pengembangan model peramalan dengan pendekatan deep ......harga saham sektor pertambangan dengan...
TRANSCRIPT
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 :
πΆπππ(ππ‘ππ‘+π) =πΈ[(ππ‘βπ)(ππ‘+πβπ)]
πΈ[(ππ‘βπ)2]=
πΎ(π)
πΎ(0)=
πΎπ
πΎ0= ππ (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 ππ(π΅)ππ‘ = ππ‘ atau dalam bentuk persamaan :
(1 β π1π΅ β π2π΅2 β . . . βπππ΅π )ππ‘ = ππ‘
ππ‘ = π1ππ‘β1 + π2ππ‘β2+ . . . + ππππ‘βπ+ ππ‘ (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 ππ‘ =
ππ(π΅)ππ‘ atau dalam bentuk persamaan :
ππ‘ = (1 β π1π΅ β π2π΅2β . . . β πππ΅π)ππ‘
ππ‘ = ππ‘ β π1ππ‘β1 β π2ππ‘β2β . . . β ππππ‘βπ (3)
3. Model Autoregresi Moving Average (Model ARMA)
Model ini merupakan gabungan antara AR dan MA yang dapat ditulis dalam
bentuk ππ(π΅)ππ‘ = ππ(π΅)ππ‘ atau dalam bentuk model peramalan yaitu
(1 β π1π΅ β π2π΅2 β . . . βπππ΅π )ππ‘ = (1 β π1π΅ β π2π΅2β . . . β πππ΅π)ππ‘
ππ‘ = π1ππ‘β1 + π2ππ‘β2+ . . . + ππππ‘βπ+ ππ‘ β π1ππ‘β1 β
10
ππ‘β2β . . . β ππππ‘βπ (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 :
ππ(π΅)(1 β π΅)πππ‘ = ππ(π΅)ππ‘
(1 β π1π΅ β π2π΅2 β . . . βπππ΅π )(1 β π΅)πππ‘ = (1 β π1π΅ β
π2π΅2β . . . β πππ΅π)ππ‘ (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
π(π§) =1
1+πβπ§ (7)
Dimana :
π§ = π + β ππππ=1 ππ
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 2β9.
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 ( πΏπ ) yang digunakan untuk mendapatkan
bobot terkoreksi dan bias.
14
Langkah 7 : Setiap hidden layer (Zj, j=1,2, . . . , p) meghitung πΏπ
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, βTwo State Poisson Hidden Markov Models for Analysis of
Seismicity Activity Rates in West Nusa Tenggaraβ. 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):533β536, 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. 858β865,
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 : [email protected]
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 β 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) β Norton Rose Australia,
May β 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. βPengelolaan Laboratoriumβ, pada Penguatan kegitan berbasis Laboratorium
di Sekolah Tinggi Ilmu Statistika, 2014
2. βPengelolaan dan Manajemen Lembaga Pusat Karir di ITSβ, pada revitalisasi
Lembaga Pusat Karir di Universitas Muhamadiyah Sidoarjo, 2014
3. β Pemodelan Data Deret Waktu dengan metode Radial Basis Function
Networkβ Pada Seminar Nasional Matematika 2015 di Surabaya
4. βMonitoring dan Laporan Pendataan Tamu Kunjungan Kerja di Pemkot
Surabayaβ 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. 858β865, ISSN Print: 0976-6340 and ISSN Online:
0976-6359, Β© 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 β 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 β 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 βTwo State
Poisson Hidden Markov Models for Analysis of Seismicity Activity Rates in West Nusa
Tenggaraβ. 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
βEfektifitas Model Regresi OLS (Ordinary Least Square) dan Geographically Weighted
Regression (GWR) pada Indeks Pembangunan Manusia (IPM) di Provinsi Jawa Timurβ,
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 βEfektivitas
Fungsi Cobb-Douglas dan Fungsi Constant Elasticity of Substitution pada Industri
Pertanianβ, diselenggarakan oleh Universitas Negeri Malang, tanggal 25 November 2017.
35