| dc.description.abstract | Merupakan hal sangat penting untuk melakukan pemodelan deret waktu terhadap tingkat suku bunga SB!. Metode ARIMA seringkali tid,1k dapat membcrikan basil yang memuaskan terutama bila kondisikondisi awal (asumsi) dari data tidak terpenuhi dengan baik. Neural Network dapat dijadikan alternatif yang layak dlpertimbangkan pada pcmodelan dan peramalan data yang komplek. Penelitian ini bertujuan untuk melihat kemampuan GRNN scbag:1i salah satu lipe Neural Network yang dapat diaplikasikan dalam permnalan data dcrcl waktu, dalam pemodclan tingkat suku bung.1 SBL Data yang digunakan adalah data mingguan periode Agustus 1998 sampai Agustus 2002.
Dampak krisis monctcr terhadap data tingkat suku bunga SBI menyetiabkan sulit terpenuhinya syarat kehomogenan ragam dari data. Olch karcna itu digunakan dua pendekatan yaitu dengan menggunakan data secara keseluruhan (data 1) dan data stasioner (data II) untuk melihat kemampuan dari ARIMA dan GRNN dalam pemode\an dan peramalan. Pemodelan deret waktu terhadap data tcrsebut secara keseluruhan tidak berhasil menemukan model ARIMA yang dapat memenuhi asmnsi keacakan dan kenormalan sisaan. Model terbaik yang diperoleb dari pendekatan ARIMA adalah (2,2, l) yang secara lengkap dapat ditulis sebagai berikut
2,, = 2.94142,,.i -3.04642,,.2+ 0.61422,,.3 -0.16362,,.,. + Et-0.9497et.J
Hasil peramalan ARIMA (2,2, 1) tidak sebaik basil pemodelannya. Berdasarkan nilai MAPE yang diperoleh, GRNN memberikan basil pemodelan dan peramalan yang lebih baik. Model GRNN yang dihasilkan dengan menggunakan data secara keseluruhan dan dam yung stasioner memberikan basil peramalan yang relatif sama. Dengan menggunakan Z..1 sebagai input optimal, nilai MAPE dari per.unalan yang dihasilkannya adalah 0.20%. | id |
