BAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),

Transkripsi

1 BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan indeks harga saham JKSE, KOSPI, NIKKEI, dan PSEI. A. Model Vector Error Correction (VEC) Model Vector Error Correction (VEC) adalah suatu metode untuk menganalisis data runtun waktu pada model Vector Autoregressive (VAR) yang stasioner pada differencing pertama dan memenuhi uji kointegrasi (Lutkephol,2005: 246). Dari model VAR (p) yang memiliki variabel yang tidak stasioner. Bentuk umum VAR (p) adalah sebagai berikut (Lutkepohl,2005: 14): (3. 1) Dengan = vektor yang memuat variabel pada waktu ke-t = parameter VARorde p = vektor yang memuat variabel pada waktu ke-t-p Dari persamaan (3.1) dapat dinotasikan dalam bentuk VEC sebagai berikut (Lutkepohl,2005: 248): (3. 2) 27

2 dimana Rank matriks digunakan untuk menentukan banyak kombinasi linear y t yang bersifat stasioner, selanjutnya rank matriks disimbolkan dengan r. Jika 0 <r <K, maka terdapat r vektor kointegrasi atau r kombinasi linear yang stasioner dari y t. Matriks selanjutnya dapat difaktorisasi menjadi Π=αβ, dengan α dan β adalah matriks berukuran K x r, dimana β merupakan matriks koefisien jangka panjang dan mengandung vektor kointegrasi atau matriks kointegrasi dan α merepresentasikan matriks koefisien dari variabel yang memenuhi persamaaan linear (Lutkepohl,2005: 248). Dari persamaan (3.1) dan (3.2) dapat dibentuk persamaan VEC sebagai berikut (Lutkepohl,2005: 248): (3. 3) dengan didefinisikan matriks kovarian dengan white noise = differencing operator Π = matriks koefisien kointegrasi = vektor yang memuat variabel pada waktu t-1 y t Γ i u t = vektor yang memuat variabel pada waktu ke-t = parameter VEC dengan i= 1,2,3,..p-1 = vektor error 28

3 Pada model VAR(1) bivariate yang mengandung kointegrasi dengan nilai kointegrasi 1 akan berbentuk(lutkepohl,2005: 258). Model VAR (1) bivariate nilai kointegrasi1 dapat dinotasikan sebagai berikut (Lutkepohl,2005: 260): * + * + * + * + Sehingga model VEC dengan nilai kointegrasi1 dapat dinotasikan (Lutkepohl,2005: 260): * + * + dimana * + Estimasi parameter merupakan penduga nilai dari parameter populasi dengan menggunakan nilai dari sampel. Model VEC memuat proses perhitungan untuk mendapatkan nilai parameter dari model VEC. B. Prosedur Pembentukan dengan Analisis Model Vector Error Correction (VEC) Analisis model VEC merupakan analisis runtun waktu yang sering digunakan untuk menganalisis jangka panjang suatu data. Prosedur yang dilakukan dalam metode tersebut adalah 1. Identifikasi Model a. Stasioneritas Langkah awal yang dilakukan dalam pembentukan model VEC adalah mengidentifikasi data dengan plot data runtun waktu. Pembuatan plot runtun waktu dilakukan untuk menduga kestasioneran data. Selanjutnya kestasioneran dapat diuji denganuji transformasi Box-Cox untuk mengetahui stasioner dalam 29

4 varians dan uji unit root salah satu metode menggunakan uji Augmented Uji Dickey Fuller (ADF).Adapun hipotesisnya: H 0 : data stasioner H 1 : data tidak stasioner Data dikatakan mengandung unit root jika nilai ADF lebih kecil dari nilai kritis dari tabel ADF. Jika data mengandung unit root maka data dapat dilakukan differencing sampai data stasioner/ tidak mengandung unit root. b. Uji Kointegrasi Johansen Kointegrasi adalah suatu hubungan jangka panjang antar variabel. Konsep kointegrasi dikemukakan pertama kali oleh Engle dan Granger (1987). Tahun 1988 dikembangkan oleh Johansen dan disempurnakan oleh Johansen dan Juselius di tahun Pada konsep kointegrasi yang dipaparkan Johansen jika dua variabel yang tidak stasioner sebelum differencing namun stasioner pada differencing pertama, besar kemungkinan akan terjadi kointegrasi atau hubungan jangka panjang. Salah satu menguji kointegrasi adalah dengan uji Johansen. Uji kointegrasi digunakan untuk variabel yang terintegrasi pada orde 1 dan orde 0.Hipotesis yang digunakan pada uji kointegrasi Johansen yaitu H 0 : H 1 :,dengan r=0,1, k-1(terdapat nilai kointegrasi) (tidak terdapat nilai kointegrasi) 2010: 220). Untuk menguji hipotesis ini dapat menggunakan statistik uji trace (Rosadi, 30

5 dengan T k r = banyak pengamatan = lag input pada model VEC = nilai kointegrasi = nilai eigen terbesar terbesar ke i dan menguji hipotesis ini dapat menggunakan statistik uji maximum eigen value (Rosadi, 2010: 220): untuk r= 0, 1,, k-1 Kriteria keputusan adalah tolak H 0 jika LR tr > nilai kritis taraf nyata 5%. c. Penentuan Lag Optimal Untuk memilih orde lag p dapat digunakan kriteria informasi (information criteria) yaitu Hannan Quinn Criteria (HQC) yang dapat didefinisikan sebagai dengan p T k = orde pada model VEC = banyak pengamatan = laginput pada model VEC ( ) = estimator varian kovarian error Dengan nilai p dipilih sebagai p yang meminimalkan kriteria informasi dalam interval 1,, p max atau dengan kata lain kriteria informasi dipilih yang terkecil (Rosadi, 2011: 20). 31

6 2. Estimasi Parameter Parameter model VEC adalah Π, Γ, dan dalam proses estimasi digunakan model maximum likelihood estimation (Lutkepohl,2005:294). Penggunaan estimasi maximum likelihood pada model VEC sangat kompleks untuk dikerjakan secara manual. Oleh karena itu pengerjaan estimasi tersebut dapat dilakukan dengan menggunakan software. Sehingga diperoleh maksimum dari ln L adalah atau ekuivalen dengan meminimumkan determinan α dan β (Lutkepohl, 2005: 295). Uji signifikansi parameter dapat dilakukan dengan uji hipotesis sebagai berikut : H o : = 0 dengan i = 1,2, p-1 (parameter VEC tidak signifikan) H 1 : 0 (parameter VEC signifikan) Statistik uji yang digunakan sebagai berikut: dengan = estimator parameter VEC = standar error estimator Kriteria keputusan yang digunakan adalah H 0 ditolak jiak t >t α/2df, df = n- n p dimana n menunjukkan banyak data dan n p adalah banyakdata pada orde p yang dipakai atau H 0 ditolak jika p-value < α. 32

7 3. Uji Kesesuaian Model Model dikatakan memadai jika error (u t ) memenuhi proses white noise yang tidak berkorelasi (independen). Untuk mendeteksi suatu proses white noise pada analisis error dilakukan uji autokorelasi error dengan menyajikanplot ACF/ PACF dan uji normalitas (Lutkepohl, 2004: 127) a. Uji Autokorelasi error Hipotesisi yang digunakan untuk menguji autokorelasi error yaitu H 0 : E(u t, u t-1 ) = 0 dengan (tidak terdapat korelasi pada error) H 1 : minimal terdapat satu E(u t, u t-1 ) 0 (terdapat korelasi pada error) Dengan menyajikan plot residu dengan asumsi jika terdapat plot keluar garis kritis maka H 0 ditolak (Wei, 2006 : 110) b. Uji Normalitas Error Asumsi lain yang harus dipenuhi adalah uji kenormalan error. Uji kenormalan dilakukan untuk mengetahui error berdistribusi normal atau tidak. Uji kenormalan dilakukan dengan menggunakan uji Jerque-Bera (JB). Hipotesis yang digunakan sebagai berikut (Lutkepohl, 2004: 129): H 0 : error berdistribusi normal H 1 : error tidak berdistribusi normal statistik uji yang digunakan yaitu (Rosadi, 2010: 111): Kriteria keputusan adalah H 0 ditolak jika p-value < α atau JB> χ 2 (K). Dengan n dalah banyak data. 33

8 4. Peramalan Data Ketepatan model yang digunakan untuk meramal data periode yang akan datang dapat dihitung dengan Mean Absolute Percentage (MAPE) yaitu (Makridakis, 1999: 110) dengan 100% Y t = data akual F t = data ramalan Semakin kecil nilai MAPE mengindikasikan data hasil peramalan mendekati nilai aktual. Nilai MAPE yang kecil dapat diasumsikan kurang dari 10% (Makridakis, 1999: 110). Adapun skema pemodelan dengan menggunakan model VEC disajikan pada Gambar 3.1 berikut: Gambar 3. 1 Skema Model VEC 34

9 C. Analisis Data Menggunakan Model Vector Error Correction (VEC) Data yang digunakan pada analisis model adalah variabel Y 1 yaitu data penutupan pada indeks saham gabungan Jakarta (JKSE), Y 2 yaitu indeks saham gabungan Jepang (NIKKEI), Y 3 yaitu indeks saham Korea Selatan (KOSPI), dan Y 4 indeks saham Filiphina (PSEI). Data diambil dari yang merupakan data sekunder pada periode 15 Maret Januari 2017 sebanyak 1195 (data selengkapnya dapat dilihat di lampiran 1 halaman 60) yang berupa data mingguan. Plot data empat indeks saham dapat ditunjukkan pada gambar 3.2 Gambar 3. 2 Plot Data Indeks Sahan,JKSE, KOSPI, NIKKEI, dan PSEI periode 15 Maret Januari 2017 Plot data JKSE, KOSPI, NIKKEI, dan PSEI mengalami kenaikan dan penurunan secara bersamaan dipertengahan tahun Kejadian yang serupa 35

10 juga dialami pada akhir tahun 2014 dan awal tahun Pada indeks saham PSEI mengalami penurunan. Sehingga dapat diduga dari plot tersebut antar empat saham saling memiliki pengaruh. Gambar 3. 3 Hasil Plot Box- Cox pada Y 1, Y 2, Y 3, dan Y 4 Nilai estimasi Y 1, Y 2, Y 3, dan Y 4 yang diperoleh dari Box- Cox pada gambar 3.3 dengan nilai pada masing- masing saham yang dihasilkan menunjukkan angka sebesar 0,00. Nilai yang didapatkan tidak mendekati angka satu maka data cenderung tidak stasioner dalam varian. Ketidakstasioneran dalam varian dapat diatasi dengan transformasi. 36

11 Gambar 3. 4 Hasil Plot Transformasi Box- Cox pada Y 1, Y 2, Y 3, dan Y 4 Data Y 1, Y 2, Y 3, dan Y 4 setelah ditransformasi dapat dilihat pada gambar 3.4 yang memiliki nilai pada Y 1 sebesar 1,23, Y 2 sebesar 0,87, Y 3 sebesar 1,19, Y 4 sebesar 1,28 dan rounded value sebesar 1,00. Nilai yang mendekati angka satu maka dapat diartikan bahwa data Y 1, Y 2, Y 3, dan Y 4 stasioner dalam varian. Uji stasioner yang dapat digunakan adalah uji Augmented- Dickey Fuller (ADF) dan differencing untuk mengetahui data keempat saham stasioner dalam rata- rata. Hasil ADF yang didapat ditunjukkan pada table 3.1 dan 3.2: Tabel 3. 1 Tabel Hasil Uji ADF dengan e-views Variabel Nilai ADF Nilai Kritis Keterangan 1% 5% 10% Y Tidak Stasioner Y Tidak Stasioner Y , Stasioner Y Tidak Stasioner 37

12 Variabel Y 1, Y 2, dan Y 4 nilai nilai ADF > nilai kritis pada taraf nyata 1%, 5%, dan 10%. Pada variabel Y 3 nilai nilai ADF < nilai kritis pada taraf nyata 1%, 5%, dan 10% dapat dilihat pada tabel 3.1. Pada plot ACF dan PACF yang ditunjukkan pada lampiran 2, 4, 6, dan 8 halaman 89, 91, 93, dan 95, mengindikasikan bahwa data belum stasioner dalam rata- rata karena lag pada plot ACF dan PACF keluar dari garis kritis. Berdasarkan tabel 3.1 dan plot ACF dan PACFvariabel Y 1, Y 2, dan Y 4 disimpulkan tidak stasioner dalam rataan dan harus dilakukandifferencingpada Y 1, Y 2, dan Y 4. Tabel 3. 2 Hasil ADF pada differencing pertama Variabel Nilai Nilai Kritis Keterangan ADF 1% 5% 10% Y Stasioner Y Stasioner Y Stasioner Y Stasioner Pada tabel 3.2 variabel Y 1, Y 2, Y 3 dan Y 4 nilai nilai ADF > nilai kritis pada taraf nyata 1%, 5%, dan 10%.Data yang telah differencing pertama dapat dilihat pada plot ACF dan PACF yang ditunjukkan pada lampiran 2, 5, 7, dan 9 halaman 90, 92, 94, dan 96, mengindikasikan bahwa data stasioner dalam rata- rata karena lag pada plot ACF dan PACF tidak keluar dari garis kritis. Berdasarkan hasil ADF tabel 3.2 pada differencing pertama variabel Y 1, Y 2,Y 3,dan Y 4 disimpulkan data stasioner dalam rataan pada differencing pertama. Selanjutnya untuk menentukan orde dari model maka akan ditentukan Lag Optimal dapat direpresentasikan dari nilai Hannan Quinn Criteria (HQC). 38

13 Tabel 3. 3 Hasil Lag Optimal HQC Lag HQ * Berdasarkan tabel 3.3 dapat direpresentasikan bahwa HQC pada lag 2 memiliki nilai terkecil dari lag lainnya. Dapat disimpulkan bahwa lag optimal pada keempat indeks saham terdapat pada lag 2. Hasil penentuan orde lag dapat dilihat pada lampiran 19 halaman 102. Selanjutnya akan dilakukan uji kointegrasi pada lag 2. Uji kointegrasi dilakukan dengan metode Johansen. Tabel 3. 4 Hasil Uji Kointegrasi Johansen pada eviews H 0 rank=r H 1 rank>1 LR trace Nilai Kritis = 5% Max-eigen statistic Nilai Kritis = 5% , ,21 29, , , ,68 23, , , ,41 10, , , ,76 0, ,76 Pada tabel 3.4 yang ditunjukkan pada lampiran 18 halaman 101 dapat direpresentasikan bahwa nilai trace statistic dan maximum eigen statistic memiliki nilai yang lebih besar dari nilai kritis dengan taraf nyata 5%. Oleh karena itu, dapat disimpulkan bahwa terdapat nilai kointegrasi 1 pada data tersebut. 39

14 Model yang dapat digunakan untuk merepresentasikan adanya nilai kointegrasi adalah model VEC. Tabel 3. 5 Hasil Estimasi Parameter dan Uji Signifikansi Model VEC orde 2 dengan Nilai Kointegrasi 1 Parameter Estimator p-value Keterangan Parameter Estimator p-value Keterangan 0, ,02887 Signifikan -0, ,0288 Signifikan -0, ,04222 Signifikan 0, ,04212 Signifikan -0, ,02200 Signifikan -0, ,02195 Signifikan -0, ,03025 Signifikan 0, ,03018 Signifikan -0, ,01979 Signifikan -0, ,0198 Signifikan -0, ,02895 Signifikan 0, ,02895 Signifikan 0, ,01509 Signifikan 0, ,01509 Signifikan -0, ,02074 Signifikan -0, ,02074 Signifikan 0, ,03801 Signifikan 0, ,03796 Signifikan -0, ,05559 Signifikan 0, ,05552 Signifikan 0, ,02897 Signifikan 0, ,02893 Signifikan 0, ,03983 Signifikan 0, ,03978 Signifikan 0, ,02775 Signifikan -0, ,02791 Signifikan 0, ,04059 Signifikan 0, ,04082 Signifikan 0, ,02116 Signifikan 0, ,02128 Signifikan 0, ,02908 Signifikan -0, ,02925 Signifikan Berdasarkan tabel 3.5 yang ditunjukkan pada lampiran 18 halaman 108 diperoleh masing- masing parameter nilainya kurang dari 0,05. Berdasarkan hasil estimasi parameter yang telah diperoleh, maka didapat persamaan model VEC orde2 dengan nilai kointegrasi 1 sebagai berikut: Persamaan VEC orde 2 dengan nilai kointegrasi 1 menyertakan koefisien sebagai berikut: 40

15 Autocorrelation Partial Autocorrelation atau dapat ditulis dengan masing masing model VAR orde 2 dengan nilai kointegrasi 1 sebagai berikut: Setelah dilakukan estimasi parameter dilakukan uji kesesuaian model dengan pengujian error independensi dan uji normalitas. Pengujian error independensi dengan menyajikan plot ACF dan PACF dari residu data: Autocorrelation Function for Y1 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for Y1 (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Gambar 3. 5 Plot ACF dan PACF error pada Data Y 1 41

16 Autocorrelation Partial Autocorrelation Autocorrelation Partial Autocorrelation Pada gambar 3.5 menunjukkan plot ACF dan PACF hasil error pada data Y 1 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar dari garis kritis. Dapat disimpulkan model VEC orde 2 kointegrasi 1 sesuai dengan data Y 1. Autocorrelation Function for Y2 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for Y2 (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Gambar 3. 6 Plot ACF dan PACF error pada Data Y 2 Pada gambar 3.6 menunjukkan plot ACF dan PACF hasil error pada data Y 2 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar dari garis kritis. Dapat disimpulkan model VEC orde 2 nilai kointegrasi 1 sesuai dengan data Y 2. Autocorrelation Function for Y3 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for Y3 (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Gambar 3. 7 Plot ACF dan PACF error pada Data Y 3 Pada gambar 3.7 menunjukkan plot ACF dan PACF hasil error pada data Y 3 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar 42

17 Autocorrelation Partial Autocorrelation dari garis kritis. Dapat disimpulkan model VEC orde 2 kointegrasi 1 sesuai dengan data Y 3 Autocorrelation Function for Y4 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for Y4 (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Gambar 3. 8 Plot ACF dan PACF error data Y 4 Pada gambar 3.8 menunjukkan plot ACF dan PACF hasil error pada data Y 3 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar dari garis kritis. Dapat disimpulkan model VEC orde 2 nilai kointegrasi 1 sesuai dengan data Y 3 Selain dilakukan uji error autokorelasi independen, dilakukan pula uji normalitas. Hipotesis yang digunakan pada uji normalitas yaitu H 0 : error berdistribusi normal H 1 : error tidak berdistribusi normal Uji normalitas menggunakan uji Jerque-Bera (JB). Kriteria keputusanuntuk uji normalitas adalah tolak H o jika atau nilai Pada uji normalitas yang ditunjukkan pada lampiran 22 halaman 105 diperoleh nilai p-value sama dengan 1,6541. Nilai p- value tersebut lebih besar dari 0,05, sehingga H 0 diterima dan dapat disimpulkan error berdistribusi normal. 43

18 Hasil kesesuaian model menunjukkan bahwa model tersebut memenuhi asumsi error autokorelasi independen dan normalitas error, sehingga model tersebut layak digunakan untuk peramalan. Peramalan menggunakan model VEC orde 2 dengan nilai kointegrasi 1 dapat diambil sampel pada data Y 1, Y 2, Y 3, dan Y 4 mulai pada periode 5 januari Maret Tabel 3. 6 Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham JKSE 5 Januari April 2017 Y 1 Periode Data Data Aktual Ramalan 03/04/ , , , /03/ , , , /03/ , , , /03/ , , , /03/ , , , /02/ , , , /02/ , , , /02/ , , , /02/ , , , /01/ , , , /01/ , , , /01/ , , , /01/ , , , /01/ , , , /01/ , , , MSE 24019,00989 root of MSE 154, MAPE 1,7498% ε 2 44

19 Gambar 3. 9 Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham JKSE Periode 5 Januari April 2017 Peramalan data Y 1 dapat dilihat pada tabel 3.6dan gambar 3.9. Pada tabel 3.6 menunjukkan bahwa data dari hasil peramalan menggunakan model VEC orde 2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada MAPE 1,7498 %. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1 dapat melakukan peramalan dengan baik pada data Y 1. Tabel 3. 7Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham NIKKEI periode 5 Januari April 2017 Y 2 Periode Data Aktual Data Ramalan 03/04/ , , /03/ , , /03/ , , /03/ , , /03/ , , /02/ , , /02/ , , /02/ , , /02/ , , /01/ , , /01/ , , /01/ , , ε 2 45

20 10/01/ , , /01/ , , /01/ , , MSE ,058 root of MSE 1343, MAPE 6,3272 % Gambar Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham NIKKEI periode 5 Januari April 2017 Peramalan data Y 2 dapat dilihat pada tabel 3.7 dan gambar Pada tabel 3.7 menunjukkan bahwa data dari hasil peramalan menggunakan model VEC orde 2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada MAPE 6,3272 %. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1 dapat melakukan peramalan dengan baik pada data Y 2. Tabel 3. 8 Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham KOSPI periode Januari April 2017 Y 3 Periode Data Data Aktual Ramalan 03/04/ , , , /03/ , , , /03/ , , , /03/ , , , /03/ , , , /02/ , , , /02/ , , ,1225 ε 2 46

21 13/02/ , , , /02/ , , , /01/ , , , /01/ , , , /01/ , ,32 94, /01/ , ,69 171,61 06/01/ , ,19 376, /01/ , ,61 305,9001 MSE 8518, root of MSE 92, MAPE 3,6073% Gambar Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham KOSPI 5 periode Januari April 2017 Peramalan data Y 3 dapat dilihat pada tabel 3.8 dan gambar Pada tabel 3.8 menunjukkan bahwa data dari hasil peramalan menggunakan VEC orde 2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada MAPE 3,6073%. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1 dapat melakukan peramalan dengan baik pada data Y 3. 47

22 Tabel 3. 9 Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham PSEI 5 periode Januari April 2017 Periode Data Data Aktual Ramalan 03/04/ , , ,89 27/03/ , , ,1 20/03/ , , ,8 13/03/ , , ,4 06/03/ , , ,3 27/02/ , , ,4 20/02/ , , ,5 13/02/ , , ,3 06/02/ , , ,1 30/01/ ,7 7365, ,2 23/01/ , ,18 930,86 16/01/ , , ,8 10/01/ , , /01/ , , /01/ ,2 7244,61 12,8881 MSE 36939,3 root of MSE 192,196 MAPE 2,222% Y 4 ε 2 Gambar Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham PSEI periode 5 Januari April 2017 Peramalan data Y 4 dapat dilihat pada tabel 3.9 dan gambar Pada tabel 3.9 menunjukkan bahwa data dari hasil peramalan menggunakan VEC orde 48

23 2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada MAPE 2,222%. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1 dapat melakukan peramalan dengan baik pada data Y 4. 49