PEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA

Transkripsi

1 PEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA OLEH : 1. Triyono ( M ) 2. Nariswari S ( M ) 3. Ayunita C ( M ) 4. Ibnuhardi F.Ihsan ( M ) 5. Marvina P ( M )

2 LATAR BELAKANG Indonesia negara berkembang Pembangunan di segala bidang Investor ARIMA IHSG Page 2

3 Perumusan Masalah Bagaimana menentukan model data pembukaan IHSG dengan menggunakan model ARIMA (p, d, q)? Bagaimana ramalan data pembukaan IHSG untuk 2 periode yang akan datang Page 3

4 Tujuan Penelitian Mengaplikasikan model ARIMA (p, d, q) yang diperoleh dari mata kuliah Analisis Runtun Waktu pada data pembukaan IHSG Meramalkan data pembukaan IHSG untuk 2 periode yang akan datang (bulan Juli dan Agustus 2011) Page 4

5 Analisis Data Data non stasioner o mean o Phillip Perron o ADF Difference ACF Dan PACF o mean o Phillip Perron o ADF Data Stasioner Page 5 Estimasi Diagnostic Model Peramalan L JungBox Indep residu ACF Normal Residu Homogenitas

6 Data tidak stasioner terhadap mean Trend Analysis Plot for data Linear Trend Model Yt = ,9* t data Variable A ctual F its A ccuracy M easures MA PE 17 MA D 319 MSD Index Page 6

7 Plot Fungsi Autokorelasi Autocorrelation Function for data (with 5% significance limits for the autocorrelations) 1,0 0,8 0,6 Autocorrelat tion 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Page 7

8 Plot Fungsi Autokorelasi Parsial Partial Autocorrelation Function for data (with 5% significance limits for the partial autocorrelations) 1,0 0,8 Partial Autocorr relation 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Page 8

9 Berdasarkan Uji PhillipsPerron & ADF Data Tidak Stationer H 0 : data tidak stasioner Page 9 H 0 tidak ditolak data tidak stasioner Prob > α

10 Data Stationer 500 Trend Analysis Plot for dif1 Linear Trend Model Yt = 15,5 + 0,583* t Variable A ctual F its dif A ccuracy M easures M A PE 113,4 M A D 107,0 M SD 21310, Index Page 10

11 Plot Fungsi Autokorelasi Autocorrelation Function for dif1 (with 5% significance limits for the autocorrelations) ion Autocorrelat 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 satu lag keluar Page Lag

12 Plot Fungsi Autokorelasi Parsial Partial Autocorrelation Function for dif1 (with 5% significance limits for the partial autocorrelations) Partial Autocorre elation 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 satu lag keluar Lag Page 12

13 Berdasarkan Uji PhillipsPerron & ADF Data Stationer H 0 : data tidak stasioner H 0 ditolak data stasioner Prob < α Page 13

14 Estimasi Model Model ARI (1,1) Final Estimates of Parameters Type Coef SE Coef T P AR 1 0,2394 0,1129 2,12 0,037 Constant 29,55 16,54 1,79 0,078 Prob > α Differencing: 1 regular difference Number of observations: Original series 77, after differencing 76 Residuals: SS = (backforecasts excluded) MS = DF = 74 Konstanta tidak Signifikan Page 14

15 Estimasi Model Model IMA (1,1) Final Estimates of Parameters Type Coef SE Coef T P MA 1-0,2766 0,1118-2,47 0,016 Constant 38,75 21,06 1,84 0,070 Prob > α Differencing: 1 regular difference Number of observations: Original series 77, after differencing 76 Residuals: SS = (backforecasts excluded) MS = DF = 74 Konstanta tidak Signifikan Page 15

16 Model ARIMA (1,1,1) Estimasi Model Final H 0 : Konstanta Estimates of Parameters tidak signifikan dalam model Type Coef SE Coef T P AR 1-0,5593 0,1967-2,84 0,006 MA 1-0,8248 0,1359-6,07 0,000 Constant 59,56 29,85 2,00 0,050 Prob < α Differencing: 1 regular difference Number of observations: Original series 77, after differencing 76 Konstanta Signifikan Residuals: SS = (backforecasts excluded) MS = DF = 73 T> 1,96 Parameter Estimasi Signifikan Page 16

17 PERBANDINGAN NILAI EROR Model SSE MSE ARI (1,1) IMA (1,1) ARIMA (1,1,1) Page 17

18 Diagnostic Model Uji asumsi white noise (independen dan identik) H 0 : Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 6,8 14,4 21,7 29,9 DF P-Value 0,656 0,850 0,935 0,959 p-value > α autokorelasi nilai residual IHSG = 0 atau independent Page 18

19 Diagnostic Model Plot Fungsi Autokorelasi Residu 1,0 0,8 0,6 A uto c o r r e la tion F unc tio n fo r R E S I1 (w ith 5% significa nce lim its for the a utocorre la tions) Autocorrelatio on 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 Tidak ada nilai autokorelasi yang keluar dari interval konfidensi La g Page 19 Residu Independen

20 Uji Asumsi Kenormalan Residu Diagnostic Model Probability Plot of RESI1 Normal 99,9 H 0 : Residu berdistribusi normal residu 10 berdistribusi normal. 5 residu, terlihat bahwa residu mendekati garis lusus. Jadi, Percent Berdasarkan plot probabilitas Mean -0,1178 StDev 140,6 N 76 KS 0,097 P-Value 0,075 Prob > α 1 0, RESI1 Nilai residu berdistribusi normal Page 20

21 Uji Homogenitas Variansi Residu Diagnostic Model Versus Fits (response is data) Residual Page Fitted V alue Dari plot di atas tidak menunjukkan adanya pola tertentu sehingga asumsi homogenitas variansi terpenuhi.

22 PERAMALAN Estimasi model ARIMA (1,1,1): Z t = Z t Z t at at 1 Forecasts from period Percent Limits Period Forecast Lower Upper Actual , , , , , ,18 Page 22

23 KESIMPULAN Model yang sesuai untuk data pembukaan IHSG adalah ARIMA (1,1,1) dengan bentuk estimasi: Z t = Z t Z t at at 1 Peramalan data pembukaan IHSG pada periode ke 78 & 79 yaitu bulan Juli dan Agustus 2011 adalah dan Page 23

24 Company LOGO TERIMA KASIH