O L E H :D W I L I S T Y A N U R I N I
1 3 1 1 1 0 5 0 2 1
D O S E N P E M B I M B I N G :D R . B R O D J O L S U T I J O S U , M . S I
Model Peramalan IndeksHarga Saham Gabungan
(IHSG) Nikkei 225 denganPendekatan Fungsi Transfer
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Bursa Saham IHSG PenelitianSebelumnya
Bursa saham atau Pasar modal adalah pasar dari berbagaiinstrumen keuangan jangka panjang yang bisa diperjualbelikan.
Indeks Harga Saham
Indeks Harga SahamIndividu
adalah perubahan dari satu harga saham di
perusahaan
Indeks Harga SahamGabungan
adalah pergerakan harga saham secara umum yang
terdapat di bursa efek
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Bursa Saham IHSG PenelitianSebelumnya
Indeks Harga SahamGabungan (IHSG)
KOSPI( mewakili
bursa saham Korea)
Hang Seng (HSI)
(mewakili bursa saham Hongkong)
Nikkei 225 (mewakili
bursa saham Jepang)
TAIEX (mewakili
bursa saham Taiwan)
Dow Jones (mewakili
bursa saham New York Amerika Serikat)
FTSE (mewakili
bursa saham London)
ASX (mewakili
bursa saham Australia)
Nikkei 225 adalah indikator harga yang merupakan hargarata-rata dari saham 225 perusahaan teratas di Jepang yangterdaftar di Bursa Efek Tokyo (Tse).
Nikkei 225 dipilih dalam penelitian ini dikarenakan Nikkei 225merupakan termasuk 5 besar Indeks Harga Saham Gabungan(IHSG) yang ada di Dunia
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Damayanti (2002) melakukan penelitian tentang permodelan IHS Nikkei 225 pada nilai open terhadap nilai high, low, dan closedengan menggunakan pendekatan bivariate ARIMA
Purwandi (2008) melakukan pemodelan indeks Hang Seng dengan metode Mixture Autoregressive (MAR)
Azizah (2009) melakukan penelitian tentang indeks saham Kospi dengan metode intervensi.
Bursa Saham IHSG PenelitianSebelumnya
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
PerumusanMasalah
TujuanPenelitian
ManfaatPenelitian
BatasanMasalah
Bagaimana model open price terhadap high price dan low pricepada IHSG Nikkei 225 dengan pendekatanfungsi transfer ?
Bagaimana nilairamalan model open price terhadap high price dan low pricepada IHSG Nikkei 225 untuk beberapaperiode ke depan ?
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
TujuanPenelitian
PerumusanMasalah
ManfaatPenelitian
BatasanMasalah
Mengetahui model open price terhadaphigh price dan low price pada IHSG Nikkei 225 denganpendekatan fungsitransfer
Mengetahui nilairamalan model open price terhadap high price dan low pricepada IHSG Nikkei 225 untuk beberapaperiode ke depan
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
ManfaatPenelitian
TujuanPenelitian
PerumusanMasalah
BatasanMasalah
Sebagai bentuk penerapan ilmu statistik untukmenyelesaikan kasus financial di bidang
perdagangan saham khususnya indeks hargasaham gabungan (IHSG) Nikkei 225
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
BatasanMasalah
TujuanPenelitian
ManfaatPenelitian
PerumusanMasalah
Mengkhususkan pada indeks harga sahamgabungan (IHSG) Nikkei 225 untuk menentukanlow price dan high price berdasarkan nilai open
price
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Konsep DasarTime Series
Fungsi Transfer
Nikkei 225
Time Series
Stasioner
VariansMean
Differencing Transformasi
1−−= ttt ZZW Nilai Estimasi λ Transformasi-1,0 1 / Zt
-0,5 1 / 0,0 Ln Zt
0,51,0 Zt (tidak ada
transformasi)
tZ
tZ
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Konsep DasarTime Series
Fungsi Transfer
Nikkei 225
H0 : (parameter tidak signifikan)H1 : (parameter signifikan)Statistik Uji :
Daerah penolakan : Tolak H0 jika atau P-value <α
0=iθ0≠iθ
)ˆ(
ˆ
i
i
SEt
θθ
=
( )pndfhitung tt−−
>2α
Uji KesesuaianModel
Uji White Noise DistribusiNormal
menggunakan uji L-jungbox chi square
menggunakan ujikenormalan
Uji Signifikansi Parameter
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Konsep DasarTime Series
Fungsi Transfer
Nikkei 225
Fungsi Transfer
Persamaan Model Fungsi Tranfer
Menurut Makridakis dkk. (1999) model fungsi transfer bivarat ditulisdalam dua bentuk umum, bentuk pertama adalah sebagai berikut :
Yt = v(B)Xt + nt
model fungsi transfer dapat dituliskan dalam model yang kedua sebagaiberikut :
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Konsep DasarTime Series
Fungsi Transfer
Nikkei 225
Identifikasi Model Fungsi Transfer
Mempersiapkanderet output dan
inputPemutihan deret input
Pemutihan deret output
Perhitungan korelasi
silang dan autokeralasi untuk deret
input dan deret output
yang telah diputihkan
Penaksiran langsung
bobot respon impuls
Penerapan b, s, r untuk
model fungsitransfer
Pengujian pendahuluan
deret gangguan
(noise series)
Penetapan (pn, qn) untuk model
ARIMA (pn, 0, qn) dari deret gangguan
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Konsep DasarTime Series
Fungsi Transfer
Nikkei 225
Diagnostik Model
Pemeriksaan KorelasiSilang
PemeriksaanAutokorelasi
Statistik uji sebagai berikut : Statistik uji sebagai berikut :
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Konsep DasarTime Series
Fungsi Transfer
Nikkei 225
Nikkei 225 adalah indikator harga yang merupakan hargarata-rata dari saham 225 perusahaan teratas di Jepang
yang terdaftar di Bursa Efek Tokyo (Tse).
Berikut adalah rumus untuk menghitung Indeks Nikkei :
keterangan :Divisor adalah angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi.
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
SUMBER DATA
• Data pada penelitian ini menggunakan data sekunder dengan tipe data hariandari Indeks Harga Saham Gabungan (IHSG) Nikkei 225 yang diambil dariwebsite (www.finance.yahoo. com).
VARIABEL PENELITIAN
• Variabel yang digunakan adalah deret output (Yt) adalah high price dan low price, sedangkan deret input atau (Xt) adalah open price.
• Data in-sampel yang digunakan mulai 4 Januari 2011 sampai 12 April 2013 sebanyak 560 data dan data out-sampel yang digunakan mulai tanggal 15 April 2013 sampai 22 Mei 2013 sebanyak 25 data.
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Tahap Identifikasi Variabel
Penaksiran Parameter Model Fungsi Transfer ( b, r, s)( pn, qn)
Uji Diagnostik Model Fungsi Transfer
Model Fungsi Transfer Untuk Peramalan
METODE ANALISIS
DATA
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Mempersiapkan deret input dan output agar memperoleh deret input dan output yang stasioner
Menentukan model ARIMA untuk deret input dan melakukan prewhitening pada deret tersebut untuk memperoleh deret yang white
noise α
Melakukan prewhitening pada deret output untuk memperoleh β
Menetapkan nilai-nilai b, r, s yang menghubungkan deret input dan output
Penaksiran parameter model fungsi transfer sementara berdasarkan nilai b, r, s yang ditetapkan sebelumnya
Melakukan identifikasi model awal deret noise (nt) berdasarkan perhitungan autokorelasi serta parsial korelasinya.
Menetapkan pn, qn untuk model ARMA dari deret noise (nt).
TAHAP IDENTIFIKASI
VARIABEL
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
Perhitungan autokorelasi untuk nilai sisa model (r,s,b) yang menghubungkan deret output dan deret input
Perhitungan korelasi silang antara nilai sisa dengan deret gangguan (at) yang telah diputihkan
UJI DIAGNOSTIK
MODEL FUNGSI
TRANSFER
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI MODEL
DERET INPUT OPEN PRICE
(X)
560504448392336280224168112561
14000
13000
12000
11000
10000
9000
8000
Index
Open
Pric
e
Time Series Plot of Open Price
1501401301201101009080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
Autocorrelation Function for Open Price(with 5% significance limits for the autocorrelations)
plot ACF cenderung turunlambat menuju nol, hal iniberarti bahwa pada deret input open price belumstasioner dalam mean.
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI MODEL
DERET INPUT OPEN PRICE
(X)transformasi Box-Cox 1/akar Xt
5.02.50.0-2.5-5.0
95.0
92.5
90.0
87.5
85.0
82.5
80.0
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate -0.43
Lower CL -1.22Upper CL 0.33
Rounded Value -0.50
(using 95.0% confidence)
Lambda
Box-Cox Plot of Open Price
5.02.50.0-2.5-5.0
0.0000445
0.0000440
0.0000435
0.0000430
0.0000425
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate 0.86
Lower CL -0.55Upper CL 2.47
Rounded Value 1.00
(using 95.0% confidence)
Lambda
Box-Cox Plot of 1/akar zt
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI MODEL DERET
INPUT OPEN PRICE (X)
1009080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
Autocorrelation Function for dif(with 5% significance limits for the autocorrelations)
1009080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Part
ial A
utoc
orre
lati
on
Partial Autocorrelation Function for dif(with 5% significance limits for the partial autocorrelations)
model sementara dari model ARIMA yaituARIMA (1 1 1), ARIMA (1 1 0) dan ARIMA (0 1 1).
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
PENGUJIAN PARAMETER MODEL PADA DERET INPUT OPEN PRICE
(X)
Model Parameter Estimasi P_value
ARIMA (1 1 1) AR 1 0.15003 0.0003MA 1 0.24859 0.0001
ARIMA (1 1 0) AR 1 0.09876 0.0191ARIMA (0 1 1) MA 1 -0.09113 0.0307
KarenaP_value < α (0.05) maka
signifikan
Model Lag P_value
ARIMA (1 1 1)
6 0.637112 0.633418 0.827524 0.7703
ARIMA (1 1 0)
6 0.738512 0.702518 0.869124 0.8107
ARIMA (0 1 1)
6 0.686112 0.677918 0.857024 0.7959
KarenaP_value
> α (0.05) maka
residual memenu
hiasumsiwhite noise
Model AIC SBCARIMA (1 1 1) -9237.48 -9228.83ARIMA (1 1 0) -9239.2 -9234.88ARIMA (0 1 1) -9238.79 -9234.46
Karena model ARIMA (1 1 0) memiliki nilai AIC dan SBC
terkecil maka terpilih menjadimodel terbaik
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
PREWHITENINGDERET INPUT
OPEN PRICE (X) TERHADAP
DERET OUTPUT LOW PRICE DAN
HIGH PRICE
Model Parameter Estimasi P_valueARIMA (1 1 0) AR 1 0.09876 0.0191
PREWHITENING DERET INPUT OPEN PRICE
PREWHITENING DERET OUTPUT LOW PRICE DAN HIGH PRICE
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI AWAL MODEL
FUNGSI TRANSFER
PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT LOW
PRICE (Y1)
menunjukkan bahwa nilai b s r yang didapatkanadalah bernilai b=0 s=0 r=0.
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT LOW
PRICE (Y1)
Lag P_value6 <0.000112 <0.000118 <0.000124 <0.0001
P_value < α (0.05) maka residual tidak memenuhi asumsi white
noise
pendugaan sementara dari model ARMA yaituARMA (0 [1 4]) dan ARMA ([4] 1)
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT LOW
PRICE (Y1)
P_value < α (0.05) maka
signifikan
Variabel Parameter Estimasi P_valueInput 0.99920 < 0.0001Noise
ARMA (0 [1 4])0.87852 < 0.00010.11692 < 0.0001
Input 1.01438 < 0.0001Noise
ARMA ([4] 1)-0.11387 0.01090.88819 < 0.0001
Model Lag P_value
ARMA (0 [1 4])
6 0.080112 0.260318 0.501524 0.8227
ARMA ([4] 1)
6 0.563812 0.333518 0.520624 0.7628
P_value > α (0.05) maka residual
memenuhi asumsiwhite noise
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT LOW
PRICE (Y1)
Model P_valueARMA (0 [1 4]) < 0.0001ARMA ([4] 1) < 0.0001
P_value < 0.0001 berartiresidual tidak memenuhiasumsi distribusi normal sehingga perlu dilakukan
deteksi outlier
Model AIC SBCARMA (0 [1 4]) -9741.75 -9728.77ARMA ([4] 1) -9730.75 -9717.77
model ARMA (0 [1 4]) terpilihmenjadi model terbaik
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X)TERHADAP
DERET OUTPUT LOW
PRICE (Y1)
Variabel Parameter Estimasi P_valueInput 0.99920 < 0.0001Noise
ARMA (0 [1 4])0.87852 < 0.00010.11692 < 0.0001
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT LOW
PRICE (Y1)
Parameter Estimasi P_value0.93160 < 0.00010.06839 0.02291.00043 < 0.0001
0.0007073 < 0.00010.0002130 < 0.00010.0001397 < 0.0001
P_value < α (0.05) maka
signifikan
Lag P_value6 0.380712 0.681618 0.506324 0.6557
P_value > α (0.05) maka residual memenuhi asumsi white noise
Lag df P_value5 5 0.153911 11 0.338317 17 0.693723 23 0.840229 29 0.904635 35 0.9369
crosscorrelation antara residual fungsi transfer dengan variabel
input independen
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT LOW
PRICE (Y1)
Uji normalitas residual model deret noise didapatkan bahwaP_value < dari 0.01, maka diketahui residual belum berdistribusinormal.
Sehingga model fungsi transfer :
menunjukkan persentasekesalahan dalam meramalkan
Open Price terhadap Low Price.
Model MAPEARMA (0 [1 4]) 10.71 %
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT LOW
PRICE (Y1)
Tanggal Forecast Upper Lower15 April 2013 15582.12 16108.6 15081.03416 April 2013 15582.12 16340.048 14875.72817 April 2013 15582.12 16521.17 14717.34318 April 2013 15574.342 16670.827 14586.10519 April 2013 15574.342 16809.444 14470.5322 April 2013 15574.342 16936.563 14373.54123 April 2013 15574.342 17056.217 14280.93524 April 2013 15574.342 17168.141 14195.98625 April 2013 15574.342 17272.088 14118.526 April 2013 15574.342 17372.4 14044.97529 April 2013 15574.342 17468.971 13975.32630 April 2013 15574.342 17561.694 13909.47501 Mei 2013 15574.342 17650.466 13847.34602 Mei 2013 15574.342 17735.188 13788.87103 Mei 2013 15574.342 17820.521 13730.76506 Mei 2013 15574.342 17901.681 13676.22307 Mei 2013 15574.342 17983.396 13622.00708 Mei 2013 15574.342 18060.817 13571.27309 Mei 2013 15574.342 18138.739 13520.82210 Mei 2013 15574.342 18212.249 13473.7813 Mei 2013 15574.342 18286.207 13426.98214 Mei 2013 15574.342 18360.617 13380.42815 Mei 2013 15574.342 18430.477 13337.19616 Mei 2013 15574.342 18500.736 13294.17217 Mei 2013 15574.342 18566.337 13251.357
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI AWAL MODEL
FUNGSI TRANSFER
PADA DERET INPUT OPEN
PRICE (X)TERHADAP
DERET OUTPUT
HIGH PRICE (Y2)
menunjukkan bahwa nilai b s r yang didapatkanadalah bernilai b=0 s=0 r=0.
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT
HIGH PRICE (Y2)
Lag P_value6 <0.000112 <0.000118 <0.000124 <0.0001
P_value < α (0.05) maka residual tidak memenuhi asumsi white
noise
pendugaan sementara dari model ARMA yaituARMA (0 1) dan ARMA ([4] 1)
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT
HIGH PRICE (Y2)
P_value < α (0.05) maka
signifikan
P_value > α (0.05) maka residual
memenuhi asumsiwhite noise
Variabel Parameter Estimasi P_valueInput 0.94059 < 0.0001Noise
ARMA (0 1) 0.83678 < 0.0001
Input 0.94295 < 0.0001Noise
ARMA ([4] 1)-0.13118 0.00290.94295 < 0.0001
Model Lag P_value
ARMA (0 1)
6 0.070912 0.256018 0.422524 0.1117
ARMA ([4] 1)
6 0.698012 0.924918 0.923424 0.3660
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT
HIGH PRICE (Y2)
P_value < 0.0001 berartiresidual tidak memenuhiasumsi distribusi normal sehingga perlu dilakukan
deteksi outlier
model ARMA ([4] 1) terpilihmenjadi model terbaik
Model P_valueARMA (0 1) < 0.0001
ARMA ([4] 1) < 0.0001
Model AIC SBCARMA (0 1) -10202.4 -10193.8
ARMA ([4] 1) -10209.1 -10196.1
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT
HIGH PRICE (Y2)
Variabel Parameter Estimasi P_valueInput 0.94295 < 0.0001Noise
ARMA ([4] 1)-0.13118 0.00290.94295 < 0.0001
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT
HIGH PRICE (Y2)
P_value < α (0.05) maka
signifikan
P_value > α (0.05) maka residual memenuhi asumsi white noise
crosscorrelation antara residual fungsi transfer dengan variabel
input independen
Parameter Estimasi P_value-0.08953 0.04380.93406 < 0.00010.98382 < 0.0001
-0.0001911 < 0.0001-0.0001328 < 0.0001-0.0001116 < 0.0001-0.0000856 0.0002-0.0000894 < 0.0001-0.0000879 0.0001
Lag P_value6 0.498312 0.520518 0.465824 0.1588
Lag df P_value5 5 0.560311 11 0.445717 17 0.828523 23 0.593529 29 0.298835 35 0.5011
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT
HIGH PRICE (Y2)
Uji normalitas residual model deret noise didapatkan bahwaP_value < dari 0.01, maka diketahui residual belum berdistribusinormal.
menunjukkan persentasekesalahan dalam meramalkan
Open Price terhadap High Price
Model MAPEARMA ([4] 1) 8.12 %
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
IDENTIFIKASI DERET NOISE
DAN DIAGNOSTIC
CHECKING PADA DERET INPUT OPEN
PRICE (X) TERHADAP
DERET OUTPUT
HIGH PRICE (Y2)
Tanggal Forecast Upper Lower15 April 2013 15362.724 15926.16 14832.27916 April 2013 15362.724 16161.889 14617.86517 April 2013 15358.916 16348.407 14456.61418 April 2013 15358.916 16512.679 14325.41119 April 2013 15370.343 16666.523 14219.69522 April 2013 15370.343 16796.375 14115.14523 April 2013 15370.343 16923.346 14021.70124 April 2013 15370.343 17038.41 13935.75925 April 2013 15370.343 17145.668 13853.86626 April 2013 15370.343 17249.41 13779.16129 April 2013 15366.533 17349.525 13708.26730 April 2013 15366.533 17450.515 13637.91901 Mei 2013 15370.343 17543.09 13574.43502 Mei 2013 15370.343 17631.721 13514.53603 Mei 2013 15370.343 17721.025 13455.03106 Mei 2013 15370.343 17806.256 13399.02107 Mei 2013 15370.343 17892.104 13343.35908 Mei 2013 15370.343 17973.754 13291.10709 Mei 2013 15370.343 18055.964 13239.16210 Mei 2013 15370.343 18133.854 13190.5513 Mei 2013 15370.343 18212.249 13142.20614 Mei 2013 15370.343 18286.207 13097.12315 Mei 2013 15370.343 18360.617 13052.27316 Mei 2013 15370.343 18435.482 13007.65217 Mei 2013 15370.343 18510.806 12966.212
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
1. Model ARIMA terbaik untuk deret input open price berdasarkan kriteria in-sampel adalahmodel ARIMA (1 1 0)
Model fungsi transfer untuk deret input open price terhadap low price adalah ARMA (0 [1 4])
Model fungsi transfer untuk deret input open price terhadap high price adalah ARMA ([4] 1)
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Analisis Data danPembahasan Kesimpulan
2. Nilai ramalan berdasarkan deret input open price terhadap low price dan deret input open price terhadap high price adalah sebagai berikut :
Tanggal Forecast Low Price (Y1)
Forecast High Price (Y2)
15 April 2013 15582.11971 15362.7237416 April 2013 15582.11971 15362.7237417 April 2013 15582.11971 15358.9161418 April 2013 15574.34226 15358.9161419 April 2013 15574.34226 15370.3431922 April 2013 15574.34226 15370.3431923 April 2013 15574.34226 15370.3431924 April 2013 15574.34226 15370.3431925 April 2013 15574.34226 15370.3431926 April 2013 15574.34226 15370.3431929 April 2013 15574.34226 15366.5327630 April 2013 15574.34226 15366.53276
1 Mei 2013 15574.34226 15370.343192 Mei 2013 15574.34226 15370.343193 Mei 2013 15574.34226 15370.343196 Mei 2013 15574.34226 15370.343197 Mei 2013 15574.34226 15370.343198 Mei 2013 15574.34226 15370.34319
Tanggal Forecast Low Price (Y1)
Forecast High Price (Y2)
9 Mei 2013 15574.34226 15370.3431910 Mei 2013 15574.34226 15370.3431913 Mei 2013 15574.34226 15370.3431914 Mei 2013 15574.34226 15370.3431915 Mei 2013 15574.34226 15370.3431916 Mei 2013 15574.34226 15370.3431917 Mei 2013 15574.34226 15370.34319
Daftar Pustaka
Anonim. http://infodatabroker.blogspot.com/2012/02/mengenal-indeks-saham-dunia.html. Di-aksespada tanggal 21 Maret 2013 pukul 05.35 WIB.
Anonim. http://forum.vibizportal.com/showthread.php?t=17635. Diakses pada tanggal 21 Maret 2013 pukul 05.55 WIB.
Anonim. http://belajarinvestasi.com/dasar-stock-index/sejarah-index.html. Diakses pada tanggal 21 Maret 2013 pukul 05.55 WIB.
Aswi dan Sukarna. 2006. Analisis Deret Waktu : Teori Dan Aplikasi. Penyunting : Muhammmad Arif Tiro. Makasar. Andira Publisher.
Azizah, N. 2009. Analisis Peramalan Indeks Harga Saham KOSPI dengan Menggunakan MetodeIntervensi. Laporan Tugas Akhir.FMIPA-ITS. Surabaya.
Bowerman, B.L dan O’Connell, R.T. 1993. Forecasting and Time Series : An Apllied Approach, 3rd
edition. Belmont, California : Duxbury Press. Cryer, D.J dan Chan K.S. 2008. Time Series Analysis. With Application in R, 2nd Edition. Springer. Damayanti, I. 2002. Peramalan Indeks Nikkei 225 dengan Pendekatan Time Series di PT. Kudamas
Forexindo Surabaya. Laporan Tugas Akhir.FMIPA-ITS. Surabaya. Elton dan Gruber. 1995. Modern Portofolio : Theory and Investment Analysis, 5th Edition. New York :
Wiley. Hartono.1998.http://www.sarjanaku.com/2012/06/sahampe-ngertian-jenis-nilai-harga.html.Di akses
pada tanggal 21 Maret 2013 pukul 06.00 WIB. Makridakis, S., Wheelright, S.C., dan McGee, V.E., (1999), Metode dan Aplikasi Peramalan, edisi kedua,
Erlangga, Jakarta.
Daftar Pustaka
Purwandi, L. 2008. Permodelan Indeks Hang Seng dengan Metode Mixture Autoregressive (MAR) dengan Jumlah Komponen Tertentu. Laporan Tugas Akhir.FMIPA-ITS. Surabaya.
Sihotang, B. Pengertian, Fungsi, Instrumen, Jenis, dan Pelaku Pasar Modal. 2010. http://ww-w.ideelok.com/ekonomi/-pengertian-fungsi-instrumen-jenis-dan-pelaku-pasar-modal. Diakses padatanggal 21 Maret 2013 pukul 06.10 WIB.
Wei, W.W.S. (2006). Time Series Analysis Univariate and Multivariate Methods. 2nd Edition. United States : Pearson Education, Inc.