PROPOSAL

PENELITIAN LABORATORIUM

DANA LOKAL ITS TAHUN 2020

Pengembangan Model Peramalan Dengan Pendekatan

Deep Learning Neural Network

Tim Peneliti :

Brodjol Sutijo S.U. (Statistika Bisnis/F. Vokasi)

Mutiah Salamah Chamid (Statistika Bisnis/F. Vokasi)

Dwi Endah Kusrini (Statistika Bisnis/F. Vokasi)

Nur Azizah (Statistika Bisnis/F. Vokasi)

LEMBAGA PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

2020

ii

DAFTAR ISI

HALAMAN SAMPUL i

DAFTAR ISI ii

DAFTAR TABEL iii

DAFTAR GAMBAR iv

BAB I. RINGKASAN 1

BAB II PENDAHULUAN 2

2.1 Latar Belakang 2

2.2 Permasalahan 6

2.3 Tujuan dan Manfaat 6

2.4 Batasan Penelitian 7

2.5 Relevansi 7

2.6 Target Luaran 8

BAB III. TINJAUAN PUSTAKA 9

3.1 Model Time Series 9

3.2 Model Neural Network 10

3.3 Deep Learning Neural Network 12

3.4. Algoritma Back Propagation 13

BAB IV. METODOLOGI 15

4.1. Sumber Data dan Variabel Penelitian 15

4.2. Langkah Analisis 15

BAB V. JADWAL DAN RANCANGAN ANGGARAN BIAYA 18

BAB VI. DAFTAR PUSTAKA 21

BAB VII. LAMPIRAN BIODATA PENELITI 24

iii

DAFTAR TABEL

Tabel 1. Organisasi Tim Peneliti 18

Tabel 2. Jadwal Kegiatan Penelitian 19

Tabel 3. Rencana Anggaran Biaya 20

DAFTAR GAMBAAR

Gambar 1. Roadmap Penelitian Laboratorium Statistika Bisnis 7

Gambar 2. Arsitektur ANN 10

Gambar 3. Arsitektur Deep Learning Neural Network 13

Gambar 4. Diagram Alis Penelitian 17

1

BAB I

RINGKASAN

Pada umumnya model peramalan dibagi menjadi dua kelompok, yaitu model

peramalan deterministik seperti trend analisis dan model pertumbuhan. Sedangkan

model peramalan probabilistik adalah model ARIMA. Pada pemodelan probabilistik

dikenal ada dua model, yaitu model linear dan model non linear. Pada akhir-akhir ini

berkembang model peramalan non linear sejalan dengan perkembangan komputer,

yaitu dengan pendekatan kecerdasan buatan (Artificial Intelegency), salah satunya

adalah Jaringan Syaraf Tiruan (Artificial Neural Network = ANN). Model ANN

terdiri dari tiga lapisan, yaitu lapisan input, lapisan tersembunya dan lapisan output.

Tingkat kebaikan dari model ANN sangat dipengaruhi oleh metode pembelajaran/

estimasi. Salah satu metode pembelajaran (learning) pada ANN adalah metode Back

Propagation. Banyaknya node dalam lapisan tersembunyi dan fungsi aktivasi pada

setiap lapisan berpengaruh terhadap akurasi/ optimasi model. Pada lapisan

tersembunyi pada umumnya hanya terdapat satu lapisan. Hasil pendekatan ini

dirasakan masih kurang optimal, sehingga perlu meningkatkan akurasi model, salah

satunya dengan menambah lapisan pada lapisan tersembunyi. Sehingga diharapkan

hasil yang diperoleh akan semakin baik dibandingkan dengan hanya dengan satu

lapisan pada lapisan tersembunyi. Pendekatan ini dikenal dengan istilah Deep

Learning Neural Network (DLNN). Untuk menguji akurasi model dengan pendekatan

deep learning, metode ini akan diaplikasikan pada data real, khususnya data ekonomi,

seperti pertumbuhan ekonomi dan beberapa harga saham yang masuk kategori LQ-

45. Tingkat kebikan model didasarkan pada nilai MAPE, MAD dan RMSE.

Kata-kata Kunci : model peramalan, ARIMA, ANN, Back Propagation, Deep

Learning, LQ-45 dan pertumbuhan ekonomi

2

BAB II

PENDAHULUAN

2.1 Latar Belakang

Artificial Neural Network (ANN) mempunyai hubungan dengan model

statistik konvensional yang mampu menangani perhitungan yang rumit. Pada

umumnya pemodelan statistika dengan pendekatan ANN, proses optimasi bobot

dengan metode Backpropagation. Pada kondisi tertentu diinginkan hasil yang lebih

optimal, sehingga dilakukan pengembangan model, khususnya pada proses

estimasi/ optimasi bobot. Deep Learning Neural Networks (DLNN) adalah

pengembangan optimasi dari pemodelan ANN. Pada proses ini penentuan bobot

dilakukan secara skuensial. DLNN memberikan hasil yang sangat baik pada

pengenalan suara (Hinton, et al, 2012), pengenalan dan klasifikasi obyek

(Krizhevsky, et al, 2012, Ciresan, et al. 2012). DLNN sangat berguna karena dapat

melakukan proses perhitungan secara paralel untuk sejumlah langkah.

Jika parameter DLNN di set untuk mencapai hasil yang baik, maka

backpropagasi akan menemukan parameter optimal untuk menyelesaikan masalah

tersebut. Terlepas dari fleksibilitas dan kekuatannya, DLNN hanya dapat

diterapkan pada masalah yang input dan targetnya mempunyai dimensi tetap. Oleh

karena itu jelas bahwa metode pemetaan input-target dalam pemetaan skuensial

akan sangat berguna, karena DLNN mensyaratkan bahwa dimensi input dan output

diketahui. DLNN telah banyak diaplikasikan salah satunya pada Long Short-Term

Memory (LSTM) (Hochreiter and Schmidhuber, 1997).

Ada sejumlah upaya terkait untuk mengatasi masalah skuensial

pembelajaran dengan ANN. Graves (2013) memperkenalkan mekanisme baru

yang memungkinkan jaringan saraf untuk fokus pada bagian input yang berbeda

[9]. Mekanisme ini telah berhasil diterapkan pada mesin penerjemah/ translator

(Bahdanau et al. , 2014).

Ada dua kategori pembelajaran skuensial, yaitu secara eksplisit dan implisit.

Pembelajaran skuensial eksplisit telah dikenal dan dipelajari sejak penemuan

3

pembelajaran skuensial. Namun, baru-baru ini, skuensial implisit telah

mendapatkan lebih banyak perhatian dan penelitian. Suatu bentuk pembelajaran

implisit, pembelajaran skuensial implisit mengacu pada metode pembelajaran

yang orang tidak sadari, dengan kata lain, belajar tanpa mengetahui (Lin, 1994).

Ada empat masalah pembelajaran skuensial dasar: prediksi skuensial, pembuatan

skuensial, pengenalan skuensial, dan pengambilan keputusan skuensial. Prediksi

skuensial mencoba untuk memprediksi elemen langsung berikutnya dari skuensial

berdasarkan pada semua elemen sebelumnya. Pengenalan skuensial mengambil

kriteria tertentu dan menentukan apakah skuensial tersebut sah. Pengambilan

keputusan secara berurutan atau pembuatan skuensial melalui tindakan dipecah

menjadi tiga variasi: berorientasi pada tujuan, berorientasi pada lintasan, dan

memaksimalkan penguatan.

The Recurrent Neural Network (RNN) adalah bentuk asli dari feedforward

neural networks (FFNN) pada skuensial (Werbos, 1990; Rumelhart et al, 1986).

Jika ada deret input (x1, . . . , xT ), RNN akan menghitung deret output (y1, . . . ,

yT ) secara interasi. Model RNN dapat dengan mudah memetakan deret input ke

deret output. Bagaimananpun, ini masih belum jelas bagaimana mengaplikasikan

RNN pada permasalahan tertentu yang input dan outputnya berbea panjangnya.

Strategi paling sederhana untuk pembelajaran skuensial adalah memetakan urutan

input ke ukuran tetap vektor menggunakan satu RNN, dan kemudian memetakan

vektor ke urutan target dengan RNN lainnya (Cho et al., 2014).

Pemodelan skuensial banyak dilakukan pada data time series. Pemodelan

time series pada umumnya dengan menggunakan metode Box-Jenkins atau yang

biasa dikenal dengan metode ARIMA. Model time series ARIMA mensyaratkan

error model harus memenuhi sifat IIDN. Pada kenyataan data real tidak semua bisa

dimodelkan dengan ARIMA dan error tidak IIDN. Hal ini berbeda dengan

pemodelan ANN yang merupakan pemodelan lunak, karena tidak mensyaratkan

error harus IIDN. Sehingga pemodelan ANN berkembang pesat selajan dengan

perkembangan kemajuan teknologi komputasi. Data harga saham merupakan

gambaran dari data time series, yang nilainya ditentukkan pada mekanisme pasar

dan kondisi perekonomian lokal maupun global. Demikian pula untuk data

4

pertumbuhan ekonommi yang tidak selalu mengikuti distribusi tertentu, karena

selalu mempunyai nilai-nilai ekstrem. Beberapa penelitian tentang peramalan

dengan metode ARIMA telah banyak dilakukan, antara lain Sari (2017)

meramalkan harga saham perbankan dengan metode ARIMA, Kusrini (2017)

melakukan peramalan pengirman dokumen dan non dokumen di PT Pos Regional

VII Surabaya, Chamid (2017) melakukan penelitian tentang dampak perubahan

iklim terhadap produktivitas pertanian dengan model panel ekonometrika. Azizah

(2015) melakukan pemodelan aktivitas gunung berapi dengan menggunakan

Poisson Hidden Markov, Anggraeni (2011) melakukan peramalan curah hujan dan

juga Safa (2016) juga melakukan peramalan tentang curah hujan. Ulama (2003)

membuat ramalan IHSG dengan pendekatan Fungsi Transfer. Ulama (2018)

memodelkan harag saham dengan pendekatan Fuzzy-Neural Network.

Pada khir-akhir ini, pemodelan data time series dengan pendekatan ANN

juga telah banyak dilakukan antara lain oleh Hippert, Pedreira dan Souza (2011)

tentang peramalan beban listrik dengan metode Neural networks, Ulama, Subanar

dan Guritno (2005) memodelkan data finansial dengan menggunakan Fungsi

Radial Basis Neural Network, dimana model dengan 4 unit pada hidden layer

memberikan hasil yang lebih baik dibandingkan dengan 3 dan 5 node dalam hidden

layer. Pemodelan data cuaca dengan pendekatan non linear sudah banyak

dilakukan antara lain Mahmudin dan Ulama (2012) memodelkan suhu dikota

Surabaya dengan pendekatan Feed Forward Neural Network (FFNN), dimana

hasil yang diperoleh model FFNN lebih baik dibandingkan model ARIMA.

Harniaty, Ulama dan Suhartono (2016) memodelkan pengaruh cuaca terhadap

inflasi bahan makanan di pulau Papua menghasilkan, inflasi di kota Sorong,

Manukwari dan jayapura dipengaruhi oleh kondisi cuaca dan kota Sorong dan

Manukwari ada dependensi wilayah.

Pemodelan/ peramalan harga saham sangat menarik untuk dikaji, karena ada

dua komponen yang berpengaruh, yaitu faktor internal dan faktor eksternal. Faktor

eksternal tidak dapat diprediksi dengan pasti, berbeda dengan faktor internal yang

dengan mudah dapat diprediksi. Hal ini akan berpengaruh terhadap hasil nilai

prediksi/ ramalan. Dibandingkan faktor internal, harga saham sangat dipengaruhi

5

oleh faktor eksternal, seperti nilai tukar mata uang, inflasi, suku bunga (Andriana,

2015; Ardelia, 2018). Sehingga dalam pemodelan tidak cukup hanya dengan

memperhatikan nilai-nilai pada periode sebelumnya tetapi juga memperhatikan

faktor eksternal baik pada periode sebelumnya maupun pada periode yang sama.

Ulama (2018) telah melakukan pemodelan harga saham dengan dengan

pendekatan Fuzzy-Neural Network hanya melibatkan pengamatan pada periode

sebelumnya dan didapatkan model dengan akurasi lebih baik dibandingkan dengan

model peramalan dengan pendekatan ARIMA. Pada kenyataan sesungguhnya

harga saham dipengaruhi oleh faktor eksternal, maka perlu adanya perbaikan

model agar diperoleh model yang lebih baik dengan melibatkan faktor eksternal.

Salah satu instrumen yang mampu menunjukkan kinerja perusahaan yang

mentransaksikan sahamnya di bursa adalah indeks LQ-45, yaitu daftar perusahaan

yang sahamnya liquid selama tiga bulan berturut-turut. Berdasarkan data BEI

emppat saham teratas pada indeks LQ-45 dua diantaranya ditempati oleh

perusahaan pertambangan, yaitu ADRO dan ANTM. Berdasarkan informasi ini

saham perusahaan pertambangan menjadi pilihan para investor. Namun demikian

pada bulan Februari 2020 ada perubahan komposisi perusahaan di daftar LQ-45,

yaitu masuknya tiga perusahaan baru, saham Ace Hardware Indonesia Tbk.

(ACES), Tower Bersama Infrastructure Tbk. (TBIG), dan Sarana Menara

Nusantara Tbk. (TOWR). Ketiga saham tersebut menggantikan saham Indika

Energy Tbk. (INDY), Medco Energi Internasional Tbk. (MEDC), dan Chandra

Asri Petrochemical Tbk. (TPIA). Dimana salah satu yang digantikan adalah

perusahaan pertambangan, yaitu MEDC. Pada periode-periode mendapatng ada

kemungkinan perusahaan pertambangan yang berada di dalam LQ-45 akan keluar

juga.

Berdasarkan uraian di atas dianggap .perlu untuk mengetahui seberapa lama

saham sector pertambangan dipengaruhi oleh nilai pada periode sebelumnya baik

dari faktor internal dan eksternal. Sehingga membantu analisis saham atau investor

untuk melakukan ajustment terhadap investasinya. Untuk menentukan nilai atau

harga suatu saham pada waktu yang akan datang perlu dilakukan kajian dan

pemodelan.

6

Pemodelan ANN mempunyai keunggulan dibandingkan metode lain dalam

hal kemampuan proses pembelajaran terhadap informasi numerik melalui algoritma

pembelajaran (learning algorithm) untuk memperbaiki parameter pada fungsi

pembobot pada fungsi aktivasinya dan bebas asumsi. Sistem berstruktur ANN

diilhami oleh karakteristik sistem biologis jaringan sel syaraf manusia (neuron)

dalam peran memproses sinyal informasi pada masukan melalui suatu fungsi

pembobot dan fungsi aktivasi untuk menghasilkan sinyal keluaran yang akan

diteruskan pada sel yang lain. Selama ini kesulitan didalam merancang arsitektur

neural network terletak pada menentukan berapa banyak lapisan tersembunyi

(hidden layer) dalam hal ini pendekatan DLNN yang akan digunakan sehingga

struktur jaringan cukup memadai. Pada kondisi ini penerapan metode Statistika

sangat vital dalam menetukan tingkat signifikansi dan akurasi dari model yang

dibentuk.

2.2 Permasalahan

Berdasarkan latar belakang di atas, maka permasalahan pada penelitian ini adalah :

1. Bagaimana arsitektur optimal pada pemodelan DLNN

2. Berapa lag waktu faktor eksternal dan internal yang berpengaruh terhadap

harga saham pertambangan saat ini

3. Bagaimana model peramalan DLNN terbaik beserta nilai ramalan untuk

harga saham sektor pertambangan dengan memperhatikan faktor internal

dan eksternal

4. Bagaimana akurasi model peramalan DLNN dibandingkan dengan model

ARIMA maupun model FFNN standart.

1.3 Tujuan dan manfaat :

Berdasarkan latar belakang dan permasalahan, maka tujuan penelitian ini

adalah :

7

1. Mendapatkan arsitektur model DLNN pada pemodelan harga saham sektor

pertambangan

2. Mendapatkan lag waktu dari faktor internal dan eksternal yang berpengaruh

terhadap penentuan harag saham sektor pertambangan

3. Membuat model peramalan dan menghitung nilai ramalan untuk harga

saham sektor pertambangan.

4. Membandingkan akurasi model DLNN , FFNN dan model ARIMA

Sedangkan manfaat dari penelitian ini adalah sebagai bahan kajian

pemodelan harga saham, khususnya model peramalan dengan pendekatan Deep

Learning Neural Network (DLNN), selain itu juga dapat digunakan sebagai dasar

inverstor untuk menyusun fortofolio investasinya.

2.4 Batasan Penelitian :

Batasan penelitian yang akan dibahas adalah harga saham dari tiga

perusahaan yang sahamnya tercatat di Bursa Efek Indonesia (BEI) yang sahamnya

masuk pada daftar LQ 45. Sedangkan faktor eksternal yang diduga berpengaruh

terhadap harga saham sektor pertambangan adalah nilai tukar, harga saham

kompetitor dan harga minyak dunia.

1.5 Relevansi Penelitian :

Relevansi dari penelitian ini adalah mengacu pada roadmap penelitian dari:

Pusat Penelitian : Sains Fundamental

Topik Penelitian : Time Series

Kajian Penelitian : 1. Prediction Blood demand, Stock Price, Inflation and

prediction Toursm Atenndance

1. Pengembangan Model Time Series modern : Neural

Network, ANFIS, Fuzzy Time Series, Esemble Model,

Wavelet

8

Pada penelitian ini juga sejalan dengan Roadmap penelitian dari aboratorium Bisnis

Analitik dari Departemen Statistika Bisnis, yaitu pada kajian penelitian tentang

model peramalan (Time Series), seperti disajikan pada gambar 1 berikut.

Gambar 1. Roadmap Penelitian dari Laboratorium Bisnis Analitik

Laboratorium Bisnis Analitik adalah satu dari laboratorium yang ada di

Departemen Statistika Bisnis, dimana salah satu misi dari Laboratoriun Bisnis

Analitik adalah mengembangkan model-model statistika yang mendukung

pengembangan Industri Bisnis, salah satunya adalah model peramalan. Sehingga

pada penelitian in mendukung Topik Penelitian Time Series dengan topik kajian

pada stock price dan pemodelan time series modern, yaitu ANN. Pada penelitian

ini akan dikembangkan model peramalan ANN dengan pendekatan Deep Learning

Neural Network dengan Algoritma Backpropagation untuk mendapatkan bobot

optimal.

2.6 Target Luaran

Target luaran dari penelitian ini adalah dua publikasi, yaitu publikasi

makalah pada Seminar Internasional dan publikasi pada Jurnal Internasional

terindeks.

9

BAB III

TINJAUAN PUSTAKA

3.1 Model Time Series

Time series merupakan serangkaian data pengamatan yang berasal dari satu

sumber tetap, terjadi berdasarkan indeks waktu secara berurutan dengan interval

waktu yang tetap (Cryer, 1908). Setiap pengamatan dinyatakan sebagai variabel

random Zt dengan fungsi kepadatan f(Zt) yang dapat dipasangkan dengan indeks

waktu t, t= 1, 2, 3, . . . , n . Untuk menentukan keeratan hubungan antar observasi

atau antara observasi ke t dengan observasi ke t-k digunakan nilai Autokorelasi :

𝐶𝑜𝑟𝑟(𝑍𝑡𝑍𝑡+𝑘) =𝐸[(𝑍𝑡−𝜇)(𝑍𝑡+𝑘−𝜇)]

𝐸[(𝑍𝑡−𝜇)2]=

𝛾(𝑘)

𝛾(0)=

𝛾𝑘

𝛾0= 𝜌𝑘 (1)

Terdapat beberapa model Time Series, yaitu (Wei, 2006) :

1. Model Autoregresi (Model AR)

Proses autoregresi merupakan regresi antara Zt dengan nilai Zt sebelumnya

atau regresi dengan dirinya sendiri tapi pada lag sebelumnya. Model AR

dituliskan sebagai 𝜙𝑝(𝐵)𝑍𝑡 = 𝑎𝑡 atau dalam bentuk persamaan :

(1 − 𝜙1𝐵 − 𝜙2𝐵2 − . . . −𝜙𝑝𝐵𝑝 )𝑍𝑡 = 𝑎𝑡

𝑍𝑡 = 𝜙1𝑍𝑡−1 + 𝜙2𝑍𝑡−2+ . . . + 𝜙𝑝𝑍𝑡−𝑝+ 𝑎𝑡 (2)

2. Model Moving Average (Model MA)

Model MA merupakan model pada pengamatan waktu ke-t dipengaruhi

kesalahan masa lalu, model MA dapat ditulis dalam bentuk 𝑍𝑡 =

𝜃𝑞(𝐵)𝑎𝑡 atau dalam bentuk persamaan :

𝑍𝑡 = (1 − 𝜃1𝐵 − 𝜃2𝐵2− . . . − 𝜃𝑞𝐵𝑞)𝑎𝑡

𝑍𝑡 = 𝑎𝑡 − 𝜃1𝑎𝑡−1 − 𝜃2𝑎𝑡−2− . . . − 𝜃𝑞𝑎𝑡−𝑞 (3)

3. Model Autoregresi Moving Average (Model ARMA)

Model ini merupakan gabungan antara AR dan MA yang dapat ditulis dalam

bentuk 𝜙𝑝(𝐵)𝑍𝑡 = 𝜃𝑞(𝐵)𝑎𝑡 atau dalam bentuk model peramalan yaitu

(1 − 𝜙1𝐵 − 𝜙2𝐵2 − . . . −𝜙𝑝𝐵𝑝 )𝑍𝑡 = (1 − 𝜃1𝐵 − 𝜃2𝐵2− . . . − 𝜃𝑞𝐵𝑞)𝑎𝑡

𝑍𝑡 = 𝜙1𝑍𝑡−1 + 𝜙2𝑍𝑡−2+ . . . + 𝜙𝑝𝑍𝑡−𝑝+ 𝑎𝑡 − 𝜃1𝑎𝑡−1 −

10

𝑎𝑡−2− . . . − 𝜃𝑞𝑎𝑡−𝑞 (4)

4. Model Autoregresi Integrated Moving Average (Model ARIMA)

Model ARMA yang mengalami proses differencing yaitu dengan (1-B)dZt,

maka disebut dengan Model Autoregressive Integrated Moving Average.

Model ARIMA (p,d,q) denyatakan dengan :

𝜙𝑝(𝐵)(1 − 𝐵)𝑑𝑍𝑡 = 𝜃𝑞(𝐵)𝑎𝑡

(1 − 𝜙1𝐵 − 𝜙2𝐵2 − . . . −𝜙𝑝𝐵𝑝 )(1 − 𝐵)𝑑𝑍𝑡 = (1 − 𝜃1𝐵 −

𝜃2𝐵2− . . . − 𝜃𝑞𝐵𝑞)𝑎𝑡 (5)

3.2 Model Neural Network

Artificial Neural Network (ANN) atau umumnya hanya disebut neural

network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan

berdasarkan sistem saraf manusia. ANN merupakan sistem adaptif yang dapat

mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal

maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang

adaptif, ANN juga sering disebut dengan jaringan adaptif. Secara sederhana, ANN

adalah sebuah alat pemodelan data statistik non-linier. ANN dapat digunakan untuk

memodelkan hubungan yang kompleks antara input dan output untuk menemukan

pola-pola pada data.

ANN terdiri pemrosesan unit-unit yang disebut dengan neuron. ANN

mencoba untuk menduplikasi struktur dan perilaku suatu jaringan syaraf. Suatu

neuron terdiri dari input-input (dendrite) dan satu output yang disebut dengan synapse

melalui axon. Neuron mempunyai suatu fungsi yang akan mengaktivasi neuron. X1,

X2, . . . , Xn adalah suatu input neuron dan biasanya bias akan ditambahkan pada

input. Setiap signal yang masuk ke neuron diberibobot bobot W1, W2, . . . , Wn dan

jumlahan dari perkalian antara bobot dan signal merupakan kekuatan dari signal.

Neuron menerima berbagai input dari berbagai sumber dan hanya mempunyai satu

output.

Ada berbagai fungsi yang digunakan untuk mengaktifkan, salah satu fungsi

yang umum digunakan adalah fungsi sigmoid :

11

𝑓(𝑧) =1

1+𝑒−𝑧 (7)

Dimana :

𝑧 = 𝑏 + ∑ 𝑊𝑖𝑛𝑖=1 𝑋𝑖

Arsitekture ANN terdiri dari (Haykin 1994) :

1. Lapisan Input (Input Layer) : menerima nilai input

2. Lapisan tersembunyi (Hidden Layers) : Kumpulan lapisan jaringan antara

input dan output, dapat berupa lapisan tunggal maupun jamak

3. Lapisan Output (Output Layer) : biasanya hanya satu neuron

Bentuk sederhana dari arsitektur ANN adalah perceptron, yaitu ANN terdiri

dari satu neuron dengan dua input dan satu output, yang pada umumnya digunanakan

untuk klasifikasi. Bentuk ANN yang lebih komplek adalah Multi Layer Perceptron

(MLP) yang terdiri dari satu lapisan input, satu atau lebih lapisan tersembunyi dan

satu lapisan output.

Gambar 2 Arsitektur ANN

12

Algoritma yang umum digunakan untuk melakukan pembelajaran (training)

terhadap ANN adalah algoritma backpropagation. Algoritma Backpropagation

didasarkan pada perbedaan output dan target. Propagasi balik dilakukan untuk

melakukan update bobot, mulai dari lapisan ouput ke lapisan tersembunyi dan dari

lapisan tersembunyi ke lapisan input. Berdasarkan bobot baru dilakukan estimasi nilai

output secara bertahap, dimulai dari menghitung nilai lapisan tersembunyi dengan

berdasarkan fungsi aktivasi yang digunakan. Nilai lapisan output dihitung

berdasarkan nilai output dari lapisan tersembunyi.

2.3 Deep Learning Neural Network

Deep Learning nueral networks (DLNN) adalah multi layer peceptron pada

ANN, dimana pada lapisan tersembunyi (hidden layer) terdapat beberapa lapisan

perceptron atau ada lapisan jamak pada lapisan tersembunyi (Sutskever et al. 2014).

Bentuk Arsitektur DLNN dengan tiga lapisan pada lapisan tersembunyi dapat

digambarkan sebagai berikut :

Gambar 3. Aristektur Deep Learning Neural Network

13

2.4 Algoritma Back Propagation

Algoritma Back Propagation merupakan bagian dari ANN yang sering disebut

sebagai supervised learning. Metode ini merupakan salah satu metode yang sangat

baik dalam menangani masalah pengenalan pola-pola kompleks. Pada jaringan

backpropagation, setiap unit yang berada di input layer terhubung dengan setiap unit

yang ada di hidden layer. Setiap unit yang ada di hidden layer terhubung dengan setiap

unit yang ada di output layer. Pada jaringan backpropagation terdiri dari banyak

lapisan (multilayer network) (Ranzanto, 2012). Jaringan backpropagation pada

training terdapat tiga tahapan, yaitu:

1. Tahap feedforward pada input

2. Tahap perhitungan dan backpropagation dari error

3. Tahap update bobot dan bias.

Algoritma dari metode Back Propagation adalah sebagai berikut (Haykin, 1994) :

Langkah 0 : Menentukan pembobot

Langkah 1 : Selama kondisi konvergen belum dicapai, melakukan langkah 2–9.

Langkah 2 : Setiap pasang pada data training, melakukan langkah 3-8.

Tahap feedforward :

Langkah 3 : Masing-masing unit pada input (Xi, i = 1, 2, . . . , n) diterima

oleh input layer Xi dan diteruskan pada hidden layer (Zj,

j=1,2, . . . , p) .

Langkah 4 : Masing-masing hidden layer menjumlahkan hasil pembobot

pada input layer dan ditambahkan dengan bias.

Langkah 5 : Untuk setiap output layer (Yk, k =1,2, . . . , m) dikalikan

dengan bobot dan dijumlahkan serta ditambahkan dengan

biasnya.

Backpropagation dari error :

Langkah 6 : Setiap output layer (Yk, k =1,2, . . . , m) menerima pola

target yang sesuai dengan pola input pada training dan

menghitung error ( 𝛿𝑘 ) yang digunakan untuk mendapatkan

bobot terkoreksi dan bias.

14

Langkah 7 : Setiap hidden layer (Zj, j=1,2, . . . , p) meghitung 𝛿𝑗

kemudian digunakan untuk menghitung bobot terkoreksi dan

bias antara input dan hidden layer.

Update pembobot dan bias :

Langkah 8 : Masing-masing output layer (Yk, k =1,2, . . . , m) meng-

update nilai pembobot dan bias (j=1,2, . . . , p) dan setiap

hidden layer (Zj, j=1,2, . . . , p) meng-update pembobot dan

bias (i = 1, 2, . . . , n) sehingga mendapatkan pembobot dan

bias yang baru.

Langkah 9 : Uji kondisi berhenti (sudah konvergen), maka iterasi berakhir

Pada tahapan untuk mendapatkan bobot akan menggunakan optimasi dengan

algoritma resilient, karena konvergensi pada Back Propagation berjalan lambat.

Selain mampu mengatasi konvergensi yang lambat, resilient Back Propagation

mampu menghasilkan akurasi prediksi yang tinggi, dan estimasi parameter yang lebih

akurat Krizhevsky, et al, 2012. Model umum dari resilient BNN adalah:

15

BAB IV

METODOLOGI

4.1 Sumber Data dan Variabel Penelitian

Sumber data yang digunakan pada penelitian ini adalah data sekunder yang

berasal dari Bursa Efek Indonesia (BEI). Data yang akan digunakan adalah data

harga saham penutupan dari perusahaan PT Adro Energy Tbk, PT. Aneka Tambang

Tbk dan PT. Bumi Resource Tbk. Selain data harga saham terdapat data lain yaitu

nilai tukar Rupiah dan harga minyak dunia yang diambil dari data Bank Indonesia.

Data harga saham yang digunakan adalah harga saham penutupan dari ketiga

perusahaan tersebut. Data diambil mulai bulan Januari tahun 2016 sampai dengan

bulan Februari 2020. Dimana data bulan Januari tahun 2016 sampai dengan

Desember 2019 digunakan untuk membangun model sedangkan data bulan Januari

sampai dengan Februari tahun 2020 digunakan untuk validasi.

4.2 Langkah Analisis

Berikut langkah-langkah dalam analisis data.

1. Melakukan eksplorasi data harga saham

2. Membuat Model ARIMA

a. Menentukan stasioneritas data, jika data belum stasioner dalam mean

dan varian, maka perlu dilakukan transformasi

b. Melakukan indentifikasi awal model menggunakan ACF dan PACF

c. Melakukan estimasi dan menguji parameter model serta, menguji

kelayakan model

d. Memilih model ARIMA terbaik

3. Membuat model Deep Learning Neural Network

a. Penentuan banyak node pada setiap lapisan

b. Penentuan fungsi aktivasi setiap lapisan

c. Meakukan pembelajaran dari model DLNN dan menghitung akurasi model

d. Menentukan model terbaik

16

4. Menghitung nilai ramalan harga saham berdasarkan model yang terbaik

Diagram Alir Penelitian :

17

Gambar 4. Diagram Alir Pemodelan DLNN

18

BAB V

ORGANISASI TIM, JADWAL DAN ANGGARAN BIAYA

5.1. ORGANISASI TIM

Tabel 1. Organisasi Tim Peneliti

No Jabatan Personil Tugas

1 Ketua Peneliti Dr. Brodjol Sutijo S.U. M.Si - Mengkoordinasi pelaksanaan kegiatan Penelitian

- Melaksanakan Penelitian (Pengolahan dan Analisis Data)

- Melakukan Publikasi Penelitian

2 Anggota Peneliti 1. Ir. Mutiah Salamah, M.Kes

2. Dwi Endah Kusrini, S.Si., M.Si

3. Nur Azizah, S.Si., M.Si

- Melaksanakan Penelitian (Pengolahan, eksplorasi dan Analisis Data)

- Melakukan Publikasi Penelitian

3 Anggota Mahasiswa 1. Muhamad Arya Irfandi

2. Cindy Aulia

3. Fahrila Annasiyah

4. Odelia Eka

- Pengambilan data dan manajemen data

- Pengolahan dan eksplorasi data

- Pengolahan Data

19

4 Teknisi/ Laoran Winda Aprin Ningtyas Mempersiapkan, mengelola dan menyimpan perlengkapan penelitian

5.2 Jadwal Kegiatan

Tabel 2. Jadwal Kegiatan

Kegiatan April Mei Juni Juli Agustus September Oktober Nopember

Pengambilan Data

Studi Literature

Pengolahan Data

Laporan Kemajuan

Analisis Data

Publikasi

Penyusunan Laporan Akhir

20

4.3 ANGGARAN BIAYA

Tabel 3. Anggaran Biaya Penelitian

No Uraian Satuan Frek Harga Jumlah total 1 Honorarium

Sub Total

2 Pengolahan Data

Pengambilan Data set 4 750.000 3.000.000

Pembuatan Macro

Program unit 4 500.000 2.000.000

Sub Total 5.000.000

3 Publikasi

Transport Seminar Org 3 2.500.000

7.500.000

Akomodasi Seminar mlm 4 500.000 2.000.000

Pendaftaran Seminar org 3 2.000.000 6.000.000

Jurnal Internasional paper 1 12.500.000 12.500.000

Sub Total 28.000.000

4 Rapat

Konsumsi org 96 35.000 3.360.000

Copy Materi Rapat lembar 1450 200 290.000

Sewa LCD 1 unit 24 250.000 6.000.000

Sub Total 9.650.000

5

ATK dan Biaya

Operasional

Kertas HVS A4 70gr rim 10 40.000 400.000

Cartridge Hitam buah 4 200.000 800.000

Cartrdge Warga buah 2 275.000 550.000

CD Blank+Cover+label buah 10 10.000 100.000

Flashdisk 16GB Buah 5 200.000 1.000.000

Laporan Kemajuan buah 5 25.000 125.000

Laporan Akhir Buah 5 75.000 375.000

Internet org-bln 32 125.000 4.000.000

Sub Total 7.350.000

Total 50.000.000

Total Anggaran : Rp. 50.000.000,-

Terbilang : Lima Puluh Juta Rupiah.

21

DAFTAR PUSTAKA

Andriana D, 2015, Pengaruh Nilai Tukar Terhadap Harga saham Setelah Initial

Public Offering (IPO), Jurnal Riset Akuntansi dan Keuangan, 3 (3), 2015,

761-767

Anggraini, D., 2011, Peramalan Curah Hujan Di Kecamatan Bangkinang Barat

Kabupaten Kampar Menggunakan Metode Box-Jenkins. RIAU: UIN

Sultan syarif Kasim.

Ardelia Rezeki Harsono dan Kinansih, W., 2018, Pengaruh Inflasi, Suku bunga, dan

Nilai Tukar Rupiah Terhadap Indeks Harga Saham Gabungan, Jurnal

Administrasi Bisnis (JAB)|Vol. 60 No. 2 Juli 2018

Azizah, N., 2015, “Two State Poisson Hidden Markov Models for Analysis of

Seismicity Activity Rates in West Nusa Tenggara”. IOP Conference Series:

Materials Science and Engineering Volume 546. doi: 10.1088/1757-

899X/546/5/052015. Publish: https://iopscience.iop.org/article/10.1088/1757-

899X/546/5/0520155

Bahdanau, d., Cho,k., and Y. Bengio, 2014, Neural machine translation by jointly

learning to align and translate. arXiv preprint arXiv:1409.0473.

Chamid, M. S., Kuswanto, H., Ulama, B.S.S., dan Retnaningsih, S. M., 2017, Analisa

Ekonomi Dampak Perubahan Iklim Terhadap Produktifitas Pertanian Di

Indonesia Untuk Mengantisipasi Ketahanan Pangan Menggunakan

Model Panel Ekonometrika, ITS Surabaya

Ciresan, D., Meier, U.,and J. Schmidhuber, 2012, Multi-column deep neural

networks for image classification. In CVPR.

Cho, k.,, B.Merrienboer, C. Gulcehre, F. Bougares, H. Schwenk, and Y. Bengio,

2014, Learning phrase representations using RNN encoder-decoder for

statistical machine translation. In Arxiv preprint arXiv:1406.1078.

Cryer, J., & Kung, S., 2008, Time Series Application in R. Second Edition. New

York: Springer Texts in Statistics.

Graves, A, 2013, Generating sequences with recurrent neural networks. In Arxiv

preprint arXiv:1308.0850.

Haykin, S., 1994, Neural Networks: A Comprehensive Foundation (2nd Edition),

Prentice Hall, NY, USA

Harniaty, Ulama B. S. S., dan Suhartono, 2016, memodelkan pengaruh cuaca

terhadap inflasi bahan makanan di pulau Papua, Surabaya, ITS

22

Hinton, G. L. Deng, D. Yu, G. Dahl, A. Mohamed, N. Jaitly, A. Senior, V.

Vanhoucke, P. Nguyen,T. Sainath, and B. Kingsbury, 2012, Deep neural

networks for acoustic modeling in speech recognition. IEEE Signal

Processing Magazine,

.Hipert, H.S., Pedreira, C.E., Souza, R. C., 2011, Neural Networks for short-term

load forecasting, http://ieeexplore.ieee.org/document/910780

Hochreiter, S, and J. Schmidhuber, 1997, Long short-term memory. Neural

Computation.

Krizhevsky, A., I. Sutskever, and G. E. Hinton., 2012, ImageNet classification with

deep convolutional neural networks. In NIPS.

Kusrini, D E., 2017, Analisis Intervensi Time Series untuk Meramalkan Jumlah

Pengiriman Dokumen dan Non Dokumen di PT.Pos Kantor Regional VII

Jawa Timur , ITS SUrabaya

Lin, Hsiang-Ling Jennifer, 1994. Implicit sequence learning: One or two learning

mechanisms? (MA thesis). Columbia, Missouri: University of Missouri.

OCLC 36106139.

Ranzato, M. A., Monga, R., Le, Q.V. , M. Devin, K. Chen, G.S. Corrado, J. Dean, and

A.Y. Ng.,2012, Building high-level features using large scale unsupervised

learning. In ICML.

Rumelhart, D., Hinton, G. E. and R. J. Williams, 1986, Learning representations by

back-propagating errors, Nature, 323(6088):533–536, 1986.

Safa, M. A. I., 2016, Peramalan Curah Hujan Di Kabupaten Lamongan Dengan

ARIMA Box-Jenkins. Surabaya: ITS Surabaya

Santoso, W.,2017, Tren Pembiayaan di Pasar Modal Meningkat di tahun 2018,

WWW.tribunnews.com> Bisnis> Finansial

Sari, E. D., N., 2017, Peramalan Harga Saham Perbankan dengan Metode

ARIMA, Suabaya, ITS

Sutskever, G. I.,Vinyak, G., O and Le, G. Q., 2014, Sequence to Sequence Learning

with Neural Networks, arXiv : 1409.3215 v3.{Cs.CL} 14 Dec 2014

Ulama B. S. S., 2003, Peramalan IHSG dengan Pendekatan Fungsi Transfer,

Seminar Nasional Pendidikan Matematika, Universitas Negeri Jakarta

Ulama, B.S.S., Subanar dan Guritno S, 2005, Memodelkan data finansial dengan

pendekatan Fungsi Radial Basis Function, ICOMS ITB Bandung

Ulama, B. S. S., 2008, Fungsi Radial Basis Neural Network Untuk Pemodelan

Data Finansial, Yogyakarta, UGM

23

Ulama, B. S. S., dan Mahmuddin, 2012, Pemodelan Suhu Udara kota Surabaya

dengan Pendekatan FeedForward Neural Networks, ICOMSc, Denpasar

Ulum, M. C. ,2013, Governance and Capacity Building Dalam Manajemen

Bencana Banjir Di Indonesia. Malang: Universitas Brawijaya.

Ulama, B. S. S., Prastuti, m., Oktaviana, P. P., 2018, Modeling Coal Company Stock

By Using Fuzzy-RBFNN, International Journal of Mechanical Engineering

and Technology (IJMET), Volume 9, Issue 12, December 2018, pp. 858–865,

Wei, W. W. ,2006, Time Series Analysis Univariate and Multivariate. USA:

Addision- Wesley Publishing Company

Werbos, P, ,1990, Backpropagation through time: what it does and how to do it.

Proceedings of IEEE

24

Lampiran :

Biodata Ketua Peneliti

1. Nama : Dr. Brodjol Sutijo Suprih Ulama, M.Si.

2. NIP : 19660125 199002 1 001

3. NIDN : 0025016603

4. Tempat dan Tanggal lahir : Malang, 25 Januari 1966

5. Program Studi : Sarjana Terapan Statistika BISNIS

Fakultas : Vokasi

Perguruan Tinggi : Institut Teknologi Sepuluh Npember

6. Alamat : Kampus ITS Sukolilo Surabaya,

Kode Pos : 60111.

No. Telpon/Fax : 0817336156 (HP)

E-mail : brodjol_su@statistika.its.ac.id

No. Telpon Rumah : 031-5046028

7. Status Akademik : ( ) Dosen Departemen Statistika Bisnis

8. Nama Jabatan Struktural : Sekertaris Departemen

9. Pendidikan :

Gelar Tahun Program Studi Nama Perguruan

Tinggi

Negara

Drs. 1989 Statistika ITS, Surabaya Indonesia

MSi 2001 Statistika IPB, Bogor Indonesia

Dr. 2008 Statistika UGM, Yogyakarta Indonesia

10. Pengalaman Penelitian :

No. Judul Tahun Sumber

Dana

1 Pengembangan Model Peramalan Regresi Neural

Fuzzy Network pada Peramalan Harga Saham

2019, Dana Lokal

2 Pengembangan Pemodelan Hybrid ARIMA Fuzzy

Neural Network untuk Prediksi Harga Saham Sektor

Pertambangan

2018, Dana Lokal

3 Analisis Intervensi Time Series Untuk Meramalkan

Jumlah Pengiriman Dokumen dan Non Dokumen di

Kantor Pos Kantor regional VII Jawa Timur

2017, Dana

Deprtemen

25

4 Small Area Estimation dengn Metode Hierarchical

Bayesian General Regression Neural Network

untuk Anak Putus Sekolah pada Keluarga Miskin

2015-2016, Dikti

5 Penilaian Risiko Anggota Dana perlindungan Pemodal

2014, PT P3IEI

6 Peramalan Data Spasio Temporal Hidrologi Sebagai Input Analisis Resiko Kasus DBD

2013, PUPT

Pendukung

Unggulan

7 Kajian Faktor-Faktor yang berpengaruh dalam Penentuan Level Crisis Management Protocol dalam Pencegahan dan Penanganan Krisis Pasar Surat Berharga Negara

April – Nopember

2012

8 Pengembangan Metode Peramalan untuk Data

Spasio Temporal

2012, Penelitian

basis lab.

9 Yield Curve Modeling Consultancy, Australia-Indonesia Partnership for Economic Governance (AIPEG) – Norton Rose Australia,

May – August, 2011

10 Pendekatan VAR untuk Pemodelan Kunjungan

Wisatawan di Bali

2011, Peneli.

Produktif

11 Pemodelan Multiscale AutoRegression untuk data

Deret Waktu

2010-2011, Hibah

Fundamental II

11 Kajian Model Intervensi pada Data Deret Waktu 2008, PHK-A3

11. Pengalaman Pengabdian :

1. Pelatihan Microsof Office bagi Guru-Guru SD di Wilayah Kecamatan

Sukolilo Surabaya, 2010, Jurusan Statistika ITS

2. Pelatihan Analisis Data Bagi Taruna AAL, 2011, Jurusan Statistika ITS

3. Pelatihan Pengolahan data bagi Staf Direktorat Jenderal Pengelolaan Utang

Kementrian Keuangan, 2012, Jurusan Statistika ITS

4. Pelatihan Pengolahan Data bagi Guru-Guru IPA Kabupaten Mojokerto,

2013, MGMP IPA Mojokerto

5. Pellatihan Analisis Data Statistika bagi Taruna AAL, 2014, Departemen

Teknik Lingkungan, ITS

6. Pelatihan Pembelajaran Statistika SMA Bagi guru-guru SMA di Kabupaten

Jombang, 2015, MGMP Matematika Jombang

7. Pelatihan Pengolahan Data Statistika untuk Penelitian bagi Dosen-Dosen

PTS Kopertis Wilayah VII Jawa Timur, 2016, Surabaya

8. Pelatihan Statistika Bagi Staf Kecamatan Kabupaten gresik, 2017,

Pemerintah Daerah Kabupaten Gresik

26

9. Pelatihan Statistika dasar Bagi guru-guru SMA/SMK Kabupaten Mojokerto,

2018, Dinas Pendidikan Kabupaten Mojokerto.

10. Pelatihan Pengolahan Data bagi Staf PT Pos Indonesia Regional VII

Surabaya di UPT Kantor Pos Sidoarjo, 2019

12. Pembicara

1. “Pengelolaan Laboratorium”, pada Penguatan kegitan berbasis Laboratorium

di Sekolah Tinggi Ilmu Statistika, 2014

2. “Pengelolaan dan Manajemen Lembaga Pusat Karir di ITS”, pada revitalisasi

Lembaga Pusat Karir di Universitas Muhamadiyah Sidoarjo, 2014

3. “ Pemodelan Data Deret Waktu dengan metode Radial Basis Function

Network” Pada Seminar Nasional Matematika 2015 di Surabaya

4. “Monitoring dan Laporan Pendataan Tamu Kunjungan Kerja di Pemkot

Surabaya” tahun 2017-2019

13. Publikasi Ilmiah :

Jurnal Internasional

1. Suhartono, Ulama, B.S.S., Endharta, A.J., (2010), Seasonal Time Series

data Forecasting by Using Neural Networks Multiscale Autoregressive

Model, American Journal of Applied Sciences 7 (10) : 1372-1378 (ISSN

1546-9239)

2. Ulama, B.S.S, Suhartono and Endharta, A.J., (2010), Forecasting Tourism

Data Using Neural Networks - Multiscale Autoregressive Model, Jurnal

Matematics and Natrural Sciences, ITB, April, 2010.

3. Ismartini,P., Iriawan, N., Setiawan, Ulama B.S.S., (2012), Toward a

Hierarchical Bayesian Framework for Modelling the Effect of Regression

Diversity on Household Expenditure, Journal of Mathematics anf Statistics

8(2) : 283-291. (ISSN : 1549-3644)

4. Puspitasari I., Ulama BSS., Suhartono., (2013), Model Selection in Adaptive

Neuro Fuzzy Inference Systen (ANFIS) by Using Inference of R2

Incremental for Time Series forecasting, International Jurnal Science and

Research, Vol 2, Issue 2, (ISSN :2319-7064)

5. Fitriasari K., Iriawan N., Ulama BSS., (2013), On The Multivariate Time

Series Rainfall Modelling Using Time Delay Neural Network, International

27

Journal Applied of Mathematics and Statistics, Vol 44, Issue 14, (ISSN :

0973-7545)

6. Baharuddin, Suhariningsih, Ulama B.S.S., (2014), Geographically

Weighted Regression Modeling for Analyzing Spatial Heterogenity on

Relationship between Dengue Hemorrhagic Fever Incidence and Rainfall

in Surabaya, Indonesia, Modern Applied Science, Vol. 8, No 3., (ISSN

1913-1844).

7. Ulama, B.S.S, Prastuti, M., Oktaviana, P.P. (2018), Modeling Coal

Company Stock by Using Fuzzy-RBFNN, International Journal of

Mechanical Engineering and Technology (IJMET), Volume 9, Issue 12,

December 2018, pp. 858–865, ISSN Print: 0976-6340 and ISSN Online:

0976-6359, © IAEME Publication

Seminar Internasional

1. Ulama, B.S.S., Subanar and Guritno, S., Optimization Radial Basis

Function Neural Network, Presedted at International Conference on

Mathematics and Its Applications, SEAMS - Gadjah Mada University,

July 2007.

2. Ulama, B.S.S., Suhartono and Endharta, A.J., (2009), Forecasting

Seasonal Data Using Neural Networks - Multiscale Autoregressive

Model, Proceeding International Conference Mathematics and

Statistics, Lampung, Agust, 2009.,

3. Ulama, B.S.S., Suhartono and Endharta, A.J., (2010), Forecasting

Tourism Data Using Neural Networks - Multiscale Autoregressive

Model, Proceeding of International Conference on Applied

Mathematics (ICAM05), ITB, Bandung, Nopember 2010.

4. Ulama, B.S.S., Suharsono, A.,(2011), Structural VAR Approach on

Time Series Data, Proceeding of International Conference on Applied

Mathematics and Natural Sciences (ICoMS), ITS, Surabaya, Oktober

2011 .

5. Ismartini,P., Iriawan, N., Setiawan, Ulama B.S.S., A Hierarchical

Structured Data Analysis for Household Expenditure using a Bayesian

Hierarchical Model, International Conference on Mathematics and

28

Sciences (ICOMSc) ITS, 12-13 Oktober 2011, Surabaya, Indonesia,

ISBN: 978-602-1

6. Ismartini, P., Iriawan, N., Setiawan, Ulama B.S.S., Model Criticism for

Log-Normal Hierarchical Bayesian Models on Household Expenditure

in Indonesia. International Conference on Statistics in Science,

Business and Engineering 2012 (ICSSBE2012), University Teknologi

Mara, Langkawi, Kedah, Malaysia. IEEE Computer Society, 2012.

ISBN: 978-1-4673-1581-4,

7. Ulama, B.S.S. Mahmudin, A., (2012), Air Temperture Modelling Air

Temperature Modelling by Using Artificial Neural Network ,

Proceeding International Conference on Mathematics, Statistics and

its Applications 2012 (ICMSA 2012) ISBN 978-979-96152-7-5

8. Fithriasari, K., Iriawan, N., Ulama, B. S. S., Sutikno, Kuswanto, H.,

(2012) Daily rainfall prediction using time delay neural networks ,

Proceeding International Conference on Mathematics, Statistics and

its Applications 2012 (ICMSA 2012) ISBN 978-979-96152-7-5

9. Mukhsar, Iriawan N., Ulama, B. S. S., Sutikno, and Kuswanto, H.

(2012). Spatial Bayesian Poisson-Lognormal Analysis of Dengue

Relative Risk Incidence in Surabaya on 2010, Proceedings of

International Conference Mathematics Statistics and Its Application

2012, (ICMSA 2012) ISBN 978-979-96152-7-5

10. Fitriasari K, Nur Iriawan, Ulama B.S.S., (2013), Bayesian Neural

Network for Time Series Modelling, Proceeding South East Asia

Confrence on Mathematics and its Application 2013, ITS, Surabaya,

14-15 Nopember 2013.

11. Muksar, Nur Iriawan, Ulama, B.S.S., (2013), Full Conditional

Distribution of Bayes Poisson Log Normal 2 level Spatio Temporal

Extension for DHF Risk Analisis, Proceeding South East Asia

Confrence on Mathematics and its Application 2013, ITS, Surabaya,

14-15 Nopember 2013.

12. Ulama, B.S.S., Hediati H., (2014), Obesity Indonesia Children

Detection According to Macronutrients by Using Binary Logistic

Regression and Radian Basis Function Neural Networks, Proceeding

ICSM 2014, ITS Surabaya, Nopember 2014.

13. Qudsi, J.S., Iriawan, N., Ulama, B.S.S., (2015), Mixture Survival

Model on Length of School Time of Children in East Java by

29

Bayessian Approach, Proceeding of The 7th SEAMS_UGM

Conference 2015.

14. Ulama, B.S.S., Prastuti, M., Oktaviana, P. P. (2018), ANFIS Approach

for Modelling Mining Sector Stock, The International Conference on

Engineering Technology, Advanced Science and Industrial

Application, ITS Surabaya, September 2018

15. Ulama, B.S.S., Prastuti, M., Oktaviana, P. P. (2019), Neural Fuzzy

Regressiion for Forecasting, IndoMS, International Conferrence on

Mathematics and Its Applied, Tanjungpura University Pontianak,

September 2019

Seminar Nasional

1. Ulama, B.S.S., Suhartono dan Hafidah, Pemodelan Time series pada

data yang mengandung outlier, Prosiding Seminar Nasional Mate-

matika dan Statistika, Jurusan Statistika ITS, Surabaya, 11 Oktober

2003, hal 47-52. (ISBN : 979-96700-1-2)

2. Ulama, B.S.S., Subanar and Guritno, S., Efek Regulasi dalam

estimasi fungsi dengan pendekatan Jaringan fungsi Radial Basis,

Prosiding Seminar Nasional Matematika dan Informatika, Jurusan

Matematika UNS, Surakarta, 7 Mei 2005, hal 115-125. (ISBN : 979-

99529-0-5)

3. Ulama, B.S.S., Subanar dan Guritno, S., Konstruksi Model Fungsi

Radial Basis Neural Networks, Prosiding Seminar Nasional Statistika

VII, Jurusan Statistika ITS, Surabaya, 2005, hal. 47-52. (ISBN : 979-

96700-1-2)

4. Ulama, B.S.S, (2009), Pendekatan Kointegrasi Pada Pemodelan data

Ekonomi Sektor Pertanian, Prosiding Seminar Nasional Statistika IX,

Jurusan Statistika ITS, Surabaya, 2009,

5. Ulama, B.S.S. (2011), Evaluasi Penerapan SLPTT dengan

Pendekatan Regresi Hedonik, Prosiding Seminar Nasional MIPA,

FMIPA Universitas Tanjung Pura, 2011.

6. Ulama, B.S.S. dan Mirawanti, Y., (2014), Klasifikasi Rumah Tangga

Miskin dengan Jaringan Syaraf Tiruan Fungsi radial Basis, Konferensi

Nasional Matematika, ITS, Surabaya

30

Biodata Tim Peneliti

a. Nama Lengkap : Ir. Mutiah Ssalamah Chamid, M.Kes

b. NIP/NIDN : 195710071083032001/ 0007105709

c. Fungsional/Pangkat/Gol. : Lektor Kepala/Pembina/ VIa

d. Bidang Keahlian : Statistika Non Parametrik, Ekonomi Teknik

e. Departemen/Fakultas : Statistika Bisnis/Vokasi

f. Alamat Rumah dan No. Telp. : Jl. Sindoro 30 Pepelegi Waru Sidoarjo /0818321283

g. Riwayat penelitian/pengabdian (2) yang paling relevan dengan penelitian yang diusulkan/dilaporkan (sebutkan sebagai Ketua atau Anggota)

No. Tahun Judul Penelitian Pendanaan

Sumber Sebagai

1.

2017

Analisa Ekonomi Dampak Perubahan Iklim

Terhadap Produktifitas Pertanian Di Indonesia

Untuk Mengantisipasi Ketahanan Pangan

Menggunakan Model Panel Ekonometrika..

Penelitian Laboratorium Dana Lokal ITS

Ketua

2. 2017

Analisis Klasifikasi Metode Multivariate Adaptive Regression Splines Dan Regresi Logistik Biner Pada Kasus Ketahanan Pangan Penderita Tuberculosis Pesisir Pantai Surabaya.

PUPT Pen. Lab ITS DRPM Kemenristek-Dikti

Ketua

3.

2017-

2019

Analisis Klasifikasi Metode Multivariate Adaptive Regression Splines Dan Regresi Logistik Biner Pada Kasus Ketahanan Pangan Penderita Tuberculosis Pesisir Pantai Surabaya (Tahun 1, 2, 3)

PDUPT= Kemenristek-Dikti Ketua

No. Tahun Judul Abdimas Pendanaan Sumber Sebagai

1. 2015 Pelatihan Pemodelan Biostatistika di STIKES Surabaya Jur Statistika Anggota

2. 2017 Pengembangan Usaha Mikro Warga Ex-Lokalisasi Dolly Melalui Pelatihan Dan Pendampingan Pembentukan Koperasi

ABDIMAS

Penelitian_ITS Anggota

5. 2019

Pelatihan Pengolahan Data Bagi Staf Pt Pos

Regional Vii Surabaya Di Upt Kantor Pos

Sidoarjo

Dept Statistika

Bisnis Anggota

h. Publikasi (2) yang paling relevan (dalam bentuk makalah atau buku)

31

No. Tahun Judul Artikel Ilmiah Volume/ Nomor Nama Jurnal

1 2014

Forecasting Electricity Demands in Java-Bali Region using Flexible Forecasting Approach. International (Anggota)

53 (5), 77-85.

Journal of Applied

Mathematics and

Statistics

2

2015

Modeling Flood and other

Factor Effects on Demand

Currency (outflow) in Jakarta

using Auto-regressive Distributed Lag (ARDL)

Volume 53, Issue No.5,

2015

International Journal

of Applied

Mathematics and

Statistics (ISSN: 0973 – 1377)

3

2018

Modelling Status Food Security

Households Disease Sufferers

Pulmonary Tuberculosis Uses

the Method Regression Logistics

Binary

Volume 335, 011003 IOP Conf. Ser.:

Mater. Sci. Eng

i. Paten (2) terakhir

j. Tugas Akhir (2 terakhir yang paling relevan), Tesis (2 terakhir yang paling relevan),

dan Disertasi (2 terakhir yang paling relevan) yang sudah selesai dibimbing.

32

Biodata Tim Peneliti

a. Nama Lengkap : Dwi Endah Kusrini,S.Si.,M.Si

b. NIP/NIDN : 197212071997022001/071206

c. Fungsional/Pangkat/Gol. : Lektor/Penata Tk.I/IIId

d. Bidang Keahlian : Riset Pemasaran, Riset Sosial, Ekonometrika

e. Departemen/Fakultas : Statistika Bisnis/Vokasi

f. Alamat Rumah dan No. Telp. : Sukolilo Park Regency F-31/085232652426

g. Riwayat penelitian/pengabdian (2) yang paling relevan dengan penelitian yang diusulkan/dilaporkan (sebutkan sebagai Ketua atau Anggota)

No. Tahun Judul Penelitian Pendanaan

Sumber Sebagai

1. 2014

Pemetaan dan Pemodelan Resiko Kerugian Ekonomi Akibat Bencana Alam (Tahun kedua)

Hibah Pendukung Unggulan

Ketua

2. 2017

Analisis Intervensi Time Series untuk Meramalkan Jumlah Pengiriman Dokumen dan Non Dokumen di PT.Pos Kantor Regional VII Jawa Timur

Dana Departemen ITS

Ketua

3. 2018

Pengujian Spatial Dependensi Model Spatial Data Panel Dinamis dengan Pendekatan Metode Instrumental Variable General Method Moment

Hibah Disertasi Doktor DIKTI Ketua

No. Tahun Judul Abdimas Pendanaan Sumber Sebagai

1.

2015

Analisis Pola Aktivitas Dan Potensi Wilayah

Untuk Pengembangan Bisnis Di Kawasan

Pelabuhan Teluk Lamong

PT.Teluk

Lamong Ketua

2. 2017

Pembuatan Rancangan Desain (Basic Design)

PLTAL, Rencana Strategi Pembuatan Dokumen

Pedoman Kesehatan dan Keselamatan

Pembangunan dan Operasional PLT Arus Laut

PLTAL Anggota

3. 2018

Pelatihan Pengolahan Data Penelitian Tindakan

Kelas Guru-guru SMA, MA dan SMK Negeri

Cabang Diknas Kabupaten Mojokerto

Dana

Departemen

ITS

Anggota

4. 2019 Pelatihan pembuatan Akun Google Bisnisku dan

cara membuat Video promosi lewat Youtube Google Peserta

h. Publikasi (2) yang paling relevan (dalam bentuk makalah atau buku)

33

No. Tahun Judul Artikel Ilmiah Volume/ Nomor Nama Jurnal

1 2015

Spatial Durbin Model Analysis

macroeconomic Loss Due to Natural Disasters

Volume 1651, Page.86-

93

AIP Proceedings

2

2015

Modeling Flood and other

Factor Effects on Demand

Currency (outflow) in Jakarta

using Auto-regressive Distributed Lag (ARDL)

Volume 53, Issue No.5,

2015

International Journal

of Applied

Mathematics and

Statistics (ISSN: 0973 – 1377)

3

2018

Analysis of Time Series for

Postal Shipments in Regional

VII East Java Indonesia Volume 974

IOP Conf. Series:

Journal of Physics:

4. 2019

GMM estimation of

simultaneous spatial panel

data dynamic models with

high order models approach

Volume 243

IOP Conf. Series:

Earth and

Environmental

Science 012048

ii. Paten (2) terakhir

j. Tugas Akhir (2 terakhir yang paling relevan), Tesis (2 terakhir yang paling relevan),

dan Disertasi (2 terakhir yang paling relevan) yang sudah selesai dibimbing.

34

Biodata Anggota Peneliti

a. Nama Lengkap : Nur Azizah

b. Jenis Kelamin : Perempuan

c. NPP : 1987202012015

d. Fungsional/Pangkat/Gol : III/b

e. Jabatan Struktural : -

f. Bidang Keahlian : Bayesian, Proses Stokastik

g. Fakultas/Jurusan : Vokasi/Statistika Bisnis

h. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember

i. Alamat Rumah dan No. Telp. : Jl. Keputih Gang III C No. 3

Hp-(085646303133)

j. Riwayat penelitian (2 terakhir yang didanai ITS atau nasional, sebutkan sebagai Ketua atau Anggota)

Judul Penelitian: Poisson Hidden Markov Model dengan Pendekatan Bayesian pada

Peramalan Banyaknya Kejadian Gempa Bumi di Provinsi Nusa Tenggara Barat

(Didanai oleh Kemenristekdikti, sebagai Ketua)

k. Riwayat pengabdian (2 terakhir yang didanai ITS atau nasional, sebutkan sebagai Ketua atau

Anggota)

-

l. Publikasi ilmiah (2 terakhir dalam bentuk makalah atau buku)

1. IOP Conference Series: Materials Science and Engineering dengan judul “Two State

Poisson Hidden Markov Models for Analysis of Seismicity Activity Rates in West Nusa

Tenggara”. Volume 546. doi: 10.1088/1757-899X/546/5/052015.

Publish: https://iopscience.iop.org/article/10.1088/1757-899X/546/5/0520155

2. Prosiding Seminar Nasional Integrasi Matematika dan Nilai Islami dengan judul

“Efektifitas Model Regresi OLS (Ordinary Least Square) dan Geographically Weighted

Regression (GWR) pada Indeks Pembangunan Manusia (IPM) di Provinsi Jawa Timur”,

diselenggarakan oleh Universitas Islam Negeri Maulana Malik Ibrahim Malang, tanggal

21 September 2019.

Publish: http://conferences.uin-malang.ac.id/index.php/SIMANIS/issue/view/14

3. Prosiding Seminar Nasional Matematika dan Pembelajarannya dengan judul “Efektivitas

Fungsi Cobb-Douglas dan Fungsi Constant Elasticity of Substitution pada Industri

Pertanian”, diselenggarakan oleh Universitas Negeri Malang, tanggal 25 November 2017.

35