%0 Generic
%A BETA PUTRI ANZELA, 1717031036
%C UNIVERSITAS LAMPUNG
%D 2021
%F eprints:61626
%I Fakultas Matematika Ilmu Pengatahuan Alam
%T PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE  (ARIMA) MENGGUNAKAN METODE PROSEDUR ITERATIF PADA    DATA PENCILAN DERET WAKTU
%U http://digilib.unila.ac.id/61626/
%X Dalam penelitian ini akan ditentukan model ARIMA (Autoregessive Integrated Moving  Average ) terbaik dengan tujuan menghasilkan tingkat keakuratan yang tinggi dalam  memprediksi nilai IHSG yang akan datang. Model ARIMA dikatakan layak dalam  melakukan peramalan adalah jika model tersebut telah memenuhi asumsi untuk  residualnya. Metode prosedur iteratif digunakan untuk mengatasi masalah ketika tidak  terpenuhinya salah satu asumsi model ARIMA yaitu asumsi normalitas. Berdasarkan  deteksi pencilan pada residual data IHSG yang dilakukan terdapat dua jenis pencilan yang  signifikan masuk ke dalam model ARIMA dengan MAPE 1,1% sehingga akurasi  peramalan sebesar 98.9%. Adapun model ARIMA dengan penambahan pencilan yang  terbentuk sebagai berikut: Zt = 0.5125Zt−1 + 0.4875Zt−2 + at − 0.6529at−1 −  567.2498 It    (99) − 1518.2698 It  (105)  .    Kata Kunci: ARIMA ( Autoregessive Integrated Moving Average ), Prosedur Iteratif,    Deteksi Pencilan    In this study, the best ARIMA ( Autoregessive Integrated Moving Average ) modelling  will be used to produce a high level of accuracy in predicting IDX price in the future.  ARIMA modelling can result the accurate data, if the model has been met by assumption  of the residuals. The iterative procedure method is using to help solve the problem when  the assumption of ARIMA model is unfulfilled. Based on detection outlier of IHSG data,  there are two type significant outliers, where the items can be inserted into ARIMA model  so the result of MAPE is 1,1% and the accuracy of foecasting is 98.9%. The model  of ARIMA with outlier is as following: Zt = 0.5125Zt−1 + 0.4875Zt−2 + at −  0.6529at−1 − 567.2498 It    (99) − 1518.2698 It  (105)  .    Keywords: ARIMA ( Autoregessive Integrated Moving Average ), Iterative    Procedure, Outlier Detection