Algoritma Genetika Untuk Identifikasi Dan Estimasi Parameter Model Self-Exciting Threshold Autoregressive

Nurhidayati, Maulida (2015) Algoritma Genetika Untuk Identifikasi Dan Estimasi Parameter Model Self-Exciting Threshold Autoregressive. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
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 View Item