ABSTRAK

Karomah, Yuliyanti. 2014. Estimasi Parameter Bootstrap Proses ARMA(1,1) dan

Aplikasinya pada Harga Saham. Skripsi, Jurusan Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang.
Pembimbing Putriaji Hendikawati, S.Si., M.Pd., M.Sc.

Kata kunci: Time Series, Estimasi Parameter, Autoregressive dan Moving

Average, Bootstrap.

Dalam memperkirakan harga saham untuk waktu yang akan datang, salah
satu cara yang digunakan adalah peramalan. Agar sebuah peramalan lebih akurat
diperlukan data yang white noise dan berdistribusi normal, namun kadangkala
data yang diperoleh relatif kecil sehingga asumsi-asumsi tersebut sulit dipenuhi.
Oleh karena itu permasalahan yang diuraikan disini adalah bagaimana
menentukan suatu model terbaik dengan jumlah data yang berukuran relatif kecil.
Permasalahan dalam penulisan skripsi ini adalah (a) Bagaimana cara
mengestimasi parameter bootstrap proses ARMA(1,1)? (b) Bagaimana simulasi
program R untuk estimasi parameter bootstrap proses ARMA(1,1)? (c)
Memprediksi harga saham AALI dengan menggunakan bootstrap proses
ARMA(1,1)?
Metode yang digunakan dalam penelitian meliputi kajian teoritis dan
kajian empiris. Kajian teoritis meliputi studi pustaka, perumusan masalah,
pemecahan masalah dan simpulan serta kajian empiris meliputi mendownload
harga saham, algoritma program dan membuat program.
Berdasarkan hasil penelitian dan pembahasan dapat disimpulkan, (1)
Peramalan data saham dengan metode bootstrap proses ARMA(1,1) pada
penelitian ini dapat dikerjakan dengan langkah-langkah sebagai berikut: (a)
Melakukan pemusatan . (b) Model Terbaik data adalah ARMA(1,1)
berdasarkan plot ACF, Plot PACF, signifikasi parameter, nilai 2 , log likelihood,
dan AIC. (c) Mengestimasi parameter dan berdasarkan proses ARMA(1,1)
dengan menggunakan fungsi autokorelasi. (d) Mencari nilai , = 1, ,
berdasarkan proses ARMA(1,1). (e) Meresampling data dengan cara sampling
acak tanpa pengembalian sehingga diperoleh , = 1, . (f) Menetapkan
1 = 1 . (g) Menemukan data bootstrap berdasarkan persamaan untuk proses
ARMA(1,1) = 1 + 1 , = 2, (h) Melakukan pemusatan

kedua dengan = =1 . (i) Mengestimasi parameter ARMA(1,1) (j)

Mengestimasi model ARMA(1,1) (k) Meramalkan data (2) Estimasi 2 ,
loglikelihood, dan AIC bootstrap proses ARMA(1,1) diperoleh nilai 2 yang lebih
kecil, nilai loglikelihood yang lebih besar serta nilai AIC yang lebih kecil, ini
menunjukkan metode bootstrap proses ARMA memiliki nilai error yang lebih
kecil sehingga tingkat keakuratan hasil peramalan metode bootstrap ARMA(1,1)
masih lebih baik dibandingkan dengan metode Box Jenkins ARMA(1,1).