Nurhidayati, Maulida (2015) Algoritma Genetika Untuk Identifikasi Dan Estimasi Parameter Model Self-Exciting Threshold Autoregressive. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1313201017-Master-Thesis.pdf Download (3MB) | Preview |
Abstract
Model Self Exciting Threshold Autoregressive (SETAR) adalah model deret waktu
yang dapat diterapkan pada data yang mengikuti model nonlinier. Model SETAR
mempartisi data menjadi beberapa regime dengan masing-masing regime
mengikuti suatu model autoregressive (AR). Pada model SETAR terdapat masalah
dalam identifikasi model. Metode yang selama ini digunakan yaitu metode Grid
Search (GS) tidak dapat memberikan hasil yang tepat pada saat model yang
diidentifikasi merupakan suatu model subset SETAR. Berdasarkan hal tersebut,
pada penelitian ini digunakan Algoritma Genetika (GA) yang merupakan suatu
teknik pencarian berorientasi target yang diterapkan pada proses optimasi untuk
mencari solusi optimum global. Hasil analisis yang diperoleh dari data simulasi
menunjukkan bahwa metode GA memberikan hasil identifikasi model subset
SETAR lebih baik dibandingkan dengan metode GS. Untuk data simulasi model
SETAR yang bukan subset, metode GA dan GS memberikan hasil identifikasi yang
sama. Hasil estimasi yang dilakukan dengan menggunakan metode GA pada data
simulasi memberikan hasil parameter yang sama dengan metode GS. Hasil model
terbaik pada data return saham BBTN dan WIKA dengan menggunakan metode
GA memberikan hasil AIC yang lebih kecil dibandingan metode GS subset pada
data in sample. Untuk peramalan data out sample, metode GA memberikan hasil
MSE paling kecil dibandingkan metode GS subset.
======================================================================================================
Self Exciting Threshold Autoregressive ( SETAR ) Model is a time series model
that can be applied to data that follows the nonlinear model. SETAR model divides
the data into several regime in which each regime follows a model of autoregressive
( AR ). There is a problem In the SETAR model,especially in model identification.
The recently used method,Grid Search (GS ) method, can not give proper results
when the identified model is a subset SETAR model. Accordingly, this study used
Genetic Algorithm ( GA ), which is a target oriented
search techniques applied to
the optimization process to find a global optimum solution. The analysis of the data
simulation indicated that the GA method gives subset SETAR model identification
result better than the GS method. For nonsubset
Setar model simulation data, GA
and GS methods give the same identification results. The estimation results which
were done using GA on data simulation gives the same parameter result to the GS
method. The result of best model on the stock return data of BBTN and WIKA
using the GA method gives smaller AIC results compared with GS method on a
subset of the data in the sample. For forecasting the out of sample data , GA method
gives smaller MSE results than the GS subset method
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.55 Nur a |
| Uncontrolled Keywords: | Nonlinear, SETAR, Grid Search, Genetics Algorithm, Stock Return |
| Subjects: | H Social Sciences > HA Statistics > HA30.3 Time-series analysis |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49201-(S1) Undergraduate Thesis |
| Depositing User: | Mr. Marsudiyana - |
| Date Deposited: | 06 Dec 2019 07:06 |
| Last Modified: | 06 Dec 2019 07:06 |
| URI: | http://repository.its.ac.id/id/eprint/72256 |
Actions (login required)
 |
View Item |