Anda di halaman 1dari 6

1

Pemodelan IHSG Terkait Inflasi dengan Metode Fungsi


Transfer
Nur Arifin, Suroyya Yuliana1, Rida Dwi Lestari1, Nuraziza Arfan1
Dr. Irhamah, S.Si, M.Si2
1 Mahasiswa Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh
Nopember, Sukolilo 60111, Surabaya
2 Dosen Data Analisis 2, Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember, Sukolilo 60111, Surabaya

e-mail : irhamahn@yahoo.com

AbstrakKrisis ekonomi global memiliki dampak


yang signifikan terhadap perkembangan pasar modal di
Indonesia. Indonesia merupakan negara yang
diprediksikan akan mengalami kemajuan pesat dalam
bidang perekonomian dunia. Potensi besar ini harus
didukung dengan adanya Indeks harga saham gabungan
(IHSG) dalam jangka panjang. Inflasi tidak akan
pernah lepas dalam keterkaitannya dengan IHSG.
Pendekatan untuk mengetahui hubungan antara inlasi
dan IHSG metode ARIMA dan fungsi transfer. Model
akhir transfer function yang diperoleh menjelaskan
bahwa IHSG memiliki dependensi dengan tingkat
inflasi pada masa sebelumnya. Model akhir transfer
function adalah yt = 9,405 + xt + [(1 B )at ]
Kata KunciInflasi, IHSG, ARIMA, Fungsi Transfer.

I. PENDAHULUAN
Krisis ekonomi global memiliki dampak yang signifikan
terhadap perkembangan pasar modal di Indonesia. Dampak
krisis keuangan dunia atau lebih dikenal dengan krisis
ekonomi global yang terjadi di Amerika jelas sangat
berpengaruh terhadap Indonesia. Karena sebagian besar
ekspor Indonesia dilakukan di pasar Amerika dan tentu saja
hal itu sangat mempengaruhi perekonomian di Indonesia.
Salah satu dampak yang paling berpengaruh dari krisis
ekonomi Amerika adalah IHSG yang semakin tidak sehat
[1].
Indeks Harga Saham Gabungan atau yang lebih dikenal
dengan IHSG, tentu menjadi sebuah istilah yang akrab di
telinga sebagian masyarakat. Terlebih bagi para investor
pasar saham. IHSG adalah indeks yang mengukur harga
saham yang dijual di bursa. Secara garis besar merupakan
suatu alat ukur/indikator dari pergerakkan harga-harga
saham yang ditransaksikan di suatu bursa efek dalam kurun
waktu tertentu [2]. Bagi investor, IHSG dapat dijadikan
suatu pedoman dalam mengambil keputusan berinvestasi
namun ini tidak mutlak harus diikuti karena dalam
memutuskan untuk membeli atau menjual saham
hendaknya berdasarkan informasi yang tepat dan matang.
Tingkat pertumbuhan yang diharapkan dan jangka waktu
yang ditetapkan [2].
Besarnya pengaruh yang ditimbulkan IHSG terhadap
perekonomian negara, maka perlu dilakukan peramalan
terhadap tingkat IHSG pada masa yang akan datang.
Penelitian ini menggunakan data close bulanan
dikarenakan untuk mengetahui pergerakan nilai saham
setiap bulannya sehingga investor menjadi tahu bulan apa
saja yang menguntungkan untuk melakukan penawaran
jual beli dalam berinvestasi. Data close adalah harga
penutupan di akhir sesi dan digunakan sebagai acuan untuk
meramalkan nilai IHSG yang akan dibuka pada periode
selanjutnya. Peramalan IHSG tidak dapat hanya didasarkan
pada data historis tingkat IHSG saja, namun juga harus

memperhitungkan faktor-faktor yang mempengaruhi


fluktuasi tingkat IHSG dan kejadian-kejadian tertentu yang
menimbulkan lonjakan tingkat IHSG, salah satunya adalah
inflasi [1]. Inflasi adalah proses meningkatnya harga-harga,
dapat juga dikatakan sebagai kenaikan tingkat harga
konsumen dan/atau menurunnya nilai uang karena
banyaknya jumlah uang beredar di masyarakat. Terdapat
dua tujuan peramalan, yaitu untuk mengerti dan
memodelkan mekanisme stokastik serta meramalkan
kejadian di masa yang akan datang berdasarkan data masa
lalu [3]. Pemodelan suatu data deret waktu (time series)
tidak juga dipengaruhi oleh faktor-faktor eksternal karena
sifat keterkaitan antara waktu ke waktu yang dimiliki oleh
data deret waktu, sedangkan terdapat kejadian-kejadian
tertentu yang bisa berpengaruh dalam kurun waktu
tersebut. Terdapat banyak metode yang dapat digunakan
untuk memodelkan data time series, salah satunya adalah
metode fungsi transfer. Metode fungsi transfer adalah suatu
model yang menggambarkan bahwa nilai prediksi masa
depan dari suatu data time series (output series) adalah
berdasar pada nilai-nilai masa lalu dari time series itu
sendiri dan berdasarkan pula pada satu atau lebih time
series yang berhubungan (input series) dengan output series
tersebut. Penelitian ini bertujuan untuk memodelkan IHSG
dengan prediktor tingkat inflasi yang dilakukan
menggunakan metode fungsi transfer.
II.TINJAUAN PUSTAKA
A. Analisis Deret Waktu (Time Series)
Peramalan merupakan alat bantu yang penting dalam
perencanaan yang efektif dan efisien [4].
Langkah pertama dalam melakukan analisis time series
adalah identifikasi model untuk melihat pola data. Hal
pertama yang perlu diperhatikan adalah bahwa kebanyakan
data time series bersifat non-stasioner, sedangkan pada
aspek-aspek AR dan MA dari model ARIMA hanya
berkenaan dengan deret berkala yang stasioner. Oleh
karena itu jika suatu data time series plot menunjukkan
tidak stasioner maka perlu distasionerkan [4]). Kondisi
stasioner terdiri atas dua hal yaitu stasioner dalam rata-rata
dan stasioner dalam varians[4]. Jika data tidak stasioner
dalam varians, maka dapat distabilkan dengan
menggunakan transformasi dan salah satunya adalah
dengan melakukan transformasi Box Cox.
Transformasi Box-Cox merupakan transformasi pangkat
yang dapat dinyatakan sebagai berikut:

T (Z t ) = Z t

( )

Z t 1

(1)
Nilai dari dengan transformasinya yang sering digunakan
adalah [5].
Tabel 1. Transformasi Box-Cox

2
Nilai (Lambda)
-1
-0,5

AR (p) atau
MA (q)

Transformasi
1/Zt
1/
Ln Zt

0
0,5
1

Zt

cov(Z t , Z t +k )
var(Z t ) var(Z t +k )

k
0

(3)
Fungsi autokorelasi dihitung berdasarkan sampel yang
dihitung dengan rumus sebagai berikut [5].
nk

k =

(Z
t =1

Z )( Z t + k Z )
(5)

(Z
t =1

Z )2

Fungsi autokorelasi parsial atau Partial Autocorrelation


function (PACF) adalah korelasi antara Zt dan Zt+k bernilai
sama dengan autokorelasi antara
Z t +k

Z t Z t ) dan

Z t +k ). Fungsi autokorelasi parsial (PACF) dapat

dirumuskan sebagai berikut [5].


Cov[( Z t Z t ), ( Z t +k Z t +k )
k =
(6)
Var ( Z t Z t ) Var ( Z t +k Z t +k )
Pada pengamatan time series dimana sampel PACF
dinotasikan dengan kk dengan perhitungan seperti yang
telah diberikan oleh Durbin adalah sebagai berikut [5].
k

k +1,k +1 =

k +1 kj k +1 j
j =1

(7)

1 kj j
j =1

k +1, j = kj k +1,k +1k ,k +1 j , j= 1, 2, ..., k


B. Identifikasi Model ARIMA
Identifikasi model ARIMA dapat dilakukan dengan
melihat plot dari ACF dan PACF. Beberapa model ARIMA
dari ACF dan PACF adalah [5].
Tabel 2. Karakteristik T eori ACF dan PACF untuk Proses
Stasioner
AR (p)

MA (q)

ARMA
(p,q)

Model autoregressive (AR) berorde p menyatakan suatu


model dimana pengamatan waktu t berkombinasi linier
dengan pengamatan sebelumnya t-1, t-2,, t-p. Bentuk
persamaan model AR (p) adalah:
Z t =1 Z t 1 +2 Z t 2 +... +p Z t p + at
(8)
Untuk proses autoregressive orde pertama AR (1) ditulis :
Z t =1 Z t 1 +at
(9)
D.Uji Signifikansi Model ARIMA
Model ARIMA yang baik harus memenuhi asumsi
salah satunya yaitu penaksiran parameternya signifikan.
Hipotesis yang digunakan pada pengujian signifikansi
parameter AR adalah [6].
H0 : p = 0
H1 : p 0
Statistik Uji :

t=

P
SE (P )

(12)

Daerah penolakan :
Tolak H0 jika nilai t >t ( ,( n r ) atau Pvalue <
2

H1 : q 0
Statistik Uji :
q
t =
)
SE (
q
Daerah penolakan :

(13)

Tolak H0 jika nilai t >t ( ,( n r ) atau Pvalue <


2

E. Diagnostic Checking
Asumsi selanjutnya pada Model ARIMA
untuk
mendapatkan model yang baik yaitu memenuhi dua asumsi
residual antara lain berdistribusi normal dan white noise.
Hipotesis pada pengujian asumsi white noise adalah sebagai
berikut [5].
Hipotesis :
H0 : 1 = 2 = ... = K = 0

ACF

PACF

Turun secara
eksponensial atau
sinusodial

Cut off setelah


lag p

Q = n(n + 2) (n k ) 1 k2

Cuts off setelah lag q

Turun secara
eksponensial atau
sinusodial
Turun setelah lag
(p-q)

n adalah banyaknya observasi


r adalah jumlah parameter yang ditaksir

H1 : Paling tidak ada nilai k 0


Statistik Uji :

Turun setelah lag (q-p)

Hipotesis untuk pengujian signifikansi parameter MA


adalah:
H0 : q = 0

dimana,

dan

Model

Cut off setelah


lag p

C. Model Autoregressive atau AR (p)

Fungsi Autokorelasi atau Autocorrelation Function


(ACF) adalah alat yang mendeteksi keeratan hubungan
linear antara pengamatan Zt dan Zt + k pada data time series
yang dipisahkan oleh waktu sebesar k. Rumus fungsi
autokorelasi adalah [5].

k =

Cut off setelah lag q

(14)

k =1

Daerah penolakan :
Tolak H0 jika nilai Q >

2 ( , K m )

atau Pvalue <

dimana,
n = banyaknya pengamatan
k = autokorelasi residual pada lag ke-k

m = jumlah parameter

3
Pengujian kenormalan residual dilakukan dengan uji
kolmogorov Smirnov [7]. Hipotesisnya adalah sebagai
berikut :
Hipotesis :
H0 : F ( x ) = F0 ( x )
H1 : F ( x ) F0 ( x )
Statistik Uji :

D =sup
S ( x ) F0 ( x )
x

(15)

Daerah penolakan :
Tolak H0 jika nilai D > D(1, n )
dimana,
S (x) : fungsi peluang kumulatif yang dihitung dari data
sampel
F0(x) : fungsi distribusi yang dihipotesiskan (normal)
F(x) : fungsi distribusi yang belum diketahui
F. Model Transfer Function
Model transfer function adalah suatu model time series
yang menggambarkan nilai prediksi masa depan dari suatu
time series (yang disebut output series atau ) yang
didasarkan pada nilai-nilai masa lalu dari time series itu
sendiri dan pada satu atau lebih time series yang
berhubungan (disebut input series atau ) dengan output
series tersebut. Bentuk umum persamaan model transfer
function dengan single input ( ) dan single output ( )
adalah sebagai berikut [5].
= () +
dimana :
= deret output yang stationer
= deret input yang stationer
= deret noise
dengan =
Sehingga bisa dilihat pada persamaan berikut ini.
= + atau
= +
Dimana :
= 0 1 2 2 ,
=11 2 2 ,
=1 1 2 2 , dan
=1 1 2 2 ,
G.Estimasi Parameter
Tahap selanjutnya etelah melakukan identifikasi model
adalah melakukan estimasi terhadap parameter dalam
model ARIMA. Pada penelitian ini penaksiran parameter
model menggunakan metode Conditional Least Square
(CLS). CLS merupakan metode Least Square dengan
mengasumsikan error pengamatan sebelumnya yang tidak
diamati sama dengan nol dan meminimumkan jumlah
kuadrat dari error model (sum of square):
= 2=1
Untuk model AR (p), adalah sebagai berikut :
, = 2,=1 = 1 1
Untuk model MA (q), adalah sebagai berikut :
, = 2,=1 = 1 1+ 2 2 +
Estimasi parameter transfer function menggunakan
Conditional Least Square, yaitu , , , dengan membuat
error yang tidak diketahui dan sama dengan nol.
(, , , | )= 2=0
dimana 0= max{p+r+1,b+p+s+1}.
H.Pemilihan Model Terbaik
Adanya beberapa model yang memungkinkan untuk
digunakan dalam proses peramalan memberikan suatu

permasalahan baru dalam menentukan model terbaik yang


sesuai digunakan dalam proses peramalan. Pemilihan
model terbaik dapat dilakukan berdasarkan error hasil
ramalan. Data yang telah dibagi menjadi dua bagian, yaitu
data in sample dan data out sample masing-masing
digunakan dalam penilaian model. Untuk data in sample
digunakan kriteria Akaikes Information Criterion (AIC)
dan Schwartzs Bayesian Criterion (SBC). Sedangkan
untuk data out sample dapat digunakan Mean Squared
Error (MSE
dan Mean Absolute Percentage Error
(MAPE). Adapun berbagai kriteria pemilihan model terbaik
berdasarkan error adalah sebagai berikut [5] :
1. AIC (Akaikes Information Criterion)
AIC(M) = n ln

2
a + 2 M

dimana : n = banyaknya pengamatan


M = banyaknya parameter dalam model

a 2 = estimasi varians residual


2.

SBC (Schwartzs Bayesian Criterion)


SBC(M) = n ln

2
a + M ln n

dimana : n = banyaknya pengamatan


M = banyaknya parameter dalam model

a 2 = estimasi varians residual


III. METODE PENELITIAN
A. Sumber Data dan Variabel Penelitian
Sumber data yang digunakan dalam penelitian ini
adalah dua buah data sekunder. Data pertama merupakan
data IHSG yang diperoleh dari Yahoo Finance dan data
kedua merupakan data Inflasi yang diperoleh dari Bank
Indonesia. Variabel yang akan digunakan adalah IHSG dan
tingkat Inflasi setiap bulannya dari tahun 2001 hingga
tahun 2012.
B. Langkah-Langkah Penelitian
Model yang ingin diperoleh dari penelitian ini adalah
model fungsi transfer IHSG dengan prediktor tingkat
inflasi. Tahapan-tahapan analisis dalam mencapai tujuan
penelitian ini adalah sebagai berikut.
Tahap 1 : Identifikasi Bentuk Model
Identifikasi model meliputi tahapan-tahapan seperti
berikut.
1. Mempersiapkan deret input (tingkat inflasi) dan output
(IHSG) agar memperoleh deret input dan output yang
stationer.
2. Menentukan model ARIMA untuk deret input dan
melakukan prewhitening pada deret tersebut untuk
memperoleh deret yang white noise ( ) .
3. Melakukan prewhitening pada deret output untuk
memperoleh .
4. Mendeteksi Cross Correlation (CCF) dan autokorelasi
untuk deret input dan deret output yang telah mengalami
proses prewhitening.
5. Menetapkan nilai-nilai (b, r, s) yang menghubungkan
deret input dan output.
6. Penaksiran
model
transfer
function
sementara
berdasarkan nilai (b,r,s) yang ditetapkan sebelumnya.
7. Melakukan penaksiran awal deret noise ( ) dan
perhitungan autokorelasi serta parsial korelasinya.
8. Menetapkan ( , ) untuk model ARIMA ( ,0,) dari
deret noise .

4
Tahap 2 : Penaksiran Parameter Model Transfer
Function
Penaksiran parameter dari model transfer function
dengan menggunakan metode Conditional Least Square.
Tahap 3 : Uji Diagnostik Model Transfer Function
Pengujian kebaikan dari model yang diperoleh pada
tahap sebelumnya.
Tahap 4 : Penggunaan Model Transfer Function untuk
Peramalan
Peramalan IHSG untuk 12 bulan ke depan dengan
menggunakan model transfer function akhir.
IV. ANALISIS DAN PEMBAHASAN
Penelitian ini ingin mengetahui apakah ada hubungan
antara IHSG dan inflasi dengan metode fungsi transfer.
A. Pemeriksaan Kestasioneran Data dan Identifikasi
Model
Tahapan awal yang harus dilakukan adalah identifikasi
model dengan melihat time series plot.
9
8
7

inflasi

Gambar 3. Box-Cox Plot dari Data Transformasi

Berdasarkan Box-Cox plot dari data trasnformasi


diperoleh nilai lower CL sebesar 0,53 dan upper CL sebesar
1,44 serta nilai rounded value sebesar 1. Ini menunjukkan
bahwa data inflasi Indonesia telah stasioner dalam varians.
Setelah dilakukan pengujian kestationeran dalam
varians,
maka
selanjutnya
dilakukan
pengujian
kestationeran data dalam mean menggunakan data hasil
transformasi box-cox dengan pengujian dickey fuller.
Berdasarkan pengujian dickey fuller diperoleh pvalue
sebesar 0,01 yang berarti lebih kecil dari (5%) sehingga
dapat dikatakan bahwa data telah stasioner dalam mean.
Data inflasi Indonesia periode Januari 2001 hingga
Desember 2012 telah stationer dalam varians dan mean.
Langkah selanjutnya adalah melakukan identifikasi model
untuk mengetahui model ARIMA yang sesuai pada data
inflasi Indonesia periode bulanan.

5
4

1.0

0.8

0.6

0
1

14

28

42

56

70
84
I ndex

98

112

126

140

Gambar 1. Time Series Plot Data Inflasi

Gambar 1 terlihat bahwa data inflasi Indonesia periode


Januari 2001 hingga Desember 2012 memiliki pola yang
cenderung stasioner walaupun ada salah satu data yang
mempunyai nilai yang sangat tinggi dibanding data
lainnya. Kenaikan nilai inflasi itu kembali terjadi pada data
ke-58 tepatnya pada bulan Oktober 2005. Data inflasi
tersebut ada indikasi sudah stationer dalam mean. Sebelum
mengetahui apakah data tersebut sudah stasioner dalam
mean terlebih dahulu dilakukan pengujian kestasineran
dalam varians dengan menggunakan transformasi box-cox.

Aut ocorrelat ion

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

10

15

20

25

30

35

Lag

Gambar 4. ACF Plot Data Transformasi

Berdasarkan plot ACF diketahui bahwa ada 2 lag yang


keluar dari batas yaitu pada lag 1 dan 12.
1.0

Lower CL

0.8

Upper CL
Lambda
(using 95.0% confidence)

3.0

St Dev

2.5

Estimate

0.34

Lower CL
Upper CL

0.18
0.48

Rounded Value

0.34

2.0
1.5
1.0

0.6
Part ial Aut ocorrelat ion

3.5

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

0.5

-1.0

Limit

0.0
-1

1
Lambda

Berdasarkan Box-Cox plot dari data inflasi diperoleh


5
nilai lower
CL sebesar 0,18 dan upper CL sebesar 0,48,
serta rounded value sebesar 0,34. Ini menunjukkan bahwa
4
data belum
stasioner dalam varians. Untuk itu perlu
dilakukan
transformasi dengan rumus Zt0,34.
3
Upper CL

Lambda

St Dev

(using 95.0% confidence)

1
Limit

0
-5.0

-2.5

0.0
Lambda

10

15

20

25

30

35

Gambar 5. PACF Plot Data Transformasi

Gambar 2. Box-Cox Plot dari Data Inflasi


Lower CL

Lag

2.5

5.0

Estimate

1.00

Lower CL
Upper CL

0.53
1.44

Rounded Value

1.00

Berdasarkan plot PACF diketahui bahwa ada 3 lag yang


keluar dari batas yaitu pada lag 1,8, dan 13.
B. Penaksiran Parameter Model
Penaksiran parameter model diperlukan agar hasil
peramalan valid.
Tabel 3. Penaksiran Parameter Model

5
Model
ARIMA
([1,8],
0,0)

Paramete
r
MU

Estimasi

p-value

0,928

<0,0001

Keputusa
n
signifikan

1
8

0,3668

<0,0001

signifikan

0,1599

0,0453

signifikan

Tabel 3 menunjukkan bahwa model ARIMA ([1,8], 0,0)


sesuai untuk data inflasi Indonesia periode bulanan karena
parameternya signifikan sehingga diperoleh persamaan

Z t = 0,928 +0,3668 Z t 1 +0,1599 Z t 8 +at


Parameter model dikatakan signifikan bila pvalue < .
Selanjutnya dilakukan pemeriksaan residual untuk
mengetahui apakah residual telah white noise dan
berdistribusi normal.
Tabel 4. Pengujian Asumsi White noise
Model

ARIMA
([1,8]0,0)

Lag

P-value

Kesimpulan

0,7658

Gagal tolak H0

12

0,1033

Gagal tolak H0

18

0,3128

Gagal tolak H0

24

0,1301

Gagal tolak H0

Tabel 4 menunjukkan bahwa residual dari model


ARIMA ([1,8]0,0) telah memenuhi asumsi white noise. Hal
tersebut ditunjukkan dengan nilai pvalue > (0,05) yang
memberikan kesimpulan bahwa residual telah independen
dan memenuhi asumsi white noise.
Setelah residual memenuhi asumsi white noise, maka
tahapan berikutnya adalah memeriksa kenormalan residual.
Berdasarkan uji Kolmogorov Smirnov diketahui esidual
sudah berdistribusi normal dengan nilai p-value sebesar
0,1334. Jadi model ARIMA ([1,8]0,0) adalah model terbaik
dari data inflasi bulanan.
C.Identifikasi Awal Model Fungsi Transfer
1. Penentuan Nilai (b, s, r) Model awal Fungsi Transfer
Pendugaan nilai (b,, s, r) untuk model fungsi
transfer ditentukan berdasarkan sampel CCF antara t
dan

t .

tertentu. Sehingga dugaan sementara model fungsi


transfernya adalah sebagai berikut.

yt = +

8 B8
xt + t
1B

2. Identifikasi Model ARIMA untuk Deret Noise


Residual model sementara fungsi transfer belum
memenuhi asumsi white noise yang dapat dilihat dari
tabel 5 memiliki p-value kurang dari 0,05. Hal ini
menunjukkan bahwa komponen error adalah
dependent, sehingga perlu ditambahkan suatu deret
noise dalam estimasi parameter dengan menggunakan
model ARIMA.
Tabel 5. Pengujian Asumsi White Noise
Lag
P-value
Kesimpulan
6
<0,0001
Tidak White Noise
12
<0,0001
Tidak White Noise
18
<0,0001
Tidak White Noise
24
<0,0001
Tidak White Noise
Penentuan model ARIMA didasarkan pada plot ACF
dan PACF dari residual model sementara fungsi
transfer. Dari hasil pengujian residual, diketahui plot
ACF turun lambat dan plot PACF cuts off setelah lag-1,
sehingga model ARIMA untuk deret Noise adalah
AR(1) dan semua nilai estimasi parameter untuk model
sementara adalah signifikan. Secara umum model
fungsi transfer yang diperoleh adalah sebagai berikut.

C (1 8 B 8 )
at
xt +
(1 1 B )
(1 1 B )
(1 1B )(1 1B ) yt = (1 1B )(1 1B ) +
yt = +

C 1 8 B 8 (1 1 B ) xt + (1 1B ) at

3. Penentuan Model Fungsi Transfer antara Inflasi dan


IHSG
Asumsi yang harus terpenuhi dalam penentuan
model fungsi transfer adalah white noise dan nilai
estimasi parameter signifikan. Penambahan suatu deret
noise memberikan hasil bahwa model asumsi white
noise telah terpenuhi, tetapi untuk estimasi parameter
belum signifikan karena p-value lebih besar dari taraf
siginifikansi 5%. Sehingga langkah yang diambil
adalah dengan melakukan modifikasi terhadap orde b,
s, dan r hingga diperoleh model terbaik yaitu dengan
orde b=0, s=0 dan r=0.
Hasil modifikasi menunjukkan bahwa asumsi white
noise telah terpenuhi yang ditunjukkan pada tabel 6,
dimana p-value lebih besar dari taraf signifikansi 5%.
Tabel 6. Uji White Noise Model Fungsi Transfer
Lag
6
12
18
24

Gambar 6. Plot CCF Antara Inflasi dan IHSG

Plot CCF tersebut dapat digunakan sebagai


penentuan orde b, s, r. Dari beberapa kombinasi,
diperoleh dugaan order untuk model fungsi transfer
terbaik adalah b=0, s=8 dan r=1. Hal ini menunjukkan
bahwa inflasi berpengaruh signifikan terhadap IHSG
pada delapan periode selanjutnya. Sementara r bernilai
1 menandakan bahwa plot membentuk suatu pola

P-value
0,121
0,3352
0,7136
0,6226

Kesimpulan
White Noise
White Noise
White Noise
White Noise

Pengujian signifikansi parameter menunjukkan


bahwa semua parameter telah signifikan karena p-value
parameter lebih besar dari alfa 5%. Nilai signifikansi
parameter ditampilkan pada tabel 7.
Tabel 7. Pengujian Signifikansi Parameter Model
Fungsi Transfer
Paramete
r

Estimasi

p-value

Keputusan

9,405

<0,0001

1,000

<0,0001

-0,56348

<0,0001

NUM1

Signifika
n
Signifika
n
Signifika
n

Setelah residual memenuhi asumsi white noise,


maka dilakukan pengujian kenormalan residual dengan
menggunakan uji Kolmogorv-Smirnov. Uji KolmogorvSmirnov yang dilakukan memberikan p-value sebesar
<0,01 yang berarti residual tidak berdistribusi normal
karena p-value < sebesar 0,05. Untuk mendapatkan
model fungsi transfer yang baik, sebaiknya dilakukan
suatu deteksi outlier untuk mengatasi ketidak normalan
residual model. Tetapi dalam analisis ini tidak
dilakukan suatu pendeteksian outlier, sehingga model
fungsi transfer antara inflasi dan IHSG adalah sebagai
berikut.

yt = 9,405 + xt + [(1 B)at ]

V. KESIMPULAN DAN SARAN


Berdasarkan analisis dan pembahasan, model transfer
yang sesuai antara inflasi dan IHSG periode Januari 2001
sampai
Desember
2012
adalah
yt = 9,405 + xt + [(1 B)at ] dengan asumsi semua
parameter signifikan dan residual sudah white noise tapi
tidak berdistribusi normal.
Saran yang dapat diberikan untuk penelitian selanjutnya
adalah perlu adanya deteksi outlier untuk mengatasi
masalah ketidaknormalan residual sehingga nantinya
diperoleh model yang bagus untuk model transfer antara
inflasi dan IHSG.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada dosen mata
kuliah Analisis Data II yang telah memberikan bimbingan
dan masukan dalam menyelesaikan laporan ini.
DAFTAR PUSTAKA
[1] Mauliano, Deddy Azhar, Analisis Faktor-Faktor yang
Mempengaruhi Pergerakan Indeks Harga Saham
Gabungan (IHSG) di Bursa Efek Indonesia. Tugas
Akhir Manajemen-Ekonomi, Depok: Universitas
Gunadharma (2010).
[2] Serawati, Indeks Harga Saham Gabungan (IHSG).
Tugas
Ekonomi
Makro,
Depok:
Universitas
Gunadharma (2011).
[3] Cryer, J.D., 1986. Time Series Analysis. Boston :
Publishing Company.
[4] Makridakis, S., Wheelwright, S.C., dan McGee, V.E.,
1999.
Jilid 1 Edisi Kedua, Terjemahan Ir. Hari
Suminto. Metode dan Aplikasi Peramalan. Jakarta :
Bina Rupa Aksara.
[5] Wei, W.W.S., 1990. Time Series Univariate and
Multivariate
Methods. Canada: Addison Wesley
Publishing Company, Inc.
[6] Bowerman, B.L. dan OConnell, R.T., 1993.
Forecasting and Time Series: An Applied Approach,
edisi ketiga. Belmont, California : Duxbury Press.
[7] Daniel, W. W.,1989. Statistika Nonparametrik Terapan,
Jakarta : PT. Gramedia.

[8] Capital Market Education. (2013). IHSG Sebagai


Indikator
Bursa
di
Indonesia.
Available:
http://coki002.wordpress.com/ihsg-sebagai-indikatorbursa-di-indonesia/
[9] Yahoo Finance. (2013). Indeks Harga Saham
Gabungan
Indonesia.
Available:
www.yahoofinance.com