Anda di halaman 1dari 11

PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN

Yuli Wahyuningsih (1) , Brodjol Sutijo S. U (2) , Suhartono (2) Mahasiswa Jurusan Statistika,
Yuli Wahyuningsih (1) , Brodjol Sutijo S. U (2) , Suhartono (2)
Mahasiswa Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember (1)
Dosen Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember (2)
2. Tinjauan Pustaka

Abstrak

Obligasi pemerintah menjadi salah satu jenis investasi yang banyak diperhatikan oleh investor. Tetapi investor tidak bisa mengetahui dengan pasti tingkat keuntungan yang akan diperoleh karena tingkat keuntungan yang diperoleh investor mengalami perubahan dari waktu ke waktu. Tingkat keuntungan atas investasi obligasi yang dinyatakan dalam persentase disebut dengan yield. Sehingga investor membutuhkan bahan pertimbangan berupa peramalan yield atau harga obligasi yang tepat guna memperoleh keuntungan yang maksimal. Model ARIMA sering digunakan sebagai metode peramalan yang memiliki beberapa asumsi, yakni parameter signifikan, residual white noise, dan residual berdistribusi normal. Karena ketiga asumsi tersebut, model memiliki syarat-syarat tertentu yang harus dipenuhi oleh residual. Oleh karena itu, peneliti juga membuat model peramalan yield dan harga obligasi menggunakan Backpropagation Artificial Neural Network (BP-ANN) yang tidak memerlukan atau memiliki asumsi. Jaringan BP-ANN terdiri atas input yang diperoleh dari hasil pemodelan ARIMA, satu lapisan tersembunyi dengan fungsi aktivasi logsig, dan satu output dengan fungsi aktivasi linier. Model yield menggunakan metode BP-ANN dipilih sebagai model pera-malan yield terbaik berdasarkan keakuratan hasil ramalannya yang lebih besar daripada metode ARIMA.

Kata Kunci : ARIMA, BP-ANN, Yield, Harga, Obligasi.

1. Pendahuluan Penelitian mengenai peramalan yield dan harga obligasi pemerintah menjadi sangat penting bagi investor, pemerintah, dan pihak-pihak terkait lainnya sebagi bahan pertimbangan keputusan investasi. Keputusan investasi tersebut akan berdampak pada perolehan yield obligasi yang senantiasa berubah seiring dengan berjalannya waktu. Salah satu pene- litian mengenai peramalan harga obligasi maupun yield adalah peramalan yield obligasi pada pasar pendapatan tetap di Brazilia menggunakan ARIMA oleh Jose Vicente dan Benjamin M. Tabak pada tahun 2008. Penelitian tersebut menghasilkan kesim- pulan bahwa model AR(1) memiliki akurasi pera- malan yang lebih baik dibandingkan dengan model random walk untuk data jangka panjang. Rumusan masalah pada penelitian ini adalah bagaimana meto- de ARIMA digunakan untuk membentuk model peramalan yield dan harga obligasi pemerintah. Ka- rena ARIMA merupakan model linier yang terbatas oleh asumsi residual white noise dan berdistribusi normal, peneliti juga merumuskan bagaimana meto- de BP-ANN sebagai model nonlinier yang tidak ter- batasi oleh asumsi dapat meramalkan yield dan har- ga obligasi pemerintah. Selain itu, dirumuskan pula bagaimana hasil ramalan yield. Ada 3 t ujuan pada penelitian ini, tujuan pertama adalah memperoleh model peramalan yield dan harga obligasi peme- rintah menggunakan ARIMA. Tujuan kedua adalah memperoleh model peramalan yield dan harga obligasi pemerintah menggunakan BP-ANN. Pada

tahun 2011 variabel harga tidak lagi menjadi indi- kator pemerintah untuk perencanaan penerbitan obli- gasi, karena dianggap variabel yield dapat mewakili berapa pun nilai variabel harga, sehingga pada tuju- an ketiga peneliti mendapatkan hasil ramalan yield berdasarkan model yield terbaik. Penelitian ini selain bermanfaat untuk menye- diakan informasi mengenai hasil ramalan yield obli- gasi, juga sebagai bahan pertimbangan pemerintah dalam perencanaan penerbitan obligasi dan sebagai dasar pertimbangan investor untuk mengambil kepu- tusan investasi obligasi pemerintah. Periode data yang digunakan untuk variabel yield obligasi adalah tahun 2009 hingga tahun 2011, dan untuk variabel harga adalah 2009 hingga tahun 2010. Metode masing-masing variabel adalah ARIMA dan BP- ANN dengan menggunakan software MINITAB, SAS, atau MATLAB. Jatuh tempo yang digunakan adalah 5 tahun, 10 tahun, dan 15 tahun dengan bunga tetap.

Pada bagian ini akan dijelaskan mengenai tinjau- an pustaka yang digunakan dalam penelitian ini. Tin- jauan pustaka terdiri atas tinjauan non statistik pada 2.1 dan tinjauan stastistik pada 2.2 , 2.3, dan 2.4.

2.1 Yield dan Harga Obligasi Obligasi merupakan surat pengakuan hutang atas pinjaman yang diterima oleh perusahaan penerbit obligasi dari investor. Jangka waktu obligasi telah ditetapkan dan disertai dengan pemberian imbalan

2

bunga yang jumlah dan saat pembayarannya telah ditetapkan dalam perjanjian (Husnan dan Enny,

Langkah 4 : melakukan deteksi dan penanganan outlier jika residual tidak berdistribusi normal. Adanya outlier dapat menyebabkan residual antara hasil ramalan dengan aktualnya menjadi lebih besar. Residual yang cukup besar berdampak pada residual yang tidak berdistribusi normal, Salah satu cara un- tuk mengatasi permasalahan tersebut adalah dengan memodelkan outlier pengamatan. Pada penelitian ini hanya menggunakan 2 j enis outlier, yakni AO dan LS. Model additive outlier (AO) dan level shift (LS) didefinisikan sebagai berikut.

(3)

2006). Harga obligasi dipengaruhi oleh risk (risiko) dan return (hasil) yang diharapkan dari obligasi itu.
2006). Harga obligasi dipengaruhi oleh risk (risiko)
dan
return (hasil) yang diharapkan dari obligasi itu.
Hasil yang bisa didapatkan dari investasi pada
obligasi yaitu bunga yang dibayarkan setiap periode
dan
harga nominal saat jatuh tempo. Obligasi dapat
dibedakan berdasarkan jenis bunga, yaitu obligasi
dengan bunga (coupon) tetap, obligasi dengan bunga
mengambang (floating rate). obligasi dengan tingkat
bunga nol (zero coupon bonds), obligasi konversi,
dan
income bond.
AO : Z t =
+
Yield digunakan sebagai alat ukur pendapatan
investasi atas dana yang dibelikan obligasi oleh in-
dan
LS : Z t =
+
vestor
dimana
PV =
(1)
=
dimana
PV
: nilai sekarang atau nilai nominal obligasi
dengan
adalah variabel outlier waktu ke-T j .
C
: besar angsuran yang diterima investor tiap
periode
i
: internal rate of return (yield)
n
: waktu jatuh tempo (tahun)
2.2 Metode ARIMA
ARIMA digunakan untuk observasi dari deret
waktu yang secara statistik berhubungan satu sama
lain (dependent). Model umum ARIMA (p,d,q)
dapat dirumuskan sebagai berikut (Wei, 2006).
(2)
dimana
adalah variabel
operator AR
(1
dependen pada waktu,
)
dan operator MA
(1
).
Parameter
mempunyai
ketentuan
yang
berbeda untuk d = 0 dan d > 0. Saat d = 0,
adalah
rata-rata dari series,
= μ (1
). Saat
d > 0, disebut dengan deterministic trend term.
Langkah 1 : model ARIMA mengasumsikan
bahwa data in sample harus stasioner dalam mean
maupun varian. Data yang nonstasioner dalam mean
perlu dilakukan pembedaan (differencing) orde ke-d
dengan rumus, (1-B) d Z t , sedangkan data
nonstasioner dalam varian perlu dilakukan
transformasi Box-Cox dengan rumus, ,
dimana adalah estima-si parameter transformasi.
Stasioneritas dapat diiden-tifikasi dengan time series
plot, sedangkan orde ARIMA (p,d,q) dapat
ditentukan berdasarkan ACF dan PACF.
Langkah 2 : melakukan estimasi parameter
menggunakan metode conditional leas square.
Langkah 3 : pengujian parameter, residual white
noise dan residual berdistribusi normal.

(4)

(5)

Langkah 5: memilih model terbaik yang diguna- kan untuk peramalan di data out sample.

2.3 Metode Back Propagation ANN ANN dengan satu layer memiliki keterbatasan dalam pengenalan pola. Kemampuan backpro- pagation yang terdiri atas beberapa layer semakin mendukung berkembangnya jaringan syaraf tiruan. Backpropagation adalah algoritma pembelajaran yang terawasi dan digunakan perceptron dengan banyak layer untuk mengubah bobot yang terhubung dengan neuron-neuron yang terdapat pada hidden layer. Ada 4 langkah umum metode BP-ANN, yakni Langkah 1 : melakukan preprocessing, kemu- dian menentukan arsitektur jaringan syaraf tiruan, Langkah 2: pemodelan backpropagation pada data in sample. Tahap pertama dalam pemodelan BP-ANN adalah mendapatkan error dengan peram- batan maju (forward propagation), yakni meng- aktifkan neuron-neuron hidden layer menggunakan fungsi aktivasi sigmoid, Kemudian diteruskan output layer menggunakan fungsi aktivasi linier sampai didapatkan output. Error output dari tahap peram- batan maju digunakan untuk update nilai bobot- bobotnya dalam perambatan mundur (backward propagation). Tahap tersebut diulang-ulang terus hingga kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diinginkan, kemudian data dipostprocessing. Langkah 3 : peramalan dengan model backpro- pagation. Langkah 4 : memilih model terbaik dengan kri- teria in sample dan out sample, serta memban- dingkan ketepatan hasil peramalan terhadap ada aktualnya dalam bentuk gambar.

3

2.4 Kriteria Pemilihan Model Terbaik

Langkah 3: Meramalkan nilai yield untuk 15 hari aktif ke depan berdasarkan model yield terbaik.

Penentuan model terbaik dapat menggunakan kriteria in sample (AIC dan SBC) dan out sample. (MAPE
Penentuan model terbaik dapat menggunakan
kriteria in sample (AIC dan SBC) dan out sample.
(MAPE dan RMSE) yang paling minimum. AIC dan
SBC melakukan penaksiran kualitas dari model du-
gaan dengan M didefinisikan sebagai jumlah para-
meter dalam model statistik dapat dirumuskan seba-
gai berikut.
4.
Hasil dan Pembahasan
AIC (M) = n ln
+ 2M
(6)
dan
SBC (M) = n ln + M ln n (7)
MAPE (Mean Absolute Percentage Error) adalah
nilai rata-rata persentase kesalahan peramalan dan
RMSE diperoleh dari akar Mean Square Error
(MSE) dengan n periode peramalan dirumuskan se-
bagai berikut.
(a)
15.0
Y5
Y10
Y15
12.5
10.0
MAPE
x 100%
(8)
dan
7.5
RMSE =
(9)
5.0
3.
Metodologi Penelitian
Penelitian ini menggunakan data sekunder yang
diperoleh dari Kementrian Keuangan. Variabel pe-
nelitian ini adalah yield dan harga obligasi peme-
rintah yang berbentuk data harian dengan periode
tanggal 13 Januari 2009 hingga 15 September 2011
untuk variabel yield dan tanggal 13 Januari 2009
hingga 31 D esember 2010 untuk variabel harga.
Peneliti hanya meramalkan model yield terbaik
karena dianggap variabel yield dapat mewakili be-
saran variabel harga secara proporsional.
Tanggal
(b)
130
120
110
100
90
Tabel 1. Keterangan Notasi Variabel
Notasi
Keterangan
80
H5
Variabel
H10
70
H15
Y5
Y10
Y15
Variabel yield dengan jatuh tempo 5 tahun
Variabel yield dengan jatuh tempo 10 tahun
Variabel yield dengan jatuh tempo 15 tahun
H5
H10
H15
Variabel harga dengan jatuh tempo 5 tahun
Variabel harga dengan jatuh tempo 10 tahun
Variabel harga dengan jatuh tempo 15 tahun
Tanggal
Gambar 1. Time Series Plot untuk (a) Yield, dan
(b) Harga Obligasi.
ARIMA dan BP-ANN digunakan sebagai metode
untuk meramalkan yield arau harga obligasi dengan
tahapan penelitian secara keseluruhan berikut.
Langkah 1: Membentuk model yield dan harga
obligasi menggunakan ARIMA dan BP-ANN pada
data in sample sebagai dasar peramalan pada data
out sample untuk mendapatkan model terbaik.
Langkah 2: Membandingkan ketepatan hasil
peramalan untuk memilih model peramalan yield
dan harga obligasi terbaik antara metode ARIMA
dan BP-ANN.
13-Jan-09
20-Apr-09
23-Jul-09
29-Oct-09
4-Feb-10
11-May-10
12-Aug-10
22-Nov-10
25-Feb-11
31-May-11
13-Jan-09
23-Mar-09
3-Jun-09
12-Aug-09
26-Oct-09
7-Jan-10
18-Mar-10
27-May-10
4-Aug-10
19-Oct-10
Harga Obligasi
yield obligasi

Data harian yield dan harga obligasi pemerintah adalah rata-rata nilai yield dan harga dari seluruh transaksi obligasi pemerintah yang tercatat oleh Kementrian Keuangan selama satu hari. Untuk me- ngetahui pola data yield obligasi dan harga obligasi tiap tahun dari masing-masing jatuh tempo disajikan pada Gambar 1 berikut.

9-Sep-11 29-Dec-10
9-Sep-11
29-Dec-10

Gambar 1 menunjukkan yield dan harga obligasi pada tenor 5 tahun, 10 tahun, dan 15 tahun memiliki pola yang sama, tetapi rata-rata yang berbeda. Demi- kian halnya dengan harga obligasi yang memiliki tren berkebalikan dengan tren yield obligasi.

4.1 Model Peramalan Yield Obligasi dengan ARIMA Setelah diidentifikasi, ternyata ACF variabel yield dan harga masih turun sangat lambat, maka series yield obligasi masih nonstasioner, sehingga perlu dilakukan pengecekan dan penanganan non-

1

4

stasioner dalam varian menggunakan tranformasi box-cox, dan penanganan nonstasioner dalam rata- rata menggunakan
stasioner dalam varian menggunakan tranformasi
box-cox, dan penanganan nonstasioner dalam rata-
rata menggunakan differencing. Time series plot dan
ACF-PACF plot yield obligasi pada masing-masing
tenor setelah dilakukan differencing 1 lag berturut-
turut disajikan pada Gambar 2 dan Gambar 3.
(a)
0.75
0.50
0.25
0.00
0
-0.25
-0.50
1
65
130
195
260
325
390
455
520
585
650
Index
(b)
0.75
0.50
0.25
0.00
0
-0.25
-0.50
1
65
130
195
260
325
390
455
520
585
650
Index
(c)
0.50
0.25
0.00
0
-0.25
-0.50
-0.75
1
65
130
195
260
325
390
455
520
585
650
Index
Gambar 2. Time series plot untuk (a) Y5, (b)Y10,
dan (c) Y15 setelah differencing 1 lag
d1-15Y
d1-10Y
d1-5Y

Gambar 2 menunjukkan data hasil differencing 1 lag yang telah stationer. Sehingga Gambar 3 mengha-silkan ACF dan PACF yang dies down cepat. Penentuan orde p dan q dapat dilakukan dengan identifikasi pada ACF dan PACF yang cut off, sehingga didapatkan kemungkinan model

ARIMA yield obligasi yang sekiranya cukup memadai, yakni parameter signifikan, residual white noise, dan residual berdistribusi normal. Pada awal- nya, peneliti menggunakan ARIMA untuk memo- delkan yield (tanpa outlier), namun model tersebut menghasilkan residual yang tidak berdistribusi nor- mal yang diduga disebabkan oleh adanya data out- lier. Outlier tersebut dapat memperbesar error, se- hingga peramalan menjadi tidak akurat.

error, se- hingga peramalan menjadi tidak akurat. (a) 7 22 1.0 0.8 0.6 0.4 0.2 0.0
(a) 7 22 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1
(a)
7
22
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
5
10
15
20
25
30
35
40
45
50
Lag
(b)
7
22
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
5
10
15
20
25
30
35
40
45
50
Lag
(c)
1
22
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
5
10
15
20
25
30
35
40
45
50
Lag
ACF Y10
PACF Y5
ACF Y5

5

(d) 1 1.0 0.8 model yield telah white noise untuk mengetahui ketepatan model dengan menggunakan
(d)
1
1.0
0.8
model yield telah white noise untuk mengetahui
ketepatan model dengan menggunakan uji khi-
kuadrat pada Tabel 3 da n menguji asumsi residual
berdistribusi normal pada Tabel 4.
0.6
0.4
Tabel 2. P-value Uji Signifikansi Parameter Model Yield
0.2
Yield
ARIMA
Estimasi
P-value
0.0
Tanpa outlier
Dengan outlier
-0.2
Y5
([7,22],1,0)
0,0001
<0,0001
φ 7
-0.4
-0.6
0,0042
0,0007
φ 22
-0.8
(0,1,[7,22])
0,0009
<0,0001
θ 7
-1.0
0,0096
0,0131
θ 22
1
5
10
15
20
25
30
35
40
45
50
Lag
Y10
(1,1,0)
<0,0001
<0,0001
φ 1
(0,1,1)
<0,0001
<0,0001
(e)
θ 1
1
Y15
(1,1,0)
<0,0001
<0,0001
1.0
φ 1
(c)
0.8
(0,1,1)
<0,0001
<0,0001
θ 1
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
5
10
15
20
25
30
35
40
45
50
Lag
Tabel 3 merupakan hasil uji residual white noise
dari model yield terbaik. Semua model yield meng-
hasilkan p-value uji khi-kuadrat > 0.05, sehingga
semua model yield telah memnuhi asumsi residual
white noise. Pada Tabel 4 terlihat bahwa hanya
model hanya Y10 dengan ARIMA-outlier yang
memenuhi asumsi residual berdistribusi normal yang
diindikasikan dengan P-value > 0.05. Sehinggga
untuk model Y5 dan Y15 tetap tidak memenuhi
asumsi residual berdistribusi normal, walaupun telah
memasukkan outlier ke dalam model.
(f)
1
1.0
Tabel 3. P-value Uji Khi-kuadrat Residual Model Yield
0.8
Yield
hingga
P-value
0.6
lag
Tanpa
Dengan
Tanpa
Dengan
0.4
Outlier
Outlier
Outlier
Outlier
0.2
Y5
ARIMA ([7,22],1,0)
ARIMA (0,1,[7,22])
0.0
-0.2
6
0,1349
0,102
0,1365
0,008
-0.4
12
0,1034
0,0579
0,1047
0,035
-0.6
18
0,088
0,1506
0,0609
0,0953
-0.8
24
0,1484
0,1423
0,103
0,1371
-1.0
Y10
ARIMA (1,1,0)
ARIMA (0,1,1)
1
5
10
15
20
25
30
35
40
45
50
Lag
6
0.0366
0.3264
0.1582
0.1185
Gambar 3. ACF untuk (a) Y5, (c) Y10, (e) Y15 dan PACF untuk
(b) Y5, (d) Y10, (f) Y15 setelah differencing 1 lag
12
0.0558
0.6882
0.1672
0.1694
18
0.0271
0.949
0.0795
0.3868
24
0.0118
0.9643
0.0356
0.4018
Y15
ARIMA (1,1,0)
ARIMA(0,1,1)
6
0,3716
0,8726
0,084
0,325
12
0,7425
0,9546
0,3592
0,6959
18
0,253
0,8804
0,0807
0,6111
24
0,1902
0,7399
0,0692
0,3066
PACF Y15
ACF Y15
PACF Y10

Setelah dilakukan deteksi dan penanganan outlier, dihasilkan model yield dengan outlier. Berikut adalah hasil uji signifikansi parameter model yield terbaik disajikan pada Tabel 2. Tabel 2 menunjukkan bahwa semua parameter cukup signifikan untuk masing-masing model yield terbaik. Setelah tahap pengujian mendapatkan hasil yang signifikan, lang- kah selanjutnya adalah menguji asumsi residual

1

6

Tabel 4. P-value uji kolmogorov smirnov model yield

Sehingga model tersebut tidak tepat karena tidak memenuhi asumsi residual yang white noise dan model Y5 terbaik dengan adalah ARIMA ([7,22],1,0). Sedangkan untuk model Y10 dengan ARIMA(1,1,0)-outlier tidak memenuhi asumsi resi-

Yield ARIMA P-value tanpa outlier dengan outlier Y5 ([7,22],1,0) <0,01 <0,01 (0,1,[7,22]) <0,01
Yield
ARIMA
P-value
tanpa outlier
dengan outlier
Y5
([7,22],1,0)
<0,01
<0,01
(0,1,[7,22])
<0,01
<0,01
dual berdistribusi normal. Sehingga model Y10
Y10
(1,1,1)
<0,01
0,0132
terbaik dengan outlier adalah ARIMA(0,1,1) dan 15
tahun adalah ARIMA(1,1,0).
(0,1,1)
<0,01
0,0806
Tabel 5. Nilai AIC dan SBC model yield terbaik
Y15
(1,1,0)
<0,01
<0,01
Yield
ARIMA
Tanpa Outlier
Dengan Outlier
(0,1,1)
<0,01
<0,01
AIC
SBC
AIC
SBC
Y5
([7,22],1,0)
-778,171
-769,364
-1614,73
-1156,76
Tabel 5 m enunjukkan nilai AIC dan SBC dari
model yield terbaik. Berdasarkan nilai AIC dan SBC
pada model terbaik untuk Y5, Y10, dan Y15 tanpa
outlier adalah ARIMA(0,1,[7,22]), ARIMA(0,1,1),
ARIMA(1,1,0). Sedangkan model yield obligasi
terbaik dengan outlier menurut AIC dan SBC untuk
Y5, Y10, dan Y15 adalah ARIMA(0,1,[7,22]),
ARIMA(1,1,0), dan ARIMA (1,1,0). Namun berda-
sarkan Tabel 3, model Y5 dengan ARIMA
(0,1,[7,22])-outlier menghasilkan p-value < 0.05.
(0,1,[7,22])
-775,39
-776,59
-1644,3
-1164,3
Y10
(1,1,0)
-858,352
-853,949
-1639,34
-1170,12
(0,1,1)
-862,985
-858,581
-1595,65
-1170,3
Y15
(1,1,0)
-1005,5
-1001,1
-1862,25
-1331,6
(0,1,1)
-1001,84
-997,435
-1768,59
-1299,37
Model Y5, Y10, dan Y15 terbaik dapat disajikan
dalam model matematis seperti Tabel 6 berikut.
Tabel 6. Model Yield Terbaik
Yield
ARIMA
Model yield terbaik
Tanpa outlier
Y5
(0,1,[7,22])
=
0.134
0,1
Y10
(0,1,1)
=
Y15
(1,1,0)
=
Dengan outlier
Y5
([7,22],1,0)
=
0.1636
)
Y10
(0,1,1)
=
Y15
(1,1,0)
=
+
Model Y5 tanpa outlier mengandung
dan
4.2 Model Peramalan Harga Obligasi menggunakan
ARIMA

, artinya nilai yield dengan jatuh tempo 5tahun, dipengaruhi oleh nilai Y5 sehari sebelumnya, error Y5 pada 7 dan 22 hari aktif sebelumnya. Sedangkan model Y5 dengan outlier menunjukkan bahwa nilai yield sekarang dipengaruhi oleh nilai yield sehari, 7 hari, 8 hari , 22 hari, dan 23 hari sebelumnya. Demi- kian pula dengan model Y10 dan Y15 memiliki cara interpretasi yang sama seperti model Y5. Gambar 4 menunjukkan nilai ramalan pada in sample untuk model Y5, Y10, dan Y15 terbaik hampir berimpitan dengan nilai aktualnya. Sedang-kan hasil ramalan outsample relatif konstan dan tidak mengikuti pola nilai aktualnya, sehingga menghasilkan error yang cukup besar.

Seperti halnya pada tahap pemodelan yield menggunakan ARIMA, telah didapatkan data yang stationer baik dalam rata-rata maupun dalam varian setelah differencing 1 lag. ACF dan PACF hasil differrencing dapat ditunjukkan didapatkan dugaan model ARIMA harga obligasi yang sekiranya cukup memadai. Model yang layak adalah model dengan parameter yang signifikan, residual white noise, dan residual berdistribusi normal. Aspek kalayakan mo- del yang pertama adalah signifikansi parameter ter- hadap α = 0.05 yang disajikan pada Tabel 6 berikut. Tabel 6 menunjukkan bahwa seluruh estimasi para-

7

meter model harga terbaik menggunakan ARIMA tanpa outlier memiliki p-value < 0.05, model harga obligasi tersebut telah layak digunakan. Demikian pula dengan semua estimasi parameter model ARIMA dengan outlier memiliki p-value < 0.05, sehingga parameter tidak cukup signifikan dalam model harga obligasi.

Tabel 6. P-value Uji Signifikansi Parameter Model Harga

Harga ARIMA Estimasi P-value Tanpa Dengan Outlier Outlier H5 ([7,22],1,0) 0,0287 <0,0001 φ 7 φ
Harga
ARIMA
Estimasi
P-value
Tanpa
Dengan
Outlier
Outlier
H5
([7,22],1,0)
0,0287
<0,0001
φ 7
φ
0,0152
<0,0001
22
(0,1,[7,22])
0,0736
<0,0001
θ 7
(a)
θ
0,0273
0,0036
14
22
Variabel
Ramalan_Y5
H10
([1,22]1,0)
<0,0001
<0,0001
13
Aktual_Y5
φ 1
φ
0,0005
<0,0001
12
22
(0,1,[1,22])
<0,0001
<0,0001
11
θ 1
10
θ
0,0053
0,0012
22
9
H15
(1,1,1)
φ
0,0186
<0,0001
1
8
θ
0,0002
0,0086
1
7
(1,1,0)
φ
<0,0001
<0,0001
1
6
5
Langkah selanjutnya adalah memastikan apakah
residual model ARIMA harga obligasi telah white
2
66
131
196
261
326
391
456
521
586
651
t
noise atau tidak untuk mengetahui ketepatan model
dengan menggunakan uji khi-kuadrat yang disajikan
pada Tabel 7 berikut.
(b)
15
Variabel
Ramalan_Y10
14
Aktual_Y10
Tabel 7. P-value Uji Khi-kuadrat pada Residual
Model Harga
13
Harga
hingga
Tanpa Outlier
Dengan outlier
lag
12
ARIMA
P-value
ARIMA
P-value
11
H5
6
(0,1,[7,22])
0.6864
([7,22],1,0)
0.7108
10
12
0.9497
0.3463
9
18
0.9083
0.4736
8
24
0.9153
0.6299
7
H10
6
([1,22],1,0)
0.0778
([1,22],1,0)
0.2504
6
12
0.3772
0.1088
2
66
131
196
261
326
391
456
521
586
651
t
18
0.4099
0.168
24
0.5784
0.3841
(c)
H15
6
(1,1,0)
0.3995
(1,1,1)
0.9929
15
Variabel
Ramalan_Y15
12
0.8755
0.9666
14
Aktual_Y15
18
0.8297
0.9956
13
12
24
0.77
0.9933
11
10
9
8
7
6
Tabel 7 menunjukkan bahwa semua model
harga terbaik memiliki p-value > 0.05, artinya
residual dari model tersebut telah memenuhi asumsi
independen (antara residual tidak saling berkorelasi)
atau yang sering disebut dengan white noise. Karena
model ARIMA harga obligasi telah memenuhi a-
2
66
131
196
261
326
391
456
521
586
651
t
Y15
Y10
Y5

Gambar 4. Nilai Ramalan dan Aktual Model terbaik (a) Y5, (b) Y10,dan (c) Y15 menggunakan ARIMA

sumsi white noise, maka langkah selanjutnya adalah menguji residual model apakah telah berdistribusi normal atau tidak yang dapat disajikan pada Tabel 8.

1

8

Tabel 8. P-value Hasil Uji kolmogorov Smirnov

Tabel 9. Nilai AIC dan SBC Model Harga

pada Model Harga Harga ARIMA Tanpa Outlier Dengan Outlier Harga Tanpa Outlier Dengan Outlier AIC
pada Model Harga
Harga
ARIMA
Tanpa Outlier
Dengan Outlier
Harga
Tanpa Outlier
Dengan Outlier
AIC
SBC
AIC
SBC
ARIMA
P-value
ARIMA
P-value
H5
([7,22],1,0)
792,42
800,634
-284,21
315,42
H5
([7,22],1,0)
<0.01
(0,1,[7,22])
0.0651
(0,1,[7,22])
793,851
802,065
-114,526
357,7816
H10
([1,22],1,0)
<0.01
([1,22],1,0)
>0.150
H10
([1,22]1,0)
978,444
986,658
516,691
791,86
H15
(1,1,0)
<0.01
(1,1,1)
0.0496
(0,1,[1,22])
980,82
989,034
570,9206
805,0209
Tabel 8 menunjukkan model H5 dan H10 meng-
gunakan ARIMA-outlier telah memenuhi asumsi
residual berdistribusi normal dengan P-value > 0.05.
Sedangkan model H15 untuk ARIMA(1,1,1)-outlier
hampir memenuhi asumsi residual berdistribusi nor-
mal dengan P-value = 0.0496. Nilai AIC dan SBC
(Tabel 9) adalah nilai kriteria in sample dari model
terbaik. Berdasarkan nilai AIC dan SBC yang mini-
mum, model terbaik untuk H5, H10, dan H15 baik
tanpa outlier maupun dengan outlier adalah ARIMA
([7,22],1,0), ARIMA([1,22],1,0), ARIMA(1,1,0).
H15
(1,1,1)
1115,49
1123,7
253,528
758,69
(1,1,0)
1116,53
1120,64
67,3785
708,0741
Tetapi pada model H5 dan H15 dengan outlier,
menghasilkan residual yang tidak memenuhi white
noise dan berdistribusi nomal, maka model H5 dan
H15 terbaik dengan outlier adalah ARIMA
(0,1,[7,22]) dan ARIMA(1,1,1). Model H5, H10, dan
H15 terbaik dapat disajikan pada Tabel 10 berikut.
Tabel 10. Model Harga Terbaik
Harga
ARIMA
Model Harga terbaik
Tanpa outlier
H5
([7,22],1,0)
=
0.1028(
) – 0.1144(
)
H10
([1,22],1,0)
=
(
)
H15
(1,1,0)
=
-
Dengan outlier
H5
(0,1,[7,22])
=
0.3113
0.183
H10
([1,22],1,0)
=
(
)
H15
(1,1,1)
=
+
Nilai ramalan in sample untuk model H5, H10,
dan H15 terbaik (Gambar 5) hampir berimpitan
dengan nilai aktualnya, karena data yang digunakan
untuk mendapatkan hasil ramalan adalah data aktual,
sehingga error yang dihasilkan menjadi lebih kecil
dibandingkan dengan hasil ramalan pada out sample
yang berasal dari hasil ramalan di waktu sebelum-
nya. Sedangkan hasil ramalan out sample relatif
konstan sehingga ramalan yang dihasilkan tidak cu-
kup akurat.
4.3 Model Peramalan Yield Obligasi menggunakan
BP-ANN
ringan dibuat dengan menentukan unit input dan
output, banyak unit atau neuron dalam lapisan ter-
sembunyi, fungsi aktivasi pada lapisan tersembunyi,
dan fungsi aktivasi pada lapisan output. Y5, Y10,
dan Y15 menggunakan fungsi aktivasi sigmoid pada
lapisan tersembunyi dan fungsi linier pada lapisan
output. Penentuan input yang digunakan, berdasar-
kan pada model yield terbaik menggunakan ARIMA.
Y5 menggunakan jaringan(5,6,1) dengan input Z t-1,
Z t-7, Z t-8, Z t-22, dan Z t-23 . Y10 menggunakan jaringan
(2,2,1) dengan input Z t-1 dan Z t-2. Sedangkan 15
menggunakan jaringan(2,4,1) dengan input Z t-1 dan
Z
jaringan tersebut merupakan hasil jaringan

Backpropagation Artificial Neural Network (BP-ANN) adalah metode melatih jaringan dari input ke output dengan menambahkan bobot-bobot terten- tu. Langkah pertama untuk meramalkan yield obli- gasi menggunakan BP-ANN adalah mendisain struk- tur jaringan yang akan digunakan. Disain struktur ja-

terbaik. Berikut adalah plot hasil ramalan yield dengan aktual yield pada in sample dan out sample. Gambar 6 memperlihatkan bahwa ramalan out sample yield yang dihasilkan BP-ANN lebih men- dekati nilai aktual (output) daripada ramalan yield yang dihasilkan ARIMA pada masing jatuh tempo.

9

(a) (a) 14 13 12 11 10 600 9 8 7 6 5 50 H5
(a)
(a)
14
13
12
11
10
600
9
8
7
6
5
50
H5
plot data training model Y5; Target(o) Output(*) Variabel 14 Ramalan_H5 Aktual_H5 12 10 8 6
plot data training model Y5; Target(o) Output(*)
Variabel
14
Ramalan_H5
Aktual_H5
12
10
8
6
0
100
200
300
400
500
data ke-
plot data testing model Y5 : Target(o) Output(*)
7
6.5
6
5.5
2
66
131
196
261
326
391
456
521
586
651
0
5
10
15
20
25
30
35
40
45
data ke-
t
(b)
(b)
plot data training model Y10; Target(o) Output(*)
Variabel
15
Ramalan_H10
Aktual_H10
10
5
0
100
200
300
400
500
600
data ke-
plot data testing model Y10 : Target(o) Output(*)
7.5
7
6.5
6
2
66
131
196
261
326
391
456
521
586
651
0
5
10
15
20
25
30
35
40
data ke-
t
(c)
15 14 13 12 11 700 10 9 8 7 6 45 50 H10
15
14
13
12
11
700
10
9
8
7
6
45
50
H10
(c) plot data training model Y15; Target(o) Output(*) 15 Variable 15 Ramalan_H15 14 Aktual_H15 10
(c)
plot data training model Y15; Target(o) Output(*)
15
Variable
15
Ramalan_H15
14
Aktual_H15
10
13
12
5
11
0
100
200
300
400
500
600
700
data ke-
10
plot data testing model Y15 : Target(o) Output(*)
8.5
9
8
8
7.5
7
7
6
6.5
0
5
10
15
20
25
30
35
40
45
50
2
66
131
196
261
326
391
456
521
586
651
data ke-
t
H15

Gambar 6. Plot Output dan Target untuk Model (a) Y5 (b) Y10 dan (c) Y15 pada in sample (atas) dan out sample (bawah) menggunakan BP-ANN

Gambar 5. Nilai Ramalan dan Aktual Model terbaik (a) H5, (b) H10, dan (c) H15 menggunakan ARIM

1

10

4.4 Model Peramalan Harga Obligasi menggunakan BP-ANN Fungsi aktivasi yang digunakan model harga untuk H5, H10, dan H15 adalah fungsi sigmoid pada lapisan tersembunyi dan fungsi linier pada lapisan output.

Seperti pada model yield, penentuan input yang digunakan, berdasarkan pada model harga ter-baik menggunakan ARIMA. Sehingga Y5, Y10, dan Y15. memiliki input yang berbeda berdasarkan mo-del ARIMA yang telah terbentuk. Jaringan (5,3,1)

(a) plot data training model H5; Target(o) Output(*) 120 dengan input Z t-1, dan Z
(a)
plot data training model H5; Target(o) Output(*)
120
dengan input Z t-1,
dan
Z t-2,. Z t-22,
Z t-23
menggunakan
110
Z
100
90
0
50
10
150
200
25
300
35
400
450
data ke-
plot data testing model H5 : Target(o) Output(*)
114
112
110
108
0
5
10
15
20
25
30
35
4.5 Model Peramalan Yield dan Harga Terbaik
data ke-
(b)
plot data training model H10; Target(o) Output(*)
140
120
100
80
0
50
100
150
200
250
300
350
400
450
data ke-
plot data testing model H10: Target(o) Output(*)
126
124
122
120
0
5
10
15
20
25
30
35
data ke-
Tabel 11. MAPE dan RMSE Model Yield dan
Harga terbaik
(c)
Model
ARIMA-outlier
BP-ANN
plot data training model H15; Target(o) Output(*)
140
terbaik
MAPE
RMSE
MAPE
RMSE
120
Yield
100
Y5
7.119813
0.518788
1,7316
0.1368
80
Y10
7.851231
0.563907
2,1581
0.1909
60
0
50
100
150
200
250
300
350
400
450
data ke-
plot data testing model H15: Target(o) Output(*)
Y15
6.345617
0.571267
2,21166
0.2156
125
Harga
H5
1.431907
1.918899
0,037
0.4422
120
H10
1.147587
1.632084
0,8748
1.2889
H15
2.176782
3.165271
1,4534
2.0673
115
0
5
10
15
20
25
30
35
data ke-

dengan input Z t-1, Z t-7, Z t-8, Z t-22, dan Z t-23 adalah jaringan terbaik yang digunakan untuk model H5. Sedangkan H10 menggunakan jaringan (2,5,1)

Serta H15

jaringan(2,2,1) dengan input Z t-1 dan

Plot hasil ramalan harga dengan aktual harga di

tampilkan pada Gambar 7 berikut. Gambar 7 memperlihatkan bahwa target yang dihasilkan BP-ANN juga lebih mendekati nilai aktual (output) harga disbanding dengan hasil ramalan harga yang dihasilkan ARIMA pada masing jatuh tempo. Hal tersebut sejalan dengan nilai MAPE dan RMSE dari BP-ANN yang lebih kecil dari ARIMA (Tabel 11).

Metode ARIMA yang digunakan untuk mera- malan yield dan harga obligasi yang telah dilakukan penanganan outlier menghasilkan parameter outlier yang terlalu banyak demi memenuhi asumi residual berdistribusi normal. Setelah dilakukan penanganan outlier, model Y5 dan Y15 tetap menghasilkan resi- dual yang tidak berdistribusi normal, sedangkan model Y10, H5, H10, dan H15 menghasilkan resi- dual yang berdistribusi normal. Dengan demikian, untuk mendapatkan model peramalan yield dan harga terbaik, peneliti membandingkan hasil peramalan yield dan harga menggunakan ARIMA dengan hasil peramalan yield dan harga menggunakan BP-ANN.

Hasil perbandingan antara hasil ramalan yield menggunakan ARIMA dengan hasil ramalan yield menggunakan BP-ANN berdasarkan n ilai MAPE dan RMSE (Tabel 11) menunjukkan metode BP-

Gambar 7. Plot Output dan Target model (a) H5 (b) H10 dan (c) H15 pada in sample (atas) dan out sample (bawah) menggunakan BP-ANN

11

ANN lebih akurat dalam meramalkan yield diban- dingkan dengan metode ARIMA. Demikian juga dengan hasil peramalan harga obligasi, metode BP- ANN lebih akurat dalam meramalkan harga obligasi

6 Oktober untuk Y15 karena nilai yield pa-da saat

itu paling kecil selama 16 September 2011 hingga 6

6 hingga 23 S eptember 2011, k emudian relatif Daftar Pustaka Y5, 16
6
hingga 23 S eptember 2011, k emudian relatif
Daftar Pustaka
Y5, 16

Oktober 2011, sehingga harga obligasi mencapai nilai maksimum. Serta sebaiknya pemerintah tidak menerbitkan obligasi pada tanggal 23 S eptember 2011 untuk Y5, 16 September 2011 untuk Y10, dan

dibandingkan dengan metode ARIMA. Seperti yang telah dijelaskan pada pendahuluan, tujuan akhir penelitian ini adalah mendapatkan hasil ramalan dari model yield terbaik karena dianggap telah cukup mewakili besaran harga secara propor-sional. Hasil ramalan Y5 relatif turun pada tanggal 16 September

2011

naik hingga tanggal 6 O ktober 2011, Sedangkan ramalan Y10 memiliki tren naik secara ekponensial ,serta ramalan Y15 memiliki tren turun secara linier

Oktober untuk Y15 karena pada tanggal terse-but, pemerintah harus membayarkan keuntungan lebih besar kepada investor yang diindikasikan dengan ramalan yield yang semakin menurun mengakibatkan harga obligasi berada di atas harga nominal.

Cryer, J.D. & Kung-Sik C. (2008). Time Series Analysis With Applicatin in R. Edisi Kedua. Departement of Statistics & Actuarial Science. University of Lowa. Gujarati, D.N. (2009). Dasar-Dasar Ekonometrika. Jilid 2. Edisi Ketiga. Jakarta; Erlangga. Hamid, A., Rodoni, A.W., Dewi, T. & Hidayat, E. (2006). Analisis Durasi dan Convexity Untuk Mengukur Sensitivitas Harga Obligasi Korporasi Terhadap Perubahan Tingkat Suku Bunga (Studi Empiris Pada Obligasi – Obligasi Di Indonesia. Jurnal Maksi. Jilid 6, No. 2, h. 117-142 Husnan, S. & Enny, P. (2004). Dasar-Dasar Teori Portofolio dan Analisis Sekuritas. Yogyakarta:

Saat yield minimum adalah waktu yang tepat bagi investor untuk menjual obligasi yang dimiliki. Dengan demikian, investor berpeluang mendapatkan keuntungan maksimum dengan men-jual obligasi

pada tanggal 23 S eptember 2011 un tuk

September 2011 untuk Y10, dan 6 O ktober untuk Y15. Sedangkan bagi pemerintah, umumnya tidak perlu menerbitkan obligasi saat harga obligasi tinggi. Karena saat harga obligasi tinggi, pemerintah akan membayarkan dana yang lebih besar atas obligasi yang dimiliki investor.

5. Kesimpulan

Penelitian yang telah dilakukan, menghasilkan kesimpulan bahwa. model ARIMA dengan outlier dipilih sebagai metode terbaik menggunakan metode ARIMA untuk memodelkan peramalan yield dan harga obligasi. Tetapi, untuk penelitian selanjutnya disarankan menggunakan model time series nonlinier atau metode time series yang tidak terpengaruh oleh adanya outlier. Model Y5, Y10, dan Y15 terbaik adalah ARIMA ([7,22],1,0), ARIMA (0,1,1) dan ARIMA (1,1,0) dengan outlier. Sedangkan model H5, H10, dan H15 terbaik adalah ARIMA (0,1,[7,22]), ARIMA([1,22],1,0), dan ARIMA(1,1,1) dengan outlier. Arsitektur jaringan model Y5, Y10, dan Y15 terbaik menggunakan BP-ANN adalah jaringan(5,6,1) dengan input (Z t-1, Z t-7, Z t-8, Z t-22,, Z t- 23 ), jaringan(2,2,1) dengan input(Z t-1, Z t-2. ), dan jaringan (2,4,1) dengan input(Z t-1, Z t-2 ). Model yield meng-gunakan BP-ANN dipilih sebagi model terbaik, sehingga hasil ramalan untuk 15 hari aktif ke depan seperti memiliki tren yang berbeda tiap jatuh tempo. Y5 memiliki tren ramalan yang relatif turun hingga 23 S eptember 2011, k emudian relatif naik hingga tanggal 6 O ktober 2011. R amalan Y10 dan Y15 terlihat lebih stabil dengan tren naik secara ekponensial dan tren turun secara linier. Sehingga hendaknya investor mempertimbangkan menjual obligasi yang dimiliki pada tanggal 23 September

2011 untuk Y5, 16 September 2011 untuk Y10, dan

UPP STIM YKPN. Husnan, S. & Enny, P. (2006). Dasar-Dasar Manajemen Keuangan. Edisi kelima. Yogyakarta: UPP STIM YKPN. Ross, S., Westerfield, R. & Jordan. B. (2009). Pengantar Keuangan Perusahaan. Jilid 1. Edisi Kedelapan. Jakarta: Salemba Empat. Sharpe, W.F., Alexander, G.J. & Bailey, J.L. Investment. Prentice Hall, New York. Siang, J.J. (2005), Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Andi. Yogyakarta. Sunariyah (2004). Pengantar Pengetahuan Pasar Modal. Edisi Keempat. Yogyakarta : UPP AMP YKPN. Tsay, R.S. (2005). Analysis of financial time series. Edisi Kedua. University of Chicago, Graduate School of Business. Vicente, J. dan Benjamin, M.T. (2008). Forecasting bond yields in the Brazilian fixed income market. International Journal of Forecasting, No. 24, page 490-497. Wei, W.W.S. (2006). Time Series Analysis:

Univariat and Multivariat Methods. 2 nd Edtion. Department of Statistics, The Fox School of Business and Management Temple University.

1