Prosiding Seminar Nasional Manajemen Teknologi XXII

Program Studi MMT-ITS, Surabaya 24 Januari 2015

PEMODELAN BOX-JENKINS (ARIMA) UNTUK PERAMALAN

INDEKS HARGA SAHAM GABUNGAN
Vincentius Iwan Primaditya1 dan Nur Iriawan2
1) Program Studi Magister Manajemen Teknologi,
Institut Teknologi Sepuluh Nopember
e-mail: primaditya10@mhs.mmt.its.ac.id
2) Statistik, Institut Teknologi Sepuluh Nopember
e-mail: nur_i@statistik.its.ac.id

ABSTRAK
Indeks Harga Saham Gabungan (IHSG) merupakan indikator utama yang digunakan di
Bursa Efek Indonesia (BEI) untuk mengukur kinerja pasar saham secara keseluruhan.
Peramalan yang akurat mengenai pergerakan indeks dapat menghasilkan keuntungan
bagi investor dan untuk mengembangkan strategi perdagangan pasar saham yang
efektif. Autoregressive Integrated Moving Average (ARIMA) adalah model deret waktu
univariat yang sangat berguna untuk peramalan indeks harga saham dengan
menggunakan autokorelasi dan variasi residual yang ditemukan dalam data. Penelitian
ini bertujuan menghasilkan model Autoregressive Integrated Moving Average
(ARIMA) untuk peramalan IHSG. Data deret waktu univariat yang dianalisis adalah
harga penutupan IHSG periode Januari 2010 - September 2014 yang dibagi kedalam
data in-sample dan out-of-sample. Masing-masing tahap dalam pemodelan Box-Jenkins
yaitu identifikasi, estimasi, dan diagnostik dilakukan untuk menghasilkan model
ARIMA yang optimal. Peramalan dengan model ARIMA(4,1,1) dihasilkan dan
dibandingkan dengan model Random Walk with Drift sebagai benchmark. Akurasi
peramalan pada data out-of-sample yang diperoleh dengan menggunakan Mean
Absolute Error (MAE), dan Root Mean Squared Error (RMSE), menunjukkan bahwa
model ARIMA(4,1,1) menghasilkan peramalan yang lebih baik dari Random Walk with
Drift.
Kata kunci: Arima, Box-jenkins, Indeks Harga Saham Gabungan, Peramalan.

PENDAHULUAN
Indeks Harga Saham Gabungan (IHSG) merupakan indikator utama yang
digunakan di BEI untuk mengukur kinerja pasar saham secara keseluruhan. IHSG
merupakan indeks kapitalisasi pasar tertimbang dan mewakili setidaknya 70% dari total
kapitalisasi pasar dan jumlah saham yang diperdagangkan. Peramalan yang akurat
mengenai pergerakan indeks dapat digunakan sebagai leading indicator kondisi pasar
saham dan sebagai dasar untuk mengembangkan strategi perdagangan pasar saham yang
efektif.
Hipotesis pasar-efisien menyatakan bahwa pasar saham sangat efisien dalam
memproses informasi dan beradaptasi begitu cepat terhadap informasi baru sehingga
harga setiap saat sudah mencerminkan semua informasi yang tersedia (Malkiel, 2003).
Pergerakan harga di pasar saham dipengaruhi oleh informasi baru, dan informasi baru
pada dasarnya adalah acak. Oleh karena itu, masing-masing pengamatan dalam deret

ISBN: 978-602-70604-1-8
C-31-1
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

waktu pergerakan harga seharusnya acak dan tidak mempunyai korelasi satu sama lain
atau independen. Pasar dimana masing-masing pergerakan adalah independen secara
definisi adalah pasar dengan proses random walk (Fama, 1965).
Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu
model deret waktu univariat yang berguna untuk peramalan indeks harga saham
(Gilmore & McManus; 2003, Sasongko, 2011; Sudirman & Damayanti, 2014). Pada
dasarnya ARIMA memodelkan autokorelasi dan lagged error yang terdapat pada deret
waktu untuk menghasilkan peramalan. Penelitian ini bertujuan menghasilkan model
ARIMA untuk peramalan IHSG menggunakan metode Box- Jenkins dan
membandingkan dengan Random Walk with Drift.

DASAR TEORI
Stasioneritas Deret Waktu
Stasioneritas merupakan hal yang esensial dalam pemodelan deret waktu. Deret
waktu stasioner adalah deret waktu dimana mean, varians, dan kovarians adalah konstan
dari waktu ke waktu. Suatu deret waktu bersifat stasioner apabila (Defusco et al, 2007):
1. Nilai ekspektasi/mean deret waktu adalah konstan dan terbatas dalam semua
periode:
E(y t ) = dan < , t =1, 2,..., T
2. Varians dan Kovarians deret waktu dengan deret waktu itu sendiri adalah
konstan dan terbatas dalam semua periode:
Cov(y t , y t s ) = , < , t = 1, 2,..., T;s = 0, 1, 2,..., T

Diferensiasi
Sebagian besar deret waktu pasar saham adalah nonstasioner. Diferensiasi
merubah deret waktu nonstasioner menjadi stasioner dengan menghasilkan deret waktu
baru yang merupakan perbedaan antara nilai variabel dalam satu periode dengan periode
sebelumnya. Diferensiasi deret waktu tingkat pertama diberikan sebagai (Hyndman &
Athanasopoulos, 2013):
y=
t y t y t 1= y t y=
t (1 )y t

Secara umum, diferensiasi dengan tingkat d diberikan dengan:

(1 B)d y t

dimana B adalah operator backshift:

y t = y t 1

Transformasi Box-Cox
Tujuan dari transformasi adalah menyederhanakan pola dalam data historis
dengan menghilangkan variasi atau dengan membuat pola yang lebih konsisten pada
seluruh data. Pola yang lebih sederhana akan menghasilkan peramalan yang lebih
akurat. Jika deret waktu diidentifikasi mempunyai varians yang tidak konstan, salah satu
penyesuaian yang dapat dilakukan adalah melalui transformasi Box-Cox sebagai berikut
(Hyndman & Athanasopoulos, 2013):

ISBN: 978-602-70604-1-8
C-31-2
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

log(y t ) , =0;
wt =
( y t 1) / ,0
dimana,
= parameter transformasi

Uji Akar Unit Augmented Dickey-Fuller (ADF)

Uji akar unit Dickey-Fuller adalah uji hipotesis yang digunakan untuk
menentukan apakah deret waktu mempunyai akar unit. Untuk uji ini, digunakan model
autoregresi orde 1, AR(1), dan menguji signifikansi koefisien sebagai berikut
(Defusco, 2007):
y t = 1 y t 1 + t
y t y t 1 = 1 y t 1 y t 1 + t
y t = ( 1)y t 1 + t = y t 1 + t

Selain itu dapat juga ditambahkan koefisien drift dan beberapa lag. Uji
Augmented Dickey-Fuller menggunakan model autoregresi orde p, AR(p), dan menguji
signifikansi koefisien sebagai berikut (Katchova, 2013):
p 1
y t = c + y t 1 + jy t j + t
j=1

Jika deret waktu mempunyai akar unit, maka 1 =1 dan =0 , sehingga

nonstasioner. Uji dilakukan menggunakan t-test dan nilai kritis pada tabel Dickey-
Fuller.

Fungsi Autokorelasi (ACF) dan Autokorelasi Parsial (PACF)

Autokorelasi mengukur bagaimana urutan pengamatan dalam deret waktu
berkorelasi satu sama lain. Fungsi autokorelasi antara yt dengan yt k diberikan dengan
(Katchova, 2013):
Cov( yt , yt k )
) =
ACF (k= k
Var ( yt )

Autokorelasi parsial adalah autokorelasi antara y t dan y t k tanpa

memperhitungkan korelasi yang terdapat pada lag 1,2,...,t-k+1. Fungsi autokorelasi
parsial diberikan dengan:
PACF (k= ) = *
k Corr[ yt E * ( yt | yt 1 ,... yt k +1 , yt k )]
Batas kritis untuk ACF dan PACF adalah 1.96 / T dimana, T = jumlah data deret
waktu.

Autoregressive Integrated Moving Average (ARIMA)

ARIMA merupakan model deret waktu yang terdiri dari tiga komponen utama
yaitu: (1) Autoregressive, (2) Integrated. dan (3) Moving Average. Autoregressive
memodelkan autokorelasi yang terdapat pada deret waktu dengan melakukan regresi
pada variabel lag sebanyak p. Moving Average memodelkan lagged error sebanyak q.

ISBN: 978-602-70604-1-8
C-31-3
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Integrated melakukan diferensiasi dengan tingkat d yang sesuai untuk deret waktu
nonstasioner. Model ARIMA(p,d,q) diberikan dengan (Hyndman & Athanasopoulos,
2013):
yt = c + 1 yt 1 + ... + p yt p + 1 t 1 + ... + q t q + t

Ketiga komponen ARIMA tampak lebih jelas apabila ditulis menggunakan operator
backshift, By t = y t 1 , sebagai:
(1 ... ) (1 )
1 p
p d
y t = c + (1 + 1 + ... + q q ) t
dimana,
y = deret waktu dengan diferensiasi
yt = nilai variabel y pada waktu t
c = konstanta
p = orde autoregresif
d = tingkat diferensiasi
q = orde moving average
t = error pada periode t

Oleh karena model ARIMA memiliki komponen AR, MA dan Integrated, maka
ARIMA dapat digunakan untuk pemodelan berbagai macam proses deret waktu. Tabel 1
memberikan ekuivalensi beberapa model deret waktu dengan model ARIMA(p,d,q).
Tabel 1. Beberapa Model Deret Waktu dalam Bentuk ARIMA
Deret Waktu ARIMA(p,d,q)
White Noise ARIMA(0,0,0)
Random Walk ARIMA(0,1,0)
Random Walk with Drift ARIMA(0,1,0) dengan konstanta c
Autoregression ARIMA(p,0,0)
Moving Average ARIMA(0,0,q)

Maximum Likelihood Estimation

Maximum likelihood estimation merupakan metode pendugaan parameter model
yang memaksimalkan probabilitas bahwa model yang dihasilkan sesuai dengan data.
Estimasi parameter c, 1 ,..., p , 1 ,.., q untuk modelARIMA diperoleh dengan
meminimumkan:
1 T 2 1 T
=
=
2T t 1 =
t
2T t 1
(y t c 1 y1,t ... k y k,t ) 2

Akaike Information Criterion

Akaike Information Criterion AIC merupakan kriteria goodness of fit yang
digunakan dalam berbagai model statistik. Orde p dan q yang menghasilkan model
ARIMA terbaik adalah yang memiliki AIC terkecil. AIC untuk model ARIMA
diberikan sebagai:
AIC =2 log ( L ) + 2(p + q + k + 1)
dimana, L = likelihood data, k =1 jika c 0, dan k =0 jika c =0.

ISBN: 978-602-70604-1-8
C-31-4
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Uji Ljung-Box
Hipotesis nul uji Ljung-Box adalah residual model mempunyai mean nol, tidak
mempunyai autokorelasi yang signifikan, dan memenuhi asumsi white noise. Uji Ljung-
Box didasarkan pada:
h
T(T + 2) (T k) 1 rk
Q* =
k =1

Daerah penolakan: Tolak H 0 jika Q* > 2 ,h K atau p-value <

Evaluasi Akurasi Model Peramalan

Error peramalan adalah perbedaan antara nilai yang diramalkan dengan nilai
sebenarnya dan diberikan dengan, e=
i yi yi . Akurasi model peramalan diukur dengan
menggunakan:
1. Mean Absolute Error (MAE):
MAE = mean( ei )
2. Root Mean Squared Error (RMSE):
RMSE = mean(e 2i )

METODE
Data dan Variabel Penelitian
Data yang dianalisis adalah deret waktu univariat harga penutupan (adjusted
close) harian indeks harga saham gabungan (IHSG) periode Januari 2010 - September
2014. Pengumpulan data sekunder dilakukan dengan mengunduh data harian IHSG
dengan simbol ^JKSE dari http://finance.yahoo.com. IHSG adalah indeks kapitalisasi-
pasar tertimbang dengan waktu dasar 10 Agustus 1982 yang terdiri dari 325 perusahaan
yang terdaftar di BEI.

Pengolahan Data
Data IHSG selama periode pengamatan terdiri dari 1156 hari sampel harga
penutupan harian. Data dibagi menjadi dua yaitu:
(1) 80% untuk data in-sample yang digunakan dalam estimasi model.
(2) 20% untuk data out-of-sample yang digunakan dalam evaluasi akurasi model.

Pemodelan Box-Jenkins
Metode Box-Jenkins merupakan metode pemodelan ARIMA yang
dikembangkan oleh G.E.P. Box dan G.M. Jenkins. Metode ini menggunakan
pendekatan pemodelan tiga tahap secara iteratif untuk menghasilkan model ARIMA
yang optimal.

Tahap Identifikasi
Tahap pertama dalam pemodelan Box-Jenkins adalah menentukan apakah deret
waktu adalah stasioner dan jika ada tren yang signifikan yang perlu dimodelkan. Dasar
untuk setiap analisis deret waktu adalah asumsi bahwa deret waktu adalah stasioner

ISBN: 978-602-70604-1-8
C-31-5
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

dalam mean dan varians. Stasioneritas dideteksi secara visual menggunakan plot deret
waktu, plot fungsi autokorelasi (ACF), dan dengan menggunakan uji stasioneritas
Augmented Dickey-Fuller (ADF). Deret waktu nonstasioner akan menunjukkan ACF
yang signifikan yang menurun dengan sangat lambat, dan uji ADF akan menunjukkan
deret waktu mempunyai akar unit. Transformasi Box-Cox dan diferensiasi kemudian
dilakukan untuk menghasilkan deret waktu yang stasioner dalam mean dan varians.

Tahap Estimasi
Estimasi parameter model dilakukan menggunakan Maximum Likelihood
Estimation (MLE), dan Akaike Information Criterion (AIC) sebagai pengukuran
goodness of fit. Estimasi dilakukan menggunakan bantuan program statistik R yang
mengimplementasikan algoritma pemodelan ARIMA yang optimal secara otomatis
(Hyndman & Khandakar, 2008). Adapun langkah-langkah dalam estimasi model adalah
sebagai berikut:
1. Menentukan empat model awal sebagai berikut:
ARIMA(0,d,0)
ARIMA(1,d,0)
ARIMA(0,d,1)
ARIMA(2,d,2)
2. Melakukan estimasi parameter c, 1 ,..., p , 1 ,.., q dengan Maximum Likelihood
Estimation (MLE).
3. Menghitung Akaike Information Criterion (AIC).
Model terbaik adalah model dengan AIC terkecil.
Jika d = 0 maka set c 0.
jika d 1 maka set c = 0.
4. Mencoba variasi p dan q sebesar 1 pada model terbaik.
5. Ulangi langkah 2-4 sampai tidak ada AIC yang lebih kecil.

Tahap Diagnostik
Tahap diagnostik dilakukan untuk memeriksa apakah model ARIMA yang
dihasilkan telah memenuhi persyaratan model peramalan yang baik. Uji signifikansi
parameter dilakukan untuk memeriksa apakah parameter yang dihasilkan pada tahap
estimasi adalah signfikan. Uji Ljung-Box dilakukan untuk memeriksa apakah residual
model memenuhi asumsi white noise, sehingga tidak bias dan tidak ada lagi informasi
yang tersisa yang dapat dimodelkan. Uji normalitas Kolmogorov-Smirnov dilakukan
untuk memeriksa apakah residual berdistribusi normal sehingga interval peramalan
yang dihasilkan adalah absah. Setelah model yang sesuai dihasilkan, maka peramalan
dapat digunakan pada data in-sample dan out-of-sample.

Evaluasi Akurasi Peramalan

Evaluasi akurasi peramalan pada data in-sample dan out-of-sample dari model
ARIMA dan Random Walk dengan drift diukur menggunakan MAE dan RMSE.
Berdasarkan prinsip parsimoni model, apabila dua model menghasilkan akurasi
permalan yang sama, maka model yang lebih sederhana yang diutamakan. Model
Random Walk dengan drift adalah model peramalan sederhana yang digunakan sebagai
benchmark.

ISBN: 978-602-70604-1-8
C-31-6
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

HASIL DAN PEMBAHASAN

Data dan Variabel Penelitian
Data yang dianalisis adalah deret waktu univariat harga penutupan harian Indeks
Harga Saham Gabungan (IHSG) periode Januari 2010 - September 2014. Plot deret
waktu IHSG diberikan pada Gambar 1.

Gambar 1. Plot Deret Waktu IHSG Periode Januari 2010 - September 2014

Identifikasi Model
Plot deret waktu pada Gambar 1 menunjukkan deret waktu nonstasioner dan
mempunyai karakterisitk tren dan random walk with drift. Plot ACF pada Gambar 2
menunjukkan bahwa deret waktu mempunyai autokorelasi signifikan bahkan hingga lag
ke- 100 dan menurun dengan sangat lambat.

Gambar 2. Plot ACF IHSG

Karena stasioneritas merupakan asumsi dasar dalam model ARIMA, maka

transformasi Box-Cox dan diferensiasi dialkukan untuk merubah data menjadi stasioner
dalam mean dan varians. Parameter lambda dan tingkat diferensiasi yang optimal
diestimasi menggunakan program statistik R dan menghasilkan estimasi = 0.4 dan
diferensiasi 1. Gambar 3 menunjukkan bahwa deret waktu sudah stasioner setelah
transformasi dan diferensiasi.

ISBN: 978-602-70604-1-8
C-31-7
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Gambar 3. Plot IHSG setelah Transformasi dan Diferensiasi

Plot ACF dan PACF berguna untuk mengidentifikasi orde AR(p) dan MA(q)
yang sesuai. Namun pada kondisi dimana deret waktu merupakan campuran dari proses
AR, MA, dan terintegrasi, sangat sulit untuk menentukan orde yang sesuai
menggunakan plot ini. Seperti tampak pada Gambar 4 panel kiri, ACF menunjukkan
autokorelasi signifikan pada lag 1 dan kemudian cuts-off untuk lag-lag berikutnya. Hal
ini mengisyaratkan proses MA(1). Sedangkan pada Gambar 4 panel kanan, PACF
menunjukkan beberapa lag yang signifikan sehingga sulit untuk menentukan orde dari
proses AR(p). Gambar 4 menunjukkan plot ACF dan PACF deret waktu setelah
transformasi dan diferensiasi.

Gambar 4. Plot ACF dan PACF setelah Transformasi dan Diferensiasi

Estimasi ARIMA(p,d,q)
Estimasi menggunakan metode yang telah disampaikan pada butir 3.3.2
menggunakan program statistik R menghasilkan estimasi ARIMA(4,1,1) dengan
koefisien drift. Hasil estimasi diberikan pada Tabel 2.
Tabel 2. Hasil Estimasi Model ARIMA
Model ARIMA(4,1,1) dengan drift
Transformasi Box-Cox lambda = 0.4
AR(1) AR(2) AR(3) AR(4) MA(1) Drift
Koefisien -0.5989 0.0759 -0.1241 -0.1856 0.6387 0.0155
Std. Error 0.1163 0.0380 0.0379 0.0331 0.1148 0.0099
Sigma^2 diestimasi 0.1136
Log likelihood = -305.24
AIC = 624.49

ISBN: 978-602-70604-1-8
C-31-8
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Diagnostik Model ARIMA(4,1,1) dengan Drift

Uji Signifikansi Parameter
Hasil uji signifikansi paramater model ARIMA(4,1,1) pada Tabel 3
menunjukkan bahwa semua parameter berada di dalam selang kepercayaan 95% dan p-
values yang menunjukkan bahwa semua parameter signifikan kecuali koefisien drift.
Tabel 3. Hasil Uji Signifikansi Parameter
Koefisien 2.5% 97.5% p-value Signifikan
AR(1) -0.5989 -0.8269 -0.3709 2.635513e-07 Ya
AR(2) 0.0759 0.0014 0.1502 4.561304e-02 Ya
AR(3) -0.1241 -0.1984 -0.0498 1.062883e-03 Ya
AR(4) -0.1856 -0.2504 -0.1207 1.026992e-08 Ya
MA(1) 0.6387 0.4137 0.8637 1.655152e-08 Ya
Drift 0.0155 -0.0040 0.0349 1.195494e-01 Tidak

Uji Stasioneritas Residual

Hasil uji Augmented Dickey-Fuller dengan lag 9 menunjukkan nilai -0.0993
dengan p-value lebih kecil dari 0.05 menolak hipotesis nul bahwa residual mempunyai
akar unit dan nonstasioner.

Uji Asumsi White Noise Residual

Hasil uji Ljung-Box menggunakan jumlah lag h=10 dan derajat kebebasan K=5
dengan daerah penolakan Q* > 2 ,h K atau p-value < sebesar 5%, menghasilkan Q =
8.2951 dengan p-value = 0.1407 tidak menolak hipotesis nul bahwa residual adalah
white noise.

Uji Normalitas Residual

Hasil uji Kolmogorov-Smirnov menunjukkan bahwa residual tidak memenuhi
asumsi distribusi normal. Uji ini menghasilkan D = 0.0685 dan p-value = 0.0003393,
dan menolak hipotesis nul bahwa residual berdistribusi normal dengan daerah
penolakan D > D1 ,n atau p-value < . Residual tidak berdistribusi normal dengan nilai
kurtosis 5.30 dan skewness negatif -0.72, seperti tampak pada Gambar 5. Meskipun
demikian, histogram menunjukkan bahwa residual lebih banyak terpusat sekitar nol
dengan kurtosis 5.30 yang berarti bahwa lebih banyak reisudal yang mendekati nol.

Gambar 5. Histogram dan Normal Plot Residual

ISBN: 978-602-70604-1-8
C-31-9
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Peramalan dengan Model ARIMA (4,1,1)

Hasil peramalan point forecast dan interval forecast dengan selang kepercayaan
80% dan 95% untuk periode data out-of-sample 232 hari ke depan ditunjukkan pada
Gambar 6. Grafik peramalan pada Gambar 6 menunjukkan bahwa model menghasilkan
point forecast berupa tren naik sesuai dengan koefisien drift positif. Dalam jangka
panjang model ARIMA(4,1,1) menghasilkan point forecast dengan interval peramalan
yang semakin melebar. Diferensiasi deret waktu mempunyai dampak terhadapa interval
peramalan. Semakin besar orde d dari diferensiasi, maka semakin cepat interval
peramalan melebar seiring periode peramalan. Interval yang semakin melebar ini adalah
konsisten, karena semakin panjang periode peramalan maka semakin besar
ketidakpastian dari peramalan.

Gambar 6. Peramalan IHSG Menggunakan Model ARIMA (4,1,1)

Evaluasi Akurasi Model Peramalan

Akurasi model permalan ARIMA(4,1,1) dibandingkan dengan Random Walk
dengan drift. Hasil pembandingan menunjukkan bahwa pada data in-sample
ARIMA(4,1,1) tidak lebih baik dari Random Walk dengna drift. Nilai MAE untuk kedua
model tidak jauh berbeda. Sedangkan pada data out-of-sample, model ARIMA(4,1,1)
mempunyai akurasi yang lebih baik dengan nilai MAE dan RMSE yang lebih kecil.
Hasil evaluasi akurasi untuk kedua model diberikan pada Tabel 4.
Tabel 4. Akurasi Model ARIMA(4,1,1)
ARIMA (4,1,1) MAE RMSE
In-sample 33.9009 47.7275
Out-of-sample 149.1269 181.3934
Random Walk with Drift MAE RMSE
In-sample 33.8915 48.6884
Out-of-sample 171.6867 201.9183

KESIMPULAN DAN SARAN

Dari hasil pemodelan Box-Jenkins (ARIMA) untuk peramalan Indeks Harga
Saham Gabungan (IHSG) dapat diambil kesimpulan sebagai berikut:
1. Estimasi menghasilkan model ARIMA(4,1,1) dengan drift.
2. Semua parameter signifikan kecuali drift dan residual memenuhi asumsi white
noise.

ISBN: 978-602-70604-1-8
C-31-10
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

3. Point dan interval forecast (80%, 95%) dihasilkan untuk H = 232 hari
menghasilkan permalan berupa tren yang naik dengan interval yang semakin
melebar.
4. Evluasi akurasi menggunakan Mean Absolute Error (MAE) dan Root Mean
Squared Error (RMSE) menunjukkan bahwa model ARIMA(4,1,1) mempunyai
akurasi yang lebih baik dari Random Walk dengan drift.

Beberapa saran yang dapat diberikan untuk perbaikan model peramalan dan
pengembangan adalah:
1. Menggunakan pendekatan Autoregressive Conditional Heteroskedasticity
(ARCH) untuk memodelkan volatilitas.
2. Mengembangkan strategi perdagangan otomatis berdasarkan model peramalan.

DAFTAR PUSTAKA
Defusco, R.A., McLeavey, D.W., Pinto, J.E. (2007), Quantitative Investment Analysis,
Second Edition, John Wiley & Sons, New Jersey.
Fama, E.F. (1965), "The Behavior of Stock-Market Price", The Journal of Business,
Vol. 38 p. 1, hal. 34105.
Gilmore, C.G., McManus, G.M. (2003), "Random-Walk and Efficiency Tests of Central
European Equity Markets", Managerial Finance, Vol. 29, p. 42-61.
Katchova, A. (2013), Time Series ARIMA Models, URL:
https://sites.google.com/site/econometricsacademy/econometrics-models/time-
series- arima-models.
Hyndman, R.J., Athanosopoulos, G. (2013), Forecasting Principles and Practice,
URL:https://www.otexts.org/fpp.
Hyndman, R.J., Khandakar, Y. (2008), "Automatic Time Series Forecasting: The
Forecast Package for R", Journal of Statistical Software, Vol. 27, Issue 3.
Malkiel, B.G. (2003), "The Efficient Market Hypothesis and Its Critics", Journal
ofEconomic Perspectives, Vol. 17, no. 1, p. 59-82.
Sasongko, L.R. (2011), "Penentuan Model Peramalan Indeks Harga Saham Gabungan
dengan Metode ARIMA", Prosiding Seminar Nasional Sains dan Pendidikan
Sains, No. 1, Tahun 2, ISSN 2087-0922.
Sudirman, I.M.S.N, Darmayanti, A. (2014), "The Selection of the Best Estimation
Model of the Composite Index on Stock Exchanges in Five ASEAN Countries
using Box Jenkins Method", Forum Manajemen Indonesia 5, Vol. 2013, Issue
1, p. 39.

ISBN: 978-602-70604-1-8
C-31-11