Uji residual white noise 2 Lag Q P value 6 3.5 9.49 0.5330 2 6.6 8.3 0.803 8 9.8 26.30 0.9059 24 9.3 33.92 0.6374 K p q Uji residual berdistribusi normal Percent 99.9 99 95 90 80 70 60 50 40 30 20 0 5 Probability Plot of Residual SBI Normal Mean 0.000 StDev 0.002506 N 70 KS 0.054 P-Value >0.50 2 Karena Q, K p q atau P value Maka H 0 diterima, berarti residual white noise Krna 0. -0.005 0.000 0.005 0.00 Residual SBI D 0.054 D.05, 70 0 0.6 atau P value maka H 0 diterima, berarti residual normal 0, Hasil Perbandingan Model ARIMA Suku Bunga SBI Model ARIMA Parameter White Noise Normal AIC (2) (,2,) tdk sign ya normal -630.399399 (,2,0) sign ya normal -630.775 (0,2,) sign ya normal -632.29 (,2,[24]) sign ya normal -636.49 (2[40]) (,2,[40]) sign ya normal -632.97 ([24],2,) sign ya normal -637.068 ARIMA ([24],2,) merupakan model yang terbaik untuk variabel input suku bunga SBI
Persamaan Input dari Masing Masing Variabel
Identifikasi Deret Output Time Series Plot of HMSP Box-Cox Plot of HMSP 3000 600 Lower CL Upper CL Lambda (using 95.0% confidence) 2500 500 Estimate 0.7 Lower CL -0.29 Upper CL 0.64 2000 400 Rounded Value 0.00 HMSP 500 StDev 300 200 000 00 Limit 500 7 4 2 28 35 42 Index 49 56 63 70 Tidak stationer dalam mean dan varian transformasi ln Z t dan differencing 0-5.0-2.5 0.0 Lambda 2.5 5.0 4 Time Series Plot of diff_ HMSP Autocorrelation Function for diff_ HMSP Partial Autocorrelation Function for diff_ HMSP (with 5%significance limits for the autocorrelations) (with 5%significance limits for the partial autocorrelations) 3.0 0.8.0 0.8 diff_ HMSP 2 0 - -2 Au utocorrelation 0.6 0.4 0.2 0.0-0.2-0.4-0.6-0.8 Partia al Autocorrelation 0.6 0.4 0.2 0.0-0.2-0.4-0.6-0.8-3 -.0 -.0 7 4 2 28 35 42 Index 49 56 63 70 5 0 5 20 25 30 35 Lag 40 45 50 55 60 65 70 5 0 5 20 25 30 35 Lag 40 45 50 55 60 65 70 Apapun modelnya, deret output akan dimodelkan sama dengan model deret inputnya
Mengubah deret input dan output menjadi white noise
Penentuan nilai r,s, dan b CCF Suku Bunga SBI b=3, r=0, s=2 CCF Posisi Jumlah Deposito b=, r=0, s=0 Model : 2 y ( B x n Model : y x n t 0 2 ) ( t 3) t t 0 2( t ) t
Identifikasi ARIMA deret noise Suku bunga SBI : ARIMA(0,0,) n ) t ( B a t
Penafsiran Parameter Estimasi Parameter Model Fungsi Transfer dengan variabel input suku bunga SBI Parameter Estimasi SE t hit P-Value 0-0.004 004 0.00345670034567-3.9 39 0.00220022 2-0.76553 0.2376-6.9 <.000 0.9063 0.05379 6.85 <.000 Karena P-value < 0.05 maka parameter model fungsi transfer dengan input suku bunga SBI signifikan.
Suku bunga SBI Pemeriksaan Autokorelasi residual Lag Q 2 K p q P value 6 2.72.07 0.7438 2 4.65 9.68 0.9470 8 8.70 27.59 0.949 24 2.80 35.7 0.9562 Karena P-value > 0.05 maka residual model fungsi transfer dengan input suku bunga SBI white noise..
Pemeriksaan croscorrelation Residual suku bunga SBI dan t Lag Q K r s P value 5 4.93 9.49 0.2947 6.73 8.3 0.75 7 756 7.56 26.30 0.9609 23 8.82 33.92 0.9942 2 Jadi, antara deret input suku bunga SBI white noise ( t ) dengan nilai residual ( a ) independent. t
Hasil Peramalan MAPE untuk model fungsi transfer suku bunga SBI sebesar 8%. MAPE untuk model fungsi transfer kurs rupiah terhadap USD sebesar 7%. MAPE untuk model fungsi transfer suku bunga deposito sebesar 7%. MAPE untuk model fungsi transfer posisi jumlah deposito berjangka sebesar 5% MAPE untuk model fungsi transfer perubahan inflasi sebesar 9% MAPE untuk model fungsi transfer multi input sebesar 8%. Peramalan Indeks harga saham Bulan Ramalan Hasil peramalan Januari 20 53.4033 285,9245 Februari 20 53.423 2854,02764 Maret 20 53.4253 2854,26268 April 20 53.4303 2854,796958
PENUTUP KESIMPULAN. Metode Fungsi Transfer Multi Input dapat digunakan sebagai bahan pertimbangan untuk meramalkan indeks harga saham. 2. Terdapat hubungan sebab akibat antara indeks harga saham dengan kurs,suku bunga SBI, inflasi, tingkat bunga deposito, dan posisi jumlah deposito berjangka dalam rupiah. 3. Hasil peramalan cenderung stabil dan mendekati nilai aktualnya. Dari evaluasi hasil peramalan dapat diketahui bahwa model fungsi transfer multi input dengan variabel input posisi jumlah deposito berjangka memiliki keakuratan yang baik. Hal ini dapat dilihat dari nilai MAPE yang berada dibawah 20%. SARAN. Dalam tugas akhir ini data yang digunakan adalah data dengan frekuensi waktu bulanan. Untuk permasalahan ini akan lebih baik lagi data yang digunakan adalah data dengan frekuensi harian untuk memperkecil nilai error. 2. Menggunakan input yang lebih banyak dan variabel yang mungkin diduga sangat berpengaruh agar mendapatkan nilai ramalan yang lebih baik dari model sebelumnya. 3. Untuk menghasilkan akurasi yang tinggi dalam peramalan dengan metode fungsi transfer multi input sebaiknya variabel-variabel i b l yang diramalkan memiliki hubungan yang kuat.
DAFTAR PUSTAKA [] Bank Indonesia. 2002 2009.Statistik Ekonomi dan Keuangan Indonesia.Jakarta : Bank Indonesia. [2] Aswathi, J Rekha. 2008. Stock Index Forescasting That Influences the Exchange Rate, Change in Inflation, Position of Time Deposit, and Interest Rate of Deposite Using Transfer Function and ARCH GARCH. Journal of Econometrics. India [3] Hartono, Anastasia. 998. Pengaruh Perubahan bh Suku Bunga Deposito Berjangka, Spread Suku Bunga Perbankan, Posisi Jumlah Deposito Berjangka, Nilai Tukar dan Giro terhadap IHSG di Bursa Efek Surabaya. Jurusan Ilmu Ekonomi dan Studi Pembangunan Universitas Airlangga. Surabaya. [4] Indonesia Stock Exchange. 2008. Buku Panduan Indeks Harga Saham Bursa Efek Indonesia. Jakarta. [5] Makridakis, S., Wheelwright S.C., dan McGee V.E. 999. Metode dan Aplikasi Peramalan. Diterjemahkan oleh Suminto, Hari Ir. Jakarta: Binarupa Aksara. [6] Sulistiyawati, Dewi. 2004. Analisis Fungsi Transfer Multi Input dan Arch GarchpadaDataIndeksHargaSahamPT HMSampoerna.Jurusan Statistika ITS. Surabaya.