PERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI. Oleh: IRLIZANTY YULYANTIKA RAHADI

Transkripsi

1 PERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI Oleh: IRLIZANTY YULYANTIKA RAHADI 6 4 Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes Abstrak Indeks harga saham merupakan suatu indikator yang menunjukkan pergerakan harga saham. Setiap hari indeks harga saham mengalami fluktuasi secara tidak pasti. Seperti halnya indeks-indeks yang lain, fluktuasi indeks harga saham PT. Timah Tbk (TINS) banyak dipengaruhi faktor eksternal diantaranya adalah krisis global pada minggu pertama Agustus. Kejadian eksternal tersebut menyebabkan terjadinya lonjakan penurunan yang sangat. Model yang sesuai untuk Indeks Harga Saham TINS tersebut adalah model intervensi. Hasil analisis menunjukkan bahwa Indeks Harga Saham TINS memiliki model terbaik ARIMA ([,],,) dengan orde b=, s= dan r=. Model tersebut menjelaskan bahwa dengan adanya krisis global memberikan efek terhadap indeks harga saham TINS dimana hasil ramalan semakin lama semakin meningkat. Kata Kunci : indeks harga saham, time series, intervensi. PENDAHULUAN Saham merupakan instrumen pasar keuangan yang paling popular. Menerbitkan saham merupakan salah satu pilihan perusahaan ketika memutuskan untuk pendanaan perusahaan. Di sisi lain, saham merupakan instrumen investasi yang banyak dipilih para investor karena saham mampu memberikan keuntungan yang menarik. Dengan adanya indeks, kita dapat mengetahui trend pergerakan harga saham saat ini apakah sedang naik, stabil atau turun. Pergerakan indeks menjadi indikator penting bagi para investor untuk menentukan apakah mereka akan menjual, menahan atau membeli suatu atau beberapa saham [3]. Forecasting (peramalan) merupakan suatu kegiatan untuk memperkenalkan apa yang akan terjadi pada masa mendatang berdasarkan situasi dan kondisi yang terjadi sekarang dan masa lalu. Perspektif pada peramalan sama beragamnya dengan pandangan setiap kelompok metode ilmiah yang dianut oleh pengambil keputusan []. Pada tugas akhir Dewi Sulistyawati, 4 mendapatkan suatu rumusan pemodelan dan meramalkan indeks harga saham PT HM Sampoerna Tbk menggunakan fungsi transfer dan GARCH [6]. Tugas akhir Indra Wati, memodelkan indeks harga saham harian bank X dengan analisis regresi logistik [7]. Dan tugas akhir Alfi Akmalia-Statistik 9 menganaliasis model dan ramalan kebutuhan bahan baku kertas roll CD surat kabar Jawa Pos di PT. Temprina Media Grafika Dengan Metode []. Dalam usulan Tugas akhir ini menggunakan indeks harga saham dengan variabel yang digunakan adalah weekly close price. close price sangat penting bagi para investor, karena dapat dijadikan acuan dalam menentukan trend pasar periode berikutnya. Metode yang digunakan adalah dengan menggunakan analisis intervensi, karena pada terjadi krisis global dan menyebabkan pola indeks harga saham berubah yaitu mengalami lonjakan. Adapun tujuan dari penulisan Tugas Akhir ini adalah:. Mengetahui karakteristik data indeks harga saham dari Januari 7 sampai April.. Mengetahui model indeks harga saham akibat intervensi dalam hal ini yang dianggap berpengaruh adalah krisis global. 3. Meramalkan indeks harga saham periode berikutnya. Manfaat dari penulisan Tugas Akhir ini adalah :. Mengetahui aplikasi pemodelan pada data time series dengan adanya suatu pengaruh kejadian luar (external event) dan mampu menerapkannya ke dalam sebuah kasus dalam hal ini indeks harga saham.. Memberikan informasi bagi pihak-pihak terkait dalam rangka mengambil kebijakan-kebijakan mengenai indeks harga saham untuk langkah selanjutnya.. METODE INTERVENSI Bentuk umum dari model intervensi multi input adalah []: Y t = ω s(b)b b δ r (B) I t + N t (.) Dengan

2 b : jumlah periode sebelum deret input (I t ) mulai mempengaruhi deret output (Y t ) atau sama dengan lag dimana ditemukan spike pertama atau nilai residual yang keluar dari ±3σ dalam sample cross corelation (SCC) ω B : menyatakan besarnya kenaikan level (mean), dimana s menunjukkan jumlah dari nilai-nilai (I t ) yang mempengaruhi besarnya nilai (Y t ). Secara praktis dapat ditunjukkan bahwa spike pertama dalam SCC akan diikuti oleh sebuah pola clear dyingdown (turun kemudian menghilang yang mungkin berbentuk eksponensial) atau sinusoidal. Besarnya s adalah sama dengan kumpulan jumlah lag yang terletak diantara spike pertama dan awal terjadinya pola clear dying-down. ω s B = ω ω B ω s B s δ r B : menyatakan bentuk (decay atau delay) dari proses sebagai respon masing-masing akibat adanya pengaruh intervensi. r menunjukkan jumlah dari nilai-nilai masa lalu yang berhubungan dengan (Y t ). Secara praktis untuk menentukan besarnya r adalah menguji SCC menurun setelah lags (b + s). Secara khusus jika SCC (selisih antara residual dengan batas ±3σ) semakin mengecil dan pola berbentuk eksponensial, maka r =, jika SCC (selisih antara residual dengan batas ±3σ) semakin mengecil berbentuk gelombang sinus maka gunakan r =. δ r B = δ B δ r B r Secara umum ada dua jenis variabel intervensi, yaitu Fungsi Step dan Pulse. Kejadian intervensi yang terjadi sejak waktu T dan seterusnya dalam waktu yang panjang disebut fungsi step. Secara matematis, bentuk intervensi fungsi step ini dinotasikan sebagai berikut: I t = S t = t < T (.) t T Sedangkan pada fungsi pulse, kejadian intervensi terjadi hanya pada waktu T saja dan tidak berlanjut pada waktu selanjutnya. Secara matematis, bentuk intervensi fungsi pulse ini dinotasikan sebagai berikut: I t = P t = t T (.3) t = T Dalam mengidentifikasi orde pada model intervensi (b, r, dan s), dapat dilakukan dengan melihat plot residual. Residual diperoleh dari selisih antara data hasil pengamatan dengan nilai peramalan menggunakan noise model. Misalkan residual dinotasikan sebagai Y t, maka: Y t = Y t N t = f(i t ) Nilai b ditentukan dengan melihat kapan efek intervensi mulai terjadi, nilai s menunjukkan kapan gerak bobot respon mulai mengalami penurunan, dan r menunjukkan pola dari residual. 3. METODE PENELITIAN Urutan langkah langkah dalam menganalisis data adalah sebagai berikut : a. Analisis deskriptif Indeks Harga Saham TINS b. Memplot dan membagi data sebelum dan setelah c. Menstasionerkan data baik dalam mean maupun varians kemudian membuat plot ACF dan PACF d. Menentukan model pre- dari plot ACF dan PACF e. Melakukan pengujian parameter model dan pemeriksaan diagnostik pada residual f. Membuat plot antara waktu dengan residual untuk menentukan orde intervensi (b,s,r) g. Melakukan pengujian parameter model dan pemeriksaan diagnostik pada residual pada model intervensi h. Pemodelan sebelum dan setelah intervensi i. Peramalan Indeks Harga Saham periode berikutnya 4. HASIL PENELITIAN A. Analisis Deskriptif Hasil analisis deskriptif indeks harga saham TINS pada Januari 7 sampai April disajikan pada Tabel Tabel Analisis Deskriptif Indeks Harga Saham TINS Varia Ratarata man mum mum Keraga Mini Maksi n bel Pre Inter 9,4 34,4 97 Tabel menunjukkan bahwa data pengamatan sebanyak 7 minggu dimana rata-rata indeks harga saham TINS pada saat sebelum terjadi krisis global ditutup dengan poin sebesar, dengan harga penutupan terendah dan harga penutupan tertinggi 379. Data indeks harga saham TINS pada saat sebelum terjadinya krisis global memiliki varians yang besar yaitu sebesar 996. Pada saat terjadi krisis global, rata-rata indeks harga saham TINS ditutup dengan poin sebesar,4. Penutupan terendah dicapai dengan poin sebesar seiring dengan kondisi buruk yang terjadi di bursa saham. Close Price tertinggi dicapai dengan poin sebesar 97. Data indeks harga saham TINS pada saat dan setelah terjadinya krisis global memiliki varians yang lebih kecil dari sebelum terjadi krisis global yaitu sebesar 34,4. B. Pemodelan Indeks Harga Saham TINS Pada Gambar terdapat garis vertikal yang menunjukkan titik observasi ke-4 atau sebelum terjadinya krisis global. Plot menunjukkan penurunan indeks harga saham TINS yang sangat mencolok yaitu pada saat terjadi krisis global. Hal ini menunjukkan kejadian eksternal, yaitu krisis global

3 Box-Cox Autocorrelation StDev Box-Cox pre intervensi Data StDev memberikan dampak terhadap data indeks harga saham TINS. 4 3 Time Series Plot of Data 4 Gambar 4 Plot Time Series Transformasi Z t pre- Box-Cox Plot of Box-Cox Lower CL Upper CL, Lambda (using 9,% confidence) Estimate,, Lower CL, Upper CL,7 Rounded Value,, 7, Gambar Plot Time Series Indeks Harga Saham TINS Plot time series pre-intervensi pada Gambar. Pada bagian ini dilakukan pemeriksan data untuk memeriksa kestasioneran serta identifikasi model Time Series Plot of pre intervensi Gambar Plot Time Series sebelum terjadi Kestasioneran dalam varians dapat diketahui dari hasil estimasi λ pada transformasi Box-Cox, sedangkan kestasioneran dalam mean dapat dilihat dari plot time series dan plot ACF. Estimasi dapat dilihat pada Gambar 3. Box-Cox Plot of pre intervensi , -, -,, Lambda Gambar Plot Box-Cox Transformasi Z t Pada Gambar 4 data Indeks Harga Saham TINS pre- tidak stasioner dalam mean, maka dilakukan pembedaan orde ke- pada data Transformasi Z t pre-. Dari plot Box-Cox pada Gambar terlihat bahwa data Indeks Harga Saham TINS pre- sudah stasioner dalam varian karena diperoleh λ=. Langkah selanjutnya adalah membuat time series plot dan ACF plot dari data pre-intervensi untuk mengetahui kestasioneran data dalam mean. Setelah pembedaan orde ke- diperoleh plot time series dan ACF dalam Gambar 6 dan Gambar ,, Time Series Plot of Box-Cox Limit Lower CL Upper CL Lambda (using 9,% confidence) Estimate,4 Lower CL,3 Upper CL,74 Rounded Value, Gambar 6 Plot Time Series Transformasi pre Lambda 3 Gambar 3 Plot Box-Cox Pre- Setelah dilakukan transformasi Z t diperoleh plot time series dan plot Box-Cox seperti dalam Gambar 4 dan Gambar 4 Limit,,,6,4,, -, -,4 -,6 -, -, Autocorrelation Function for Box-Cox (with % significance limits for the autocorrelations) Time Series Plot of Box-Cox Lag Gambar 7 Plot ACF Transformasi pre- Plot time series pada Gambar 6 menunjukkan series tidak berada pada garis lurus atau polanya tidak berada pada rata-rata yang konstan dan pola cenderung trend. Kestasioneran dalam mean juga diperkuat dengan adanya plot ACF yang menunjukkan lag bergerak secara lambat untuk mendekati nol (dies down very slowly)

4 Partial Autocorrelation Autocorrelation Diff Ketidakstasioneran terhadap mean dapat diatasi dengan menggunakan differencing. Hasil plot time series dari data yang telah didifferencing dapat dilihat pada Gambar Time Series Plot of Diff Gambar Plot Time Series Differencing pre- Gambar menunjukkan plot yang telah dilakukan differencing satu telah berada pada ratarata yang konstan dan dapat dikatakan bahwa data indeks harga saham TINS sudah stasioner dalam mean. Langkah selanjutnya adalah menentukan model awal dengan menggunakan plot ACF dan PACF yang disajikan pada Gambar 9 dan.,,,6,4,, -, -,4 -,6 -, -, Autocorrelation Function for Diff (with % significance limits for the autocorrelations) 3 4 Lag Gambar 9 Plot ACF Differencing pre-,,,6,4,, -, -,4 -,6 -, -, Partial Autocorrelation Function for Diff (with % significance limits for the partial autocorrelations) 3 Gambar Plot PACF Differencing Pre- Pada Gambar 9 pola dari ACF adalah cuts off setelah lag ke- dan pada Gambar pola dari PACF adalah cuts off setelah lag ke- dan lag ke-, maka dapat diduga bahwa model sementara untuk Indeks Harga Saham TINS pre- adalah ARIMA ([,],,[]) dengan dan tanpa konstanta. Selanjutnya dilakukan estimasi parameter model ARIMA ([,],,[]) dengan konstanta untuk mengetahui dugaan tersebut benar atau salah dapat dilihat pada Tabel 4 Lag Tabel Estimasi Parameter Model pre- ARIMA ([,],,[]) dengan konstanta Para Standard t P- Estimasi meter Error hitung value μ φ φ θ Pengujian signifikansi parameter dari model tersebut dengan menggunakan statistik uji t-student dengan α = %. Uji Signifikansi Parameter μ H : μ = (parameter tidak signifikan) H : μ (parameter signifikan) Karena P value =.4 <. maka H ditolak artinya parameter μ signifikan. Uji Signifikansi Parameter φ H : φ = (parameter tidak signifikan) H : φ (parameter signifikan) t itung = φ sd φ = =.4 t tabel = tα,n p q = t., =,996 Karena t itung > t tabel atau P value =.444 <. maka H ditolak artinya parameter φ signifikan. Uji Signifikansi Parameter φ H : φ = (parameter tidak signifikan) H : φ (parameter signifikan) t itung = φ sd φ = =. t tabel = tα,n p q = t., =,996 Karena t itung > t tabel atau P value =.3 <. maka H ditolak artinya parameter φ signifikan. Uji Signifikansi Parameter θ H : θ = (parameter tidak signifikan) H : θ (parameter signifikan) t itung = θ sd θ = =.77 t tabel = tα,n p q = t., =,996 Karena t itung < t tabel atau P value =.444 >. maka H diterima artinya parameter θ tidak signifikan. Berdasarkan hasil uji signifikasi paramater μ, φ, φ dan θ dapat disimpulkan bahwa pada model

5 Percent ARIMA ([,],,[]) dengan konstanta parameternya ada yang tidak signifikan. Ada dua asumsi yang harus dipenuhi dalam menentukan model yang sesuai, yaitu residual bersifat white noise dan berdistribusi normal. Pengujian asumsi residual white noise dapat dilakukan dengan menggunakan uji Ljung-Box dengan α = % sebagai berikut: H o ρ = ρ = = ρ K = H minimal ada satu ρ j, dimana j =,, K Statistik uji Ljung-Box: Q = n n + K k= Untuk K = 6 maka: Q = ρ k, n > k n k 6 k= ρ k, n > k 3 k = 7(,3 3 +, 3 +, , (,6) 3 + (,) 3 6 ) =,74 χ α,k p q = χ.,3 = 7,473 Dengan cara yang sama seperti perhitungan Q di atas maka untuk K =,, dan 4 hasil Q yang diperoleh dapat dilihat pada Tabel 3. Karena Q < χ.,3 atau P value >. maka H diterima artinya residual white noise. Tabel 3 Uji Asumsi Residual White noise model ARIMA ([,],,[]) dengan konstanta Lag (K) Q χ α,k p q P-value , , , , Hasil uji white noise yang disajikan dalam Tabel 3 dengan menggunakan taraf signifikansi atau α sebesar % dapat diketahui bahwa seluruh lag signifikan, sehingga residual dari model ARIMA ([,],,[]) sudah memenuhi asumsi white noise. Sedangkan pengujian asumsi distribusi normal dapat dilakukan dengan menggunakan uji Kolmogorov-Smirnov pada Gambar dengan α = %. Pengujian ini dapat dilakukan melalui hipotesis sebagai berikut: H : F x = F x (Residual berdistribusi normal) H : F x F x (Residual tidak berdistribusi normal) Statistik uji: D = sup x S x F x =,67 D α,n = D,,3 =,339 Karena D < D,,3 atau P value =. >. maka H diterima artinya residual model berdistribusi normal. 99, , - Probability Plot of ARIMA ([,],,[])dgc Normal - ARIMA ([,],,[])dgc Mean -,3 StDev,64 N KS,7 Gambar Plot Kenormalan Residual pre- ARIMA ([,],,[]) dengan konstanta Dari hasil pengujian parameter tidak signifikan, residual white noise dan berdistribusi normal dapat disimpulkan bahwa model ARIMA ([,],,[]) dengan konstanta tidak sesuai untuk model data Indeks Harga Saham TINS pre-. Selanjutnya dilakukan estimasi parameter model ARIMA ([,],,[]) tanpa konstanta untuk mengetahui dugaan tersebut benar atau salah dapat dilihat pada Tabel 4 Tabel 4 Estimasi Parameter Model pre- ARIMA ([,],,[]) tanpa konstanta Para Standard t P- Estimasi meter Error hitung value φ φ θ Pengujian signifikansi parameter dari model tersebut dengan menggunakan statistik uji t-student dengan α = %. Uji Signifikansi Parameter φ H : φ = (parameter tidak signifikan) H : φ (parameter signifikan) t itung = φ sd φ =.63.7 = 3.6 t tabel = tα,n p q = t., =,996 Karena t itung > t tabel atau P value =. <. maka H ditolak artinya parameter φ signifikan. Uji Signifikansi Parameter φ H : φ = (parameter tidak signifikan) H : φ (parameter signifikan) P-Value >,

6 Percent t itung = φ sd φ =..4 =.4 t tabel = tα,n p q = t., =,996 Karena t itung > t tabel atau P value =.44 <. maka H ditolak artinya parameter φ signifikan. Uji Signifikansi Parameter θ H : θ = (parameter tidak signifikan) H : θ (parameter signifikan) t itung = θ sd θ = =.6 t tabel = tα,n p q = t., =,996 Karena t itung < t tabel atau P value =.67 >. maka H diterima artinya parameter θ tidak signifikan. Berdasarkan hasil uji signifikasi paramater φ, φ dan θ dapat disimpulkan bahwa pada model ARIMA ([,],,[]) tanpa konstanta parameternya ada yang tidak signifikan. Ada dua asumsi yang harus dipenuhi dalam menentukan model yang sesuai, yaitu residual bersifat white noise dan berdistribusi normal. Pengujian asumsi residual white noise dapat dilakukan dengan menggunakan uji Ljung-Box dengan α = % sebagai berikut: H o ρ = ρ = = ρ K = H minimal ada satu ρ j, dimana j =,, K Statistik uji Ljung-Box: Q = n n + K k= Untuk K = 6 maka: Q = ρ k, n > k n k 6 k= ρ k, n > k 3 k = 7(,64 3 +,9 3 +, , (,9) 3 + (,9) 3 6 ) = 4,93 χ α,k p q = χ.,3 = 7,473 Dengan cara yang sama seperti perhitungan Q di atas maka untuk K =,, dan 4 hasil Q yang diperoleh dapat dilihat pada Tabel. Karena Q < atau P value >. maka H diterima χ.,4 artinya residual white noise. Tabel Uji Asumsi Residual White noise model ARIMA ([,],,[]) tanpa konstanta Lag (K) Q χ α,k p q P-value , , , , Hasil uji white noise yang disajikan dalam tabel dengan menggunakan taraf signifikansi atau α sebesar % dapat diketahui bahwa seluruh lag signifikan, sehingga residual dari model ARIMA ([,],,[]) sudah memenuhi asumsi white noise, yang dapat diartikan tidak ada korelasi antar residual. Sedangkan pengujian asumsi distribusi normal dapat dilakukan dengan menggunakan uji Kolmogorov-Smirnov pada Gambar dengan α = %. Pengujian ini dapat dilakukan melalui hipotesis sebagai berikut: H : F x = F x (Residual berdistribusi normal) H : F x F x (Residual tidak berdistribusi normal) Statistik uji: D = sup x S x F x =,736 D α,n = D,,3 =,339 Karena D < D.,3 atau P value =. >. maka H diterima artinya residual model berdistribusi normal. 99, , - Probability Plot of ARIMA ([,],,[])tnpc Normal - ARIMA ([,],,[])tnpc Mean,34 StDev,94 N KS, Gambar Plot Kenormalan Residual pre- ARIMA ([,],,[]) tanpa konstanta Dari hasil pengujian parameter tidak signifikan, residual white noise dan berdistribusi normal dapat disimpulkan bahwa model ARIMA ([,],,[]) tanpa konstanta tidak sesuai untuk model data Indeks Harga Saham TINS pre-. Berdasarkan Gambar 9 dan Gambar Indeks Harga Saham TINS pre- memungkinkan terdapat lebih dari satu model ARIMA, sehingga langkah selanjutnya yaitu overfitting. Untuk memilih model yang terbaik dari hasil overfitting dilakukan dengan memilih parameter yang signifikan, residual memenuhi asumsi white noise, dan residual berdistribusi normal yang dapat dilihat pada Tabel 6. P-Value >, 6

7 Mean of Residual Data φ B φ B B W t = a t + C a t + C W t = φ B φ B B W t =. + W t.966w t +.966W t 3.374W t +.374W t + a t Setelah model ARIMA untuk pre intervensi diperoleh, maka langkah selanjutnya adalah menentukan model intervensi pada indeks harga saham TINS. Sebelum dilakukan pemodelan, terlebih dahulu menentukan orde (b,s,r) dari bar chart residual model pre intervensi. 3 7 Time Series Plot of Data asli; Forecast Variable Data asli Forecast Gambar 3 Plot data Indeks Harga Saham TINS sebelum dan setelah intervensi Dari Gambar 3 dapat dilihat bahwa Indeks Harga Saham TINS mengalami penurunan sejak terjadinya krisis global Agustus. Kemudian membuat diagram residual dari model sebagaimana ditampilkan pada Gambar 4 berikut Chart of Mean( Residual ) vs Waktu Waktu Gambar 4 Plot Bar Chart Residual sesudah Gambar 4 memperlihatkan bahwa dengan adanya kejadian intervensi pertama yaitu krisis global sejak Agustus menyebabkan residual dari data peramalan keluar batas ±3σ. Dan dari gambar tersebut bisa ditentukan orde model intervensi pertama yaitu b=, s=, dan r=. Karena efek intervensi pertama cenderung permanen, maka fungsi yang digunakan adalah fungsi step. Tabel 4.7 berikut menyajikan hasil estimasi parameter Model pertama. Tabel 7 Nilai Estimasi Parameter dan Uji Signifikansi Parameter Model Pertama Tabel 6 Hasil Overfitting Model ARIMA pre- Model Parameter White Berdistribusi ARIMA Signifikan Noise MSE (,,[]) konstanta Normal,9779 (,,[]) Normal 6,634 ([,],,) white Signifikan konstanta noise Normal,649 ([,],,) Normal,9994 ([],,) white Signifikan konstanta noise Normal,646 ([],,) Normal 6,79 ([],,[]) konstanta Normal,77469 ([],,[]) Normal 6,497 Tidak ([],,) Signifikan white konstanta noise Normal,773 ([],,) Normal 6,399 ([],,[]) white Signifikan konstanta noise Normal,739 ([],,[]) Normal,9937 Dari hasil pada Tabel 6 diperoleh model ARIMA ([,],,) dengan konstanta, ARIMA ([],,) dengan konstanta, dan ARIMA ([],,[]) dengan konstanta merupakan model yang terbaik untuk data Indeks Harga Saham TINS pre-. Dari ketiga model tersebut yang memiliki MSE terkecil adalah model ARIMA ([,],,) dengan MSE sebesar,649. Maka diperoleh persamaan dari model ARIMA ([,],,) dengan konstanta data Indeks Harga Saham TINS pre- sebagai berikut: Parameter Error Standard Estimasi t hitung P-value μ,6773,34,9,43 Sig φ -,6,7433 -,97,34 Sig φ -.337,7643-3,6,6 Sig ω -6,436 4,4-3,7 <, Sig ω 9,7696 4,7,33, Sig Setelah didapatkan nilai estimasi parameter model intervensi pertama, maka selanjutnya dilakukan pengujian asumsi residual white noise dan asumsi kenormalan residual. Uji white noise dilakukan dengan menggunakan Statistik Uji Chi- Square dengan hasil sebagaimana diberikan pada 6,9-6,9 Kepu tusan 7

8 Data Tabel, dimana sampai dengan lag ke-4 p-value menunjukkan nilai yang lebih besar dari, yang artinya residual sudah white noise. Tabel Uji Asumsi Residual White noise Lag (K) Q χ α,k p q P-value 6 7,7 9,4773, 3,96,37,74, 6,96,6 4 6,74 33,944,4 3 3,64 4,337,493 Hasil uji white noise yang disajikan dalam tabel residual sudah memenuhi asumsi white noise. Sesudah dilakukan pengujian white noise. Selanjutnya dapat dilihat plot data dan Ramalan Indeks Harga Saham TINS mingguan pada Gambar 4. Time Series Plot of Data TINS; Ramalan Variable Data TINS Ramalan Tabel.9 Hasil Peramalan Indeks Harga Saham TINS Mingguan dengan Metode Periode Tanggal Data Asli Forecast 73 3-Mei- 47,4346 3, Mei- 47,4346 4, Mei- 4,, Mei- 4, Mei- 46,977, Jun- 47, , Jun- 46,369 7,493 -Jun- 47,4346,636 -Jun- 47,4346 9,444 -Jul- 4,76 6,76 3 -Jul- 46,369 6, Jul- 46,369 6,36 Dengan perhintungan MAPE: MAPE = M l= = % X t F t X t M x% Gambar 4. Plot data Indeks Harga Saham TINS dan Ramalan dengan Metode Gambar 4. memperlihatkan bahwa plot data Indeks Harga Saham TINS dengan Ramalan menggunakan metode intervensi mendekati kenyataan. Hal ini menunjukkan bahwa metode intervensi dapat digunakan pada data indeks Harga saham TINS yang mengalami penurunan akibat krisis global. Dari hasil estimasi parameter diatas dapat dituliskan model intervensi pertama sebagai berikut: Y t = 6,4364S t 9,7696S t a t +, ,6B +,337B ; Y ( B) t = Z t C. Ramalan Indeks Harga Saham TINS Model yang diperoleh selanjutnya akan digunakan untuk peramalan data mean untuk minggu mulai Mei-Juli. Hasil peramalan disajikan dalam Tabel 9, dimana hasil peramalan diatas dapat dilihat bahwa pada Tahun nilai ramalan tertinggi terjadi pada periode ke-4 tepatnya tanggal 9 Juli, sedangkan nilai ramalan terendah terjadi pada periode ke-73 tepatnya tanggal 3 Mei PENUTUP Dari analisa data dan pembahasan dapat disimpulkan sesuai dengan permasalahan dan tujuan yang diharapkan, yaitu:. Analisis deskriptif dari data indeks harga saham TINS yang digunakan untuk mengetahui pola data selama waktu pengamatan. Hasil analisis deskriptif indeks harga saham TINS pada Januari 7 sampai April yang dibagi menjadi bagian yaitu pre-intervensi dan intervensi. Hasil dari analisis deskriptif menunjukkan bahwa rata-rata, keragaman, nilai minimum, dan nilai maksimum pre-intervensi lebih besar dibandingkan intervensi.. Model yang didapat dari data Indeks harga saham TINS dengan metode adalah: Y t = 6,4364S t 9,7696S t + a t +,9743 +,6B +,337B ( B) ; Y t = Z t 3. Hasil ramalan indeks harga saham TINS periode 3 Mei sampai 9 Juli rata-rata adalah 7,3349 dengan MAPE %. Model yang didapat hanya menggunakan fungsi step. Pada penelitian selanjutnya, peneliti menyarankan agar menambah faktor eksternal dalam analisis intervensi agar hasil peramalan lebih mendekati aktual. DAFTAR PUSTAKA [] Akmalia, Alfi. 9. Analisis Peramalan Terhadap Kebutuhan Bahan Baku Kertas Roll CD Surat Kabar Jawa Pos di PT. Temprina Media Grafika Dengan Metode

9 . Tugas Akhir. Jurusan Statistika ITS. Surabaya. [] Bowerman, B. L, dan O Connel, R. T. 993, Forecasting and Time Series: An Applied Approach, 3 th edition, California:Duxbury Press [3] Indonesia Stock Exchange.. Buku Panduan Indeks Harga Saham Bursa Efek Indonesia. Jakarta: IDX [4] Lo.. Mengenal Pasar Modal. (online). < _pasar_modal>, diakses Minggu, Februari. [] Makridakis, S. Wheelwright, SC and McGee, Victor E Metode dan Aplikasi Peramalan. Diterjemahkan oleh Suminto, Hari Ir. Jakarta: Erlangga. [6] Nuvitasari, Eka. 9. Analisis Multi Input Fungsi Step dan Pulse untuk Peramalan Kunjungan Wisatawan ke Indonesia. Thesis. Jurusan Statistika ITS. Surabaya. [7] Wati, Indra.. Pemodelan Indeks Harga Saham Harian Bank X dengan Analisis Regresi Logistik. Tugas Akhir. Jurusan Statistika ITS. Surabaya. [] Wei, W.W.S. 99. Time Series Analysis : Univariate and Multivariate Methods. United State of America : Addison-Wesly Publishing Company. 9