Anda di halaman 1dari 32

BAB I PENDAHULUAN 1.

1 Latar Belakang
Menurut Paul R. Krugman dan Maurice, kurs adalah harga sebuah mata uang dari suatu negara yang diukur atau ditanyakan dalam mata uang lainnya. Sedangkan menurut Nopirin, kurs adalah pertukaran antara dua mata uang yang berbeda, amaka akan mendapat perbandingan milai/harga antara keda mata uang tersebut. Kurs beli adalh harga yang diperhitungkan saat Bank membeli uang asing. Kurs juala adalah harga yang diperhitungkan saat Bank menjual uang asing. Dalam makalah ini penulis tertarik untuk mengetahui kurs jual mata uang Singapura (SGD) terhadap mata uang Indonesia (IDR) pada Januari 2012 dengan menggunakan metode runtun waktu, maka diperlukan data kurs jual mata uang Singapura(SGD) terhdapa mata uang Indonesia (IDR) pada periode September 2011-Desember 2011. Dengan ini, kita dapat menentukan kapan waktu yang tepat untuk menukarkan uangnya agar mendapatkan keuntungan.

1.2 Rumusan Masalah


Berdasarkan uraian diatas, maka permasalahan yang akan dikaji dlam makalah ini adalah: a. Bagaimana model umum dari metode runtun waktu box-Jenkins dari data kurs jual SGD-IDR pada periode September 2011-Desember 2011? b. Apakah pemodelan yang cocok dari data kursjual SGD-IDR pada periode September 2011-Desember 2011? c. Bagaimana peramalan data untuk bulan Januari 2012?

1.3 Tujuan Penelitian


Berdasarkan permasalahan diatas, tujuan yang akan dicapai dalam makalah ini adalah: 1. Mengetahui model umum dari darata kurs jual SGD-IDR periode September 2011-Desember 2011. 2. Menentukan pemodelan yang cocok dari data kurs jual SGD-IDR periode September 2011-Desember 2011. 3. Mampu meramalkan kurs jual SGD-IDR untuk pada Januari 2012.

1.4 Manfaat Penelitian


Makalah penelitian ini akan memberikan manfaat bagi penulis dan bagi kalangan tertentu yang memiliki keperluan ke luar negeri (khususnya Singapura) untuk menukarkan mata uangnya. Bagi penulis, makalah ini merupakan media untuk mengaplikasikan mata kuliah Metode Runtun Waktu yang sudah dipelajari selama 1 semester di Prodi Matematika, Universitas Pendidikan Indonesia, ke permasalahan sehari-hari dan dapat menarik kesimpulan/keputusan.

1.5 Metode Penelitian


Secara garis besar makalah ini dibagi menjadi tiga bagian yaitu bagian awal, bagian isi, dan bagian akhir. 1. Bagian awal terdiri dari halaman sampul, halaman judul, abstrak, kata pengantar, dan daftar isi. 2. Bagian isi terdiri dari: BAB I : Pendahuluan Di dalam bab ini berisi tentang latar belakang

masalah, perumusan masalah, tujuan dan manfaat, dan sistematika penulisan makalah

BAB II : Studi Kepustakaan Dalam bab ini berisi tentang penjelasan konsep runtun waktu, metode runtun waktu box-jenkins, runtun waktu stasioner dan nonstasioner. BAB III : Studi Kasus Dalam bab ini berisi tentang hasil pengolahan data yang telah dilakukan serta pembahasannya BAB IV : Penutup Dalam bab ini berisi tentang kesimpulan dan saran. 3. Bagian akhir terdiri dari Daftar pustaka. Metode yang digunakan dalam penilitian ini adalah studi literatur dengan mencari data runtun waktu dan mengolahnya dengan menggunakan software Minitab 16.

BAB II STUDI KEPUSTAKAAN

2.1 Metode Runtun Waktu


Peramalan seringkali digunakan dalam bidang ekonomi, pemasaran, produksi, meteorlogi, dll untuk pengambilan keputusan menggunakan metodemetode yang sudah teruji. Salah satu metode peramalan yang sering digunakan adalah Metode Runtun Waktu. Runtun waktu adalah himpunan observasi terurut dalam waktu atau dalam dimensi lain. (Zanzawi, 1987). Berdasarkan sejarah nilai observasinya, runtun waktu dibedakan menjadi dua, yaitu runtun waktu deterministik dan runtun waktu stokastik. Runtun waktu deterministik adalah dimana jika dari pengalaman yang lalu, keadaan yang akan datang suaturuntun waktu dapat diramalkan secara pasti dan tidak memerlukan penyelidikan lebih lanjut. Sebaliknya, jika pengalaman yang lalu hanya dapat menunjukkan struktur probabilistik keadaan yang akan datang suatu runtun waktu, maka runtun waktu seperti ini dinamakan stokastik (statistik). Dalam makalah ini, penulis akan membahas runtun waktu stokastik. Suatu runtun waktu stokastik dapat dipandang sebagai suatu realisasi dari suatu proses statistik(stokastik). Jika fkp gabungan dari runtun waktu Z1, Z2, ..., Zn tidak dipengaruhi oleh perubahan waktu makan runtun waktu tersebut disebut stasioner. Jika Z1, Z2, ... , Zn adalah runtun waktu stasioner, maka: 1. E(Zt) = , adalah konstan untuk setiap lag k 2. Cov (Zt , Zt-k ) =k, adalah konstan untuk setiap lag k dimana : lag menyatakan pergeseran dari data yang kita mulai adalah mean data runtun waktu

k adalah autokovarian pada lag k

dengan k =cov(Zt , Zt-k) = E(Zt -)(Zt-k -)

= E (Zt-k -) (Zt -) = cov(Zt-k ,Zt )

k = -k
maka data maju = data mundur

2.2Fungsi Autokorelasi dan Fungsi Autokorelasi Parsial


2.2.1 Fungsi Autokorelasi (FAK/ACF) Autokorelasi adalah hubungan antara nilai-niai yang beruntun dari variabel yang sama. Autokorelasi lag k didefinisikan sebagai :

Fungsi autokorelasi (disingkat fak), dibentuk oleh himpunan { dengan .

Jika dimiliki data Z1, Z2, ... , Zn yang stasioner, maka dan ditaksir oleh: 1. 2. ).

Sedangkan autokorelasi lag ke-k ditaksir oleh

Untuk runtun waktu stasioner yang normal, Bartlett menyatakan bahwa variansi dari rk dirumuskan sebagai , .

2.2.2

Fungsi Autokorelasi Parsial (FAKP/PACF)

Matriks autokorelasi berukuran N didefinisikan oleh

. [ ]
| |

Autokorelasi parsial lag ke-k yang didefinisikan oleh

| |

, di mana

adalah

dengan kolom terakhir diganti oleh [ ].

Fungsi autokorelasi parsial (fakp/pacf) adalah himpunan autokorelasi parsial untuk berbagai lag, ditulis Quinouille mengemukakan bahwa . Untuk K yang besar, . Jika | | ,

maka fakp tidak berbeda secara signifikan dengan nol (terputus setelah lag ke-K).

2.3 Metode Runtun Waktu Box-Jenkins


Analisis runtun waktu Zt yang dikembangkan menurut metode BoxJenkins menggunakan dua operator, yaitu operator backshift B dan operator differensi . Operator backshift B didefinisikan sebagai: Sedangkan operator differensi didefinisikan sebagai: sehingga kedua operator mempunyai hubungan:

maka,

Bentuk linier umum yang sering dijumpai dalam model runtun waktu adalah

dimana

dan

adalah polinomial dan

adalah barisan adalah runtun waktu yang

variabel random independen dan distribusi normal.

dibangkitkan oleh suatu proses white noise. White Noise adalah suatu proses yang independen dan berdistribusi normal dengan sehingga dinotasikan dengan . dan variansnya konstan,

Bentuk persamaan diatas dapat dituliskan sebagai

Dapat dianggap bahwa runtun waktu proses white noise

dihasilkan dengan melewatkan

melalui filter linier dengan fungsi transfer . Jika barisan berhingga atau tak berhingga tapi

konvergen, maka filter disebut stabil dan runtun waktu yang dihasilkan dikatakan stasioner. Model ) , jika dikatakan invertible jika disajikan dalam bentuk merupakan deret konvergen

2.3.1

Runtun Waktu Stasioner

1. Model Autoregresif (AR) Model AR dengan orde p dinotasikan AR(p) memiliki bentuk umum , dimana a. Ciri Teoritis Model AR(1) Bentuk umum Rata-rata Varians : : : , dimana dengan syarat parameter

Daerah Stasioneritas : Fak untuk AR (1) adalah . Pada selang , fak turun ,

secara eksponensial menuju nol sedangkan pada selang fak turun secara eksponensial menuju nol sambil bergantian tanda.

Fakp terputus setelah lag ke-1

b. Ciri Teoritis Model AR(2) Bentuk umum Rata-rata Varians Daerah Stasioneritas : : : : , dan dengan syarat parameter

Fak untuk AR (2) adalah eksponensial menuju nol.

, fak turun secara

Fakp AR (2) terputus setelah lag ke-2 ( )

c. Ciri Teoritis Model AR(p) Fak turun secara eksponensial menuju nol Fakp terputus setelah lag ke-p

2. Model Moving Average (MA) Model MA dengan orde q dinotasikan MA(q) memiliki bentuk umum di mana a. Ciri Teoritis MA(1) Bentuk umum : )
( )

Fak terputus setelah lag ke-1 ( Fakp MA (1) adalah menuju nol.

, turun secara geometris

Daerah invertibel :

b. Ciri Teoritis MA(2) Bentuk umum :

Fak terputus setelah lag ke-2 ( ).

Fakp turun secara geometris menuju no Daerah invertibel memenuhi , dan

c. Ciri Teoritis MA(q) Fakp turun secara eksponensial menuju nol Fak terpututs setelah lag ke-q

3. Autoregresive Moving Average (ARMA) Bentuk umum dari proses ARMA (p, q) adalah atau dapat ditulis sebagai model MA, yaitu , di mana dan . Model ARMA atau model AR, yaitu . Adapun

ciri teoretik dari proses ARMA (p, q) adalah grafik dari fak dan fakpnya turun secara eksponensial menuju nol.

2.3.2

Runtun Waktu Non Stasioner Model ARIMA merupakan bentuk model untuk runtun waktu

nonstasioner. Biasanya, runtun waktu nonstasioner disebabkan karena runtun waktu mempunyai rata-rata yang tidak tetap. Adapun runtun waktu nonstasioner homogen adalah runtun waktu yang walaupun bergerak bebas pada suatu lokasi tetapi gerakannya pada lokasi lain pada dasarnya sama. Runtun waktu ini ditandai oleh suatu runtun waktu di mana selisih data yang berurutannya adalah stasioner. Misalkan runtun waktu stasioner wt ARMA (p, q)

dan misalkan data para wt diperoleh dari selisih data para zt yang tidak stasioner (data mentah). Karena , maka persamaan dapat ditulis sebagai

. Persamaan terakhir inilah yang disebut dengan persamaan differensi. Dari bentuk , sehingga . Ini berarti bahwa zt dapat dinyatakan sebagai jumlah (integrasi) para wt. Akibatnya, persamaan differensi disebut auto regresive integrated moving average (ARIMA (p, 1, q)). Jika d menyatakan banyaknya penyelisihan yang dilakukan sampai runtun waktu menjadi stasioner, maka runtun waktu nonstasioner dinyatakan dengan ARIMA (p, d, q). Artinya, runtun waktu tersebut akan stasioner menjadi ARMA (p, q) setelah diselisihkan d kali. Runtun waktu nonstasioner dapat dinyatakan dalam bentuk , diperoleh , , ...

yang diperoleh dari persamaan differensi dengan mensubstitusi atau dalam bentuk terbalik

10

yang diperoleh dari persamaan differensi dengan mensubstitusi . Adapun ciri untuk runtun waktu nonstasiner terdiri dari : a. Plot data tidak berfluktuasi (memiliki trend untuk selang yang cukup lebar). b. Fak turun secara lambat dan linear. c. Pada grafik fakp, hanya yang nilainya mendekati satu,

sedangkan yang lainnya tidak berbeda secara signifikan dengan nol.

2.4 Sistematika Pemodelan


2.4.1 Identifikasi Model Identifikasi model bertujuan untuk menentukan

(mengidentifikasi) model yang merupakan representasi data runtun waktu . Adapun langkah-langkah yang dilakukan

adalah sebagai berikut. Menentukan mean dan variansi data runtun waktu. Menentukan fak beserta Menentukan fakp beserta dari data runtun waktu. dari data runtun waktu.

Membandingkan fak dan fakp data runtun waktu dengan fak dan fakp teoretik.

11

Pendekatan ( *

Model

AR (p)

))

MA (q) Tabel 2.1 Tabel 2.1 menunjukkan pendekatan dan { } untuk berbagai model.

Sebelum pemodelan dilakukan, hal berikut adalah mutlak diperlukan. Jika Plot data untuk melihat kestasioneran data. Grafik dari distribusi frekuensi untuk melihat asumsi normalitas. Informasi lain (kemiringan, keruncingan, dll). , maka model dituliskan sebagai sehingga perlu diuji apakah Hipotesis yang harus diuji adalah Jika | | dengan nol). Nilai pendekatan adalah sebagai berikut. Model AR (1) Pendekatan untuk proses ARMA (p, q), dengan p q 2 , maka H0 diterima ( tidak berbeda secara signifikan .

MA (1)

12

AR (2)

MA (2)

ARMA (1, 1)

( Tabel

2.4.2 Estimasi Parameter Setelah beberapa model diidentifikasi, langkah selanjutnya adalah mengestimasi parameter yang ada pada model. Estimasi yang efisien yaitu estimasi yang meminimumkan kuadrat selisih antara nilai estimasi dengan nilai parameter sebenarnya. Untuk data yang cukup banyak, estimasi yang efisien adalah estimasi yang memaksimumkan fungsi Likelihood. Diperlukan taksiran interval untuk estimasi parameter. Di sini perlu diuji apakah atau berbeda secara signifikan dengan nol atau tidak. Jika ( ), maka tidak berbeda secara signifikan dengan nol. ( ), maka tidak berbeda secara signifikan Begitu pula jika dengan nol.

13

Variansi pendekatan untuk estimasi parameter berbagai model sederhana dapat pula diperoleh dari rumus berikut. Model Pendekatan ( ) ( ) ( ) ( ) ( ) ( )

AR (1)

MA (1)

AR (2)

MA (2)

ARMA (1, 1)

Tabel 2.3 2.4.3 Verifikasi Parameter Verifikasi adalah pemeriksaan apakah model yang diestimasi cocok dengan data yang ada. Jika terjadi penyimpangan yang cukup serius, maka model yang baru harus dirumuskan kembali. Langkahlangkah yang harus dilakukan pada tahap verifikasi ini adalah sebagai berikut. 1. Uji Keberartian Koefisien ( atau )

Hipotesis yang harus diuji adalah H0 : koefisien tidak berbeda secara signifikan dengan nol. H1 : koefisien berbeda secara signifikan dengan nol.

14

Adapun kriteria untuk uji keberartian koefisien adalah sebagai berikut. 2. Tolak H0 jika | Tolak H0 jika | . atau

Uji Kecocokan (lack of fit) Hipotesis yang harus diuji adalah H0 : model sesuai H1 : model tidak sesuai

Adapun kriteria untuk uji kecocokan adalah sebagai berikut. Tolak H0 jika Tolak H0 jika atau .

Hal yang harus diperhatikan dalam tahap verifikasi adalah penggunaan prinsip parsimony terhadap model yang sedang diuji. 3. Nilai Variansi Sesatan Pilih model yang mempunyai variansi sesatan terkecil. Nilai variansi sesatan bisa langsung dilihat dari output Minitab 14 atau dihitung dengan menggunakan rumus di mana SS : Kuadrat jumlah (Sum Square) MS : Kuadrat Rata-rata (Mean Square) DF : Derajat Kebebasan (Degree Free) ,

2.4.4 Peramalan (Forecast) Langkah terakhir dalam pembentukan model adalah melakukan peramalan beberapa periode ke depan. Artinya, berdasarkan model yang paling sesuai, ingin ditentukan distribusi bersyarat observasi yang akan datang berdasarkan pola data di masa lalu. Model yang diturunkan dari
15

data runtun waktu bukan merupakan model yang sebenarnya tetapi hanya merupakan pendekatan saja. Ide dari permasalahan tersebut adalah bahwa harapan bersyarat merupakan sebuah bilangan dengan sifat baik, artinya merupakan ramalan dengan sesatan kuadrat ratarata minimum.

16

BAB III STUDI KASUS


3.1 Data Berdasarkan data yang diperoleh dari www.bi.go.id, kurs jual Dollar Singapura (SGD) terhadap Rupiah Indonesia (IDR) pada bulan September 2011-Desember 2011 adalah sebagai berikut :

Tabel 3.1

17

Data yang ditunjukkan pada tabel 3.1 akan diolah menggunakan software Minitab 16. Selanjutnya akan diidentifikasi model apa yang cocok dengan data tersebut sehingga bisa melakukan proses peramalan. 3.2 Pengolahan Data 3.2.1 Identifikasi Model Pada tahapan ini akan dilihat plot data, grafik FAK dan grafik FAKP. a. Data Awal
Time Series Plot of kurs SGD-IDR
7500

7400

kurs SGD-IDR

7300

7200

7100 1 8 16 24 32 40 48 Index 56 64 72 80

Gambar 3.1

fak kurs SGD-IDR


1,0 0,8 0,6

Autocorrelation

0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 2 4 6 8 10 Lag 12 14 16 18 20

Gambar 3.2

18

Lag 1 2 3 4 5 6 7 8 9 10 11

ACF 0,750205 0,551169 0,386847 0,346152 0,251722 0,182669 0,114260 0,061876 0,000001 -0,137262 -0,225788

T 6,83 3,44 2,13 1,81 1,27 0,90 0,56 0,30 0,00 -0,67 -1,09

LBQ 48,42 74,88 88,08 98,78 104,51 107,57 108,78 109,14 109,14 110,96 115,96

Lag 12 13 14 15 16 17 18 19 20 21

ACF -0,277488 -0,222134 -0,217120 -0,177404 -0,226897 -0,267279 -0,324500 -0,313086 -0,256578 -0,226188

T -1,33 -1,04 -1,00 -0,81 -1,03 -1,20 -1,43 -1,34 -1,08 -0,94

LBQ 123,61 128,58 133,40 136,67 142,09 149,72 161,15 171,96 179,33 185,15

fakp kurs SGD-IDR


1,0 0,8
Partial Autocorrelation

0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 2 4 6 8 10 Lag 12 14 16 18 20

Gambar 3.3
Lag 1 2 3 4 5 6 7 8 9 10 11 PACF 0,750205 -0,026622 -0,040466 0,175348 -0,126128 -0,000646 -0,005748 -0,061747 -0,044460 -0,248994 -0,034138 T 6,83 -0,24 -0,37 1,60 -1,15 -0,01 -0,05 -0,56 -0,41 -2,27 -0,31 Lag 12 13 14 15 16 17 18 19 20 21 PACF -0,041541 0,103962 -0,047493 0,055667 -0,150977 -0,122739 -0,082806 -0,001926 0,074900 -0,108333 T -0,38 0,95 -0,43 0,51 -1,38 -1,12 -0,75 -0,02 0,68 -0,99

19

Plot data menunjukkan data tidak bergerak di sekitar rata-rata. Grafik FAK turun secara lambat menuju nol. Grafik FAKP memiliki nilai hampir dekat ke satu sementara yang lainnya tidak berbeda secara signifikan dengan nol.

Berdasarkan gambaran diatas data menunjukkan gejala non stasioner, maka perlu dilakukan differencing (penyelisihan).

b. Differensing Pertama
Time Series Plot of C4
200

100

C4
-100 -200 -300 1 8 16 24 32 40 48 Index 56 64 72 80

Gambar 3.4
fak kurs SGD-IDR selisih ke 1
1,0 0,8 0,6
Autocorrelation

0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 2 4 6 8 10 Lag 12 14 16 18 20

Gambar 3.5

20

Lag 1 2 3 4 5 6 7 8 9 10 11

ACF -0,105982 -0,073737 -0,261115 0,122975 -0,015165 0,005035 -0,056568 0,008063 0,141597 -0,076370 -0,103729

T -0,96 -0,66 -2,33 1,03 -0,13 0,04 -0,47 0,07 1,17 -0,62 -0,84

LBQ 0,96 1,42 7,37 8,70 8,72 8,73 9,02 9,03 10,92 11,48 12,52

Lag 12 13 14 15 16 17 18 19 20 21

ACF -0,207027 0,136080 0,050608 0,109299 -0,033176 0,016989 -0,103347 -0,052365 0,053449 -0,000444

T -1,66 1,05 0,39 0,83 -0,25 0,13 -0,78 -0,39 0,40 -0,00

LBQ 16,74 18,59 18,85 20,07 20,19 20,22 21,37 21,67 21,99 21,99

fakp kurs SGD-IDR selisih ke 1


1,0 0,8

Partial Autocorrelation

0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 2 4 6 8 10 Lag 12 14 16 18 20

Gambar 3.6
Lag 1 2 3 4 5 6 7 8 9 10 11 PACF -0,105982 -0,085934 -0,283972 0,052874 -0,048882 -0,063191 -0,024215 -0,033446 0,136705 -0,070591 -0,104200 T -0,96 -0,78 -2,57 0,48 -0,44 -0,57 -0,22 -0,30 1,24 -0,64 -0,94 Lag 12 13 14 15 16 17 18 19 20 21 PACF -0,199148 0,002893 -0,007611 0,046159 0,068828 0,023369 -0,092969 -0,089585 0,053817 -0,020846 T -1,80 0,03 -0,07 0,42 0,62 0,21 -0,84 -0,81 0,49 -0,19

21

Plot data bergerak di sekitar rata-rata dan tidak menunjukkan trend naik atau turun. Grafik FAK berada dalam 2SE(Sandard Error). Grafik FAKP berada dalam 2SE(Standard Error). Meskipun data telah stasioner, namun tidak mengikuti salah satu pola dari

model ARIMA tertentu, sehingga belum dapat ditentukan model apa yang palik cocok. Maka, akan dilakukan differencing sekali lagi.

c. Differensing Kedua
Time Series Plot of C7
500 400 300 200

C7

100 0 -100 -200 -300 1 8 16 24 32 40 48 Index 56 64 72 80

Gambar 3.7

22

fak kurs SGD-IDR selisih ke 2


1,0 0,8 0,6
Autocorrelation

0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 2 4 6 8 10 Lag 12 14 16 18 20

Gambar 3.8
Lag 1 2 3 4 5 6 7 8 9 10 11 ACF -0,514797 0,108705 -0,260254 0,232371 -0,074512 0,046030 -0,062976 -0,028340 0,153752 -0,083571 0,031167 T -4,63 0,79 -1,88 1,61 -0,50 0,31 -0,42 -0,19 1,03 -0,55 0,20 LBQ 22,27 23,28 29,11 33,83 34,32 34,51 34,87 34,94 37,15 37,81 37,91
fakp kurs SGD-IDR selisih ke 2
1,0 0,8

Lag 12 13 14 15 16 17 18 19 20

ACF -0,201841 0,205798 -0,086557 0,100091 -0,084426 0,081153 -0,082513 -0,020875 0,067108 1,32

T -1,32 -0,54 0,63 -0,53 0,50 -0,51 -0,13 0,41

LBQ 41,88 46,06 46,82 47,84 48,57 49,26 49,99 50,04 50,53

Partial Autocorrelation

0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 2 4 6 8 10 Lag 12 14 16 18 20

Gambar 3.9
Lag PACF T Lag PACF T

23

1 2 3 4 5 6 7 8 9 10

-0,514797 -0,212672 -0,430179 -0,215172 -0,157926 -0,149521 -0,112235 -0,220592 0,019556 0,028050

-4,63 -1,91 -3,87 -1,94 -1,42 -1,35 -1,01 -1,99 0,18 0,25

11 12 13 14 15 16 17 18 19 20

0,070742 -0,154096 -0,084940 -0,126363 -0,115761 -0,032077 0,068685 0,042867 -0,091111 0,003494

0,64 -1,39 -0,76 -1,14 -1,04 -0,29 0,62 0,39 -0,82 0,03

Plot data bergerak di sekitar rata-rata Grafik FAK terputus setelah lag ke-1 Grafik FAKP terputus setelah lag ke-1 Berdasarkan keterangan tersebut, maka dapat disimpulkan bahwa data

yang sudah dilakukan penyelisihan 2 kali menunjukkan gejala stasioner. Model yang memenuhi syarat antara lain AR(1), MA(1), ARMA(1,1)

3.2.2

Estimasi Model Berdasarkan identifikasi model diatas, selanjutnya akan diuji keberartian

koefisien dari setiap model yang telah ditentukan. Pertama, asumsikan bahwa . Lalu kita identifikasi model-model sementara yang sesuai, yaitu: 1. AR(1) 2. MA(1) 3. ARMA(1,1) Dengan

24

a. AR (1)
Iteration 0 1 2 3 4 5 6 7 636263 543690 476801 435595 420073 419934 419934 419934 SSE 0,100 -0,050 -0,200 -0,350 -0,500 -0,515 -0,516 -0,516 Parameters -0,720 -0,828 -0,936 -1,043 -1,148 -1,157 -1,158 -1,158

Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type AR Mean 1 Constant Coef -0,5157 -1,158 -0,764 SE Coef 0,0965 8,101 5,345 T -5,34 -0,14 P 0,000 0,887

Dari output didapat bahwa |

| maka

berbeda secara signifikan dengan nol, artinya diperhitungkan dalam model. |


| < |2SE=10.69| maka tidak berbeda secara signifikan dengan nol artinya tidak perlu diperhitungkan. Sehingga didapat model AR(1)

adalah

b. MA (1)
Iteration 0 1 2 3 4 5 6 7 8 9 10 11 518978 457034 407829 366096 328852 294362 277621 269183 266926 265965 265960 265960 SSE 0,100 0,250 0,400 0,550 0,700 0,850 0,925 0,962 0,984 0,981 0,981 0,980 Parameters -0,800 -0,738 -0,613 -0,436 -0,221 -0,001 0,082 0,119 0,172 -0,001 0,004 0,007

25

Final Estimates of Parameters Type MA Mean 1 Constant Coef 0,9805 0,0071 0,0071 SE Coef 0,0516 0,4900 0,4900 T 19,00 0,01 P 0,000 0,989

Dari output didapat bahwa |


|

| maka

berbeda secara signifikan dengan nol, artinya diperhitungkan dalam model.


| < |2SE=0.98| maka tidak berbeda secara signifikan dengan nol artinya tidak perlu diperhitungkan. Sehingga didapat model MA(1) adalah

c. ARMA (1,1)
Iteration 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Type AR MA Mean 1 1 571694 441058 418099 392636 363950 330810 320249 290098 279231 272929 267608 264710 263556 263291 263290 SSE 0,100 -0,050 0,039 0,121 0,192 0,242 0,245 0,095 -0,055 -0,100 -0,105 -0,106 -0,107 -0,108 -0,108 Coef -0,1077 0,9763 0,0634 0,0573 Parameters 0,100 0,250 0,400 0,550 0,700 0,850 1,000 0,998 0,996 0,992 0,988 0,984 0,980 0,978 0,976 SE Coef 0,1164 0,0585 0,4821 0,4352 -0,720 -0,766 -0,615 -0,452 -0,275 -0,085 0,111 -0,137 -0,300 -0,259 -0,180 -0,104 -0,034 0,024 0,063 T -0,93 16,69 0,13 P 0,358 0,000 0,896

Final Estimates of Parameters

Constant

Dari output didapat bahwa |

| maka

tidak berbeda secara signifikan dengan nol. Selanjutnya |

26

|
|

| maka berbeda secara signifikan dengan nol.

| < |2SE=0.87| maka tidak berbeda secara signifikan dengan nol

artinya tidak perlu diperhitungkan. Namun, karena tidak berbeda secara

signifikan dengan nol atau tidak memiliki keberartian koefisien, maka ARMA(1,1) tidak dapat dimodelkan.

3.2.3

Verifikasi Model Dalam tahap ini, syarat-syarat yang harus dipenuhi adalah sebagai berikut:

1. Uji Keberartian Koefisisen Pada tahap sebelumnya yaitu Estimasi Model didapatkan dua model yag memiliki keberartian koefisien, yaitu: a. Model AR(1)

b. Model MA(1)

2. Uji Kecocokan (Lack of Fit) Adapun hipotesis yang harus diuji adalah Ho : Model sesuai H1 : Model tidak sesuai Dengan kriteria sebagai berikut: Tolak Ho jika atau Tolak H0 jika P value < =5% a. Model AR(1)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 28,1 10 0,002 24 35,2 22 0,037 36 40,4 34 0,208 48 56,0 46 0,149

27

Diketahui dalam tabel terdapat 2 buah P value < =5% dan 2 buah P value > =5%. Syarat tidak terpenuhi, ada kemungkinan Model AR(1) tidak sesuai, maka akan dicek variansi sesatannya

b. Model MA(1)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 16,9 10 0,077 24 23,0 22 0,404 36 27,8 34 0,766 48 43,8 46 0,564

Diketahui dalam tabel semua P value > =5%. Artinya, Model MA(1) sesuai.

3. Variansi Sesatan a. Model AR(1)


Number of observations: Residuals: SS = MS = 5316 81 DF = 79 419933 (backforecasts excluded)

28

b. Model MA(1)
Number of observations: Residuals: SS = MS = 3362 81 DF = 79 265623 (backforecasts excluded)

Terlihat bahwa variansi sesatan model MA(1) lebih kecil dibandingkan model AR(1). Maka, model MA(1) merupakan model yang paling cocok digunakan untuk melakukan peramalan Kurs jual SGD-IDR pada bulan Januari 2012.

3.2.4

Peramalan Setelah melalui tahap identifikasi, estimasi dan verifikasi, didapatkan

model MA(1) dengan

merupakan model yang paling cocok digunakan untuk peramalan Kurs Jual SGD-IDR pada bulan Januari 2012. Dengan menggunakan software Minitab 16, didapatkan hasil permalan data Kurs Jual SGD-IDR pada bulan Januari sebagai berikut:
Forecasts from period 83 95% Limits Period 84 85 86 87 88 89 90 91 Forecast 7358,71 7356,30 7353,90 7351,51 7349,12 7346,74 7344,36 7342,00 Lower 7245,04 7193,97 7153,14 7117,44 7084,91 7054,55 7025,77 6998,19 Upper 7472,39 7518,64 7554,66 7585,57 7613,33 7638,93 7662,96 7685,80 Actual

29

92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108

7339,64 7337,29 7334,94 7332,60 7330,27 7327,95 7325,63 7323,32 7321,02 7318,72 7316,43 7314,15 7311,87 7309,61 7307,35 7305,09 7302,85

6971,57 6945,70 6920,45 6895,71 6871,39 6847,44 6823,79 6800,40 6777,22 6754,24 6731,41 6708,72 6686,15 6663,67 6641,28 6618,95 6596,68

7707,71 7728,87 7749,43 7769,50 7789,15 7808,45 7827,47 7846,24 7864,81 7883,20 7901,45 7919,57 7937,60 7955,54 7973,41 7991,23 8009,01

Hasil peramalan Kurs Jual SGD-IDR untuk bulan Januari 2012 menunjukkan penurunan tiap harinya.

30

BAB IV PENUTUP
4.1 Kesimpulan 1. Ciri teoritik model AR(p) adalah grafik fak turun secara eksponensial menuju nol dan grafik fakp terputus setelah lag ke-p 2. Ciri teoritik model MA(q) adalah grafik fak terputus setelah lag ke-q dan grafik fakp terputus secara eksponensial menuju nol. 3. Ciri teoritik model ARMA(p,q) adalah grafik dari fak mirip seperti model AR(1) dan fakp turun secara eksponensial menuju nol. Setelah melalui tahapan Identifikasi, Estimasi dan Verifikasi Model, didapat bahwa model MA(1) , dan 4. Berdasarkan hasil peramalan, diketahui Kurs Jual SGD-IDR menurun pada bulan Januari 2012. 4.2 Saran 1. Pilihlah data yang sesuai dengan model yang telah dipelajari. 2. Ambil data minimal 60, karena semakin banyak data runtun waktunya, maka semakin baik pula peramalannya. 3. Perbanyak daftar pustaka dan melihat skripsi/tugas akhir untuk memahami kasus yang menggunakan metode runtun waktu lebih baik lagi. dengan

31

Daftar Pustaka
Soejoeti, Z., 1987, Materi Pokok Analisis Runtun Waktu, Karunika Jakarta, Jakarta.
http://file.upi.edu/Direktori/FPMIPA/JUR._PEND._MATEMATIKA/196704081994032ENTIT_PUSPITA/powerpoin_MK_Met_Runtun_Waktu.pdf http://www.scribd.com/doc/38510654/Metode-Runtun-Waktu http://www.anneahira.com/kurs.htm repository.upi.edu/operator/upload/s_d015_043465_chapter4.pdf

32