramalan, namun masih memiliki kelemahan. Kemudian untuk mengatasi kelemahan tersebut dapat digunakan pendekatan lain, yaitu dengan menggunakan metode Jaringan Syaraf Tiruan (JST). Metode JST ini dapat mengatasi permasalahan yang ada pada metode ARIMA Box-Jenkins maupun GARCH, di mana metode JST mempunyai kemampuan dalam memodelkan data deret waktu yang bersifat non linier. Namun tidak terdapat aturan dalam menentukan peubah input. Pada penelitian ini, peubah input yang digunakan pada pemodelan Neuro-ARIMA berupa variabel lag dan residual (sisaan) yang diperoleh dari identifikasi model ARIMA, sedangkan pada pemodelan Neuro-GARCH peubah input yang digunakan berupa kuadrat sisaan dan ragam sisaan yang diperoleh dari identifikasi model GARCH. Pada penelitian ini diharapkan model Neuro-ARIMA dan model Neuro-GARCH mampu memodelkan data deret waktu dengan baik. Model yang dipilih sebagai model terbaik adalah model yang memiliki nilai MSE testing terkecil dan R2 testing terbesar. Tujuan penelitian ini adalah untuk memodelkan data deret waktu dengan model Neuro-ARIMA dan model Neuro-GARCH, dan untuk mengetahui kinerja model Neuro-ARIMA dan model NeuroGARCH dalam meramalkan data deret waktu. Model Neuro-ARIMA terbaik adalah model Neuro-ARIMA([16],0,[1][16]) dengan jumlah unit lapisan (4-15-1) dengan MSE sebesar 0.052 dan R2 sebesar 0.360, sedangkan model Neuro-GARCH terbaik adalah model NeuroGARCH(1,1) dengan jumlah unit lapisan (3-5-1) untuk data return, dengan MSE sebesar 0.007 dan R2 sebesar 0.982. Sedangkan untuk data volatilitas diperoleh model Neuro-GARCH(1,1) dengan jumlah unit lapisan (2-5-1), dengan MSE sebesar 0.014 dan R2 sebesar 0.861
English Abstract
Forecasting is an important element in making a decision. There are several statistical methods developed to forecast time series data, including ARIMA Box-Jenkins and GARCH methods. Both methods are good for forecasting, but still have weaknesses. Then to overcome these weaknesses, can be used another approach, using the ANN method. This ANN method can overcome the problems that exist in ARIMA Box-Jenkins and GARCH method, the method of ANN has the ability to model time series data that is non-linear. But there is no provision in determining the input and the number of units in the input layer. In this study, in Neuro-ARIMA model using input variables in the form of lag and residual variable obtained from ARIMA model identification, and in Neuro-GARCH model using input variables in the form of squared equals and the remaining variances obtained from the identification of GARCH model. In this study Neuro-ARIMA model and Neuro-GARCH model capable of modeling time series data. The model chosen as the best model is the model that has the smallest MSE value and the largest R2. The purpose of this research is to model time series data with NeuroARIMA model and Neuro-GARCH model, and to know NeuroARIMA model and Neuro-GARCH model performance in predicting time series data. The best Neuro-ARIMA model is NeuroARIMA([16],0,[1][16]) model with the number of layer units (4-15- 1) with MSE 0.052 dan R2 0.360, and the best Neuro-GARCH model is Neuro-GARCH(1,1) model with the number of layer units (3-5-1) for the return data, with the MSE of 0.007 and R2 0.982. As for the volatility data obtained Neuro-GARCH(1,1) model with the number of layer units (2-5-1), with MSE of 0.014 dan R2 0.861
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2018/245/051807004 |
| Uncontrolled Keywords: | Peramalan, Neuro-ARIMA, Neuro-GARCH, Forecasting, Neuro-ARIMA, Neuro-GARCH |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.32 Neural nets (neural networks) |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Nur Cholis |
| Date Deposited: | 22 Jun 2020 07:33 |
| Last Modified: | 22 Oct 2021 07:21 |
| URI: | http://repository.ub.ac.id/id/eprint/168534 |
Preview |
Text
LUDIA NI’MATUZZAHROH.pdf Download (1MB) | Preview |
Actions (login required)
 |
View Item |