seminar hasil tugas akhir 28 juni 2013 - digilib.its.ac.id · trend yang sama. model univariate...
TRANSCRIPT
Silvia Roshita Dewi-1309100109Pembimbing : Drs. Agus Suharsono, M.S
Co-Pembimbing : Dr. Suhartono, M. ScJurusan StatistikaFakultas Matematika dan Ilmu Pengetahuan AlamInstitut Teknologi Sepuluh Nopember
Seminar Hasil Tugas Akhir28 Juni 2013
PENDAHULUAN
LANDASAN TEORI
METODOLOGI PENELITIAN
HASIL ANALISA DAN PEMBAHASAN
KESIMPULAN DAN SARAN
DAFTAR ISI
IHSG
DJI
FTSE100
HSI
N225
STI
Pasar Modal Saham Perekonomian Negara
Risk Taker
Non Risk taker
Harga Saham
Fluktuatif
Sell
BuyHold
Latar Belakang | Rumusan Masalah | Tujuan | Manfaat | Batasan Masalah
Latar Belakang | Rumusan Masalah | Tujuan | Manfaat | Batasan Masalah
1 Yulanda, 2006
IHSG dengan fungsi tranfers
2 Sadeq, 2008
IHSG dengan ARIMA
3 Alifatrroodliyah, 2011
IHSG dengan neural network
4 Setyawan, 2012
IHSG dengan VAR, yang melibatkan kurs dan harga minyak dunia
IHSG dengan Indeks Harga Saham Dunia dengan menggunakan
ARIMA dan VARSilvia, 2012
• Bagaimana mendapatkan model univariate dan multivariate time series untuk kasus harga saham di Indonesia dan harga saham di dunia?
• Bagaimana keterkaitan harga saham di Indonesia dengan harga saham-saham di dunia serta peramalan kedepannya?
• Bagaimana perbandingan akurasi prediksi pada model univariate dan multivariate time series?
Latar Belakang | Rumusan Masalah | Tujuan | Manfaat | Batasan Masalah
• Mendapatkan model univariate dan multivariate time series harga saham di Indonesia dan harga saham di dunia
• Menjelaskan keterkaitan harga saham di Indonesia dengan harga saham-saham di dunia serta peramalan kedepannya.
• Membandingkan model univariate dan multivariate time series .
Latar Belakang | Rumusan Masalah | Tujuan | Manfaat | Batasan Masalah
Didapatkan model yang menjelaskanketerkaitan harga saham di Indonesiadengan harga saham-saham di dunia.Model tersebut dapat digunakanuntuk meramalkan harga sahamkedepannya sehingga dapatdigunakan para pelaku pasar untukmelakukan tindakan yang tepatberkaitan dengan perdagangansaham serta menambah pengetahuandalam penerapan model time seriesunivariate dan multivariate dalambidang ekonomi dan bidang lainnya.
Latar Belakang | Rumusan Masalah | Tujuan | Manfaat | Batasan Masalah
Latar Belakang | Rumusan Masalah | Tujuan | Manfaat | Batasan Masalah
IHSG
DJI
FTSE100
HSI
N225
STIBatasan masalah pada penelitian ini adalah pada penggunaandata harian saham periode tahun 2012 pada data saham IndeksHarga Saham Gabungan (IHSG) Indonesia, Dow Jones IndustrialAverage (DJIA), Indeks FTSE 100 London, Indeks Hang SengHongkong, Indeks Nikkei 225 Jepang, dan Straits Times Index(STI) Singapura.
ARIMA | VAR | Uji Kebaikan Model | IHSG
Prosedur Box JenkinsIdentifikasi Model
Estimasi Parameter
Uji Diagnostik
Pemilihan Model Terbaik
Asumsi kenormalan
Asumsi White Noise
In Sample
Out Sample
SBC, AIC, AICc
MAPE, RMSE, SMAPE
ARIMA | VAR | Uji Kebaikan Model | IHSG
Estimasi Parameter denganLeast Square :
Uji White Noise
Hipotesis :
Statistik Uji :
residual tidak memenuhi asumsi white noise.
K = maksimum lagp = orde ARq = orde MA
Wei, 2006
http://www.finance.yahoo.com/
1,tY
2,tY
3,tY
4,tY
5,tY
6,tY
Indeks Harga Saham Gabungan (IHSG) tahun 2012
Indeks Dow Jones Industrial Average (DJI) tahun 2012
Indeks FTSE 100 London (FTSE100) tahun 2012
Indeks Hang Seng Hongkong (HSI) tahun 2012
Indeks Nikkei 225 (N225) Jepang tahun 2012
Indeks Straits Times (STI) Singapura tahun 2012IHSG
DJI
FTSE100
HSI
N225
STI
Sumber Data | Metode | Langkah-langkah
Univariate Time Series
Multivariate Time Series
Autoregressive Integrated Moving Average (ARIMA)
Vector Autoregression (VAR)
Sumber Data | Metode | Langkah-langkah
Sumber Data | Metode | Langkah-langkah
Melakukan identifikasi modelMelakukan penaksiran
parameterMelakukan pemeriksaan dan
pengujian residual Mendapatkan model terbaikMeramal dan membandingkan
model univariate dan multivariate time series.
Melakukan identifikasi modelMelakukan penaksiran parameter
Penaksiran parameterMelakukan pemeriksaan dan
pengujian residualMendapatkan model terbaikMeramal dan membandingkan
model univariate dan multivariate time series.
UNIVARIATE TIME SERIES MULTIVARIATE TIME SERIES
Keterkaitan harga saham antar negara
Identifikasi Model
Box Cox Transformation of
IHSG
Box-Cox Transformation of DJI, FTSE100, HSI, N225, dan STI
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
cut off pada lag 8
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Identifikasi Model
cut off pada lag 8
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Identifikasi Model
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Estimasi Parameter
P-value > alpha
Miu tidak Signifikan
Pemilihan Model Terbaik
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
sMAPE N225
3,507047
sMAPE HSI0,28402
Model Univariate Time SeriesIHSG
DJI
FTSE100
HSI N225
STI
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Identifikasi ModelSchematic Representation of Partial Autoregression
Variable/Lag 1 2 3 4 5 6 7 8 9 10 11 12 13
ihsg .+.... ...... .+-... ...... ...... ...... ...... ...... ...... ...... ...... ...... ......dji ...... .....+ ..-... ...... .-.... -..... +..... ...... ...-.+ ...... ...... ...... ......ftse100 ...... ...... .+-... ...... .-.... ...... ...... ...... ...-.. ...... ...... ...... ......hsi -+.... ...... .+-... ...... .-.... ...... ...... ...... ...... ...... ...... ...... ......n225 .+.... ...... ...... ...... .-.... .-.... ...... ...... ...... ...... ...... .-.... ......sti .+.... ...... .+.... ...... ...... ...-.+ ...... ...... ...... ...... ...... ...... ......
Variable/Lag 14 15 16 17 18 19 20 21 22 23 24 25 26
ihsg ...... ...... ...... ...... ...... -..... ...... ...... ...... ...... ...... ...... ......dji ...... ...... ...... ....+. ...... ...... ...... ...... .....+ ...... ...... ...... ......ftse100 ...... .....+ ...... ..+... ...... ...... ...... ...... .....+ ...... ...... ...... ......hsi ...... ..-... ...... ...... ...... ...... ...... ...... ...... ...... ...... ...... ......n225 ...... ....+. ...... ...... ...... ...... ...... ...... ...... ...... ...... ...... ......sti ...... ...... ...... ...... ...... ...... ...+.. ...... ...... ...... ...... ...... ......
+ is > 2*std error, - is < -2*std error, . is between
MPACF
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Identifikasi Model
AIC terkecil pada AR(1)
Estimasi Parameter
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Matriks Koefisien Model VARIMA (1,1,0)
Estimasi Parameter
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Parameter pada variabel DJI tidak ada yang signifikan
Cek Diagnosa Residual
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
AIC residual terkecil pada AR(0)
White noise
Cek Diagnosa Residual
t lebih dari 50%, yakni sebesar 52%. Residual data berdistribusi multivariat normal.
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Persamaan ModelIHSG
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
DJI
FTSE100
HSI
N225
STI
Wrong Model
Persamaan ModelIHSG
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
DJI
FTSE100
HSI
N225
STI
Right Model
Statistika Deskriptif | ARIMA | VAR | Perbandingan ARIMA dan VAR
Persamaan Model Multivariate Time Series
• Pola harga saham pada beberapa negara yakni Indeks Harga Saham Gabungan (IHSG) Indonesia, Dow Jones Industrial Average(DJI) Amerika, FTSE100 London, Hang Seng Index (HSI) Hongkong, Nikkei 225 (N225) Jepang, dan Strait Times Index (STI) Singapura membentuk trend yang sama. Model univariate time series menggunakan metode Autoregressive Integrated Moving Average (ARIMA), serta pada beberapa variabel menggunakan model ARIMA yang disertai deteksi outlier. Model yang diperoleh pada variabel IHSG, HSI, N225, dan STI adalah ARIMA dengan differencing 1. Namun pada HSI dan N225 model ARIMA yang digunakan adalah model ARIMA yang sudah random walk. Sedangkan pada variabel DJI dan FTSE100 menggunakan model ARIMAX. Pada model multivariate time series menggunakan model Vector Autoregression. Model yang ditemukan adalah model VAR dengan differencing satu.
Kesimpulan | Saran
Kesimpulan | Saran
• Hasil pemodelan multivariate time series data harga saham gabungan pada enam variabel dapat menunjukkan keterkaitan antara satu variabel dengan variabel lainnya. Melalui persamaan model VAR diketahui bahwa Indeks Harga Saham Gabungan Indonesia dipengaruhi oleh indeks harga saham Amerika dan Jepang. Sedangkan indeks harga saham Amerika tidak dipengaruhi oleh indeks harga saham manapun, namun indeks harga saham Amerika ini mempengaruhi semua indeks harga saham yang lain. Indeks harga saham London dipengaruhi oleh indeks harga saham Amerika saja, begitu pula dengan indeks harga saham Jepang dan Singapura. Sedangkan indeks harga saham Hongkong selain dipengaruhi oleh indeks harga saham Amerika, juga dipengaruhi oleh indeks harga saham Indonesia.
Kesimpulan | Saran
• Nilai sMAPE yang diperoleh dari semua metode menunjukkan angka yang relatif kecil. Hal ini menandakan bahwa semua model yang didapatkan sangat baik. Diantara model univariate danmultivariate time series ternyata menghasilkan nilai sMAPE yang tidak terlampau jauh. Berdasarkan pengamatan yang telah dilakukan dapat dilihat perbandingan nilai sMAPE yang dihasilkan pada kedua model time series. Pada variabel IHSG dan DJI memiliki nilai sMAPE yang lebih kecil ketika menggunakan model peramalan multivariate time series. Namun pada keempat variabel lainnya, nilai sMAPE yeng lebih kecil didapatkan ketika menggunakan model peramalan univariate time series.
Kesimpulan | Saran
• Untuk penelitian selanjutnya disarankan agar peneliti melibatkan faktor lain yang menentukan pergerakan harga saham, diantaranya seperti regulasi pemerintah, gejolak politik dalam negeri, fluktuasi nilai tukar rupiah, dan sebagainya, sebab pada penelitian ini belum melibatkan prediktor.
Anogara, P. (2001). Pengantar Pasar Modal. Jakarta: PT Rineka Cipta.Aliffaturroodliyah. (2011). Pemodelan Indeks Nikkei 225, Hang Seng, dan Kospi dengan pendekatan fungsi transfer dan
back propagation neural network. Tugas Akhir Statistika ITS. Surabaya.Azizah, N. (2006). Analisis Peramalan Indeks Harga Saham Kospi dengan menggunakan Metode Intervensi. Tugas Akhir
Statistika ITS. Surabaya.Bowerman, B.L. dan O’Connell,D. (1993). Forecasting and Time Series : An Applied Approach, 3rd edition. California :
Duxbury Press.Daniel, W.W., (1989). Statistika Nonparametrik Terapan. Jakarta : PT. Gramedia.Gooijer, J.G.D. , & Hyndman, R. J. (2006). 25 Years of Time Series Forecasting. International Journal of Forecasting, 22,
443-473.Hasbullah, J. (2012). Tangguh dengan Statistik. Bandung: Nuansa Cendikia.Makridakis, S., & Hibon, M. (2000). The M3-Competition: Results, Conclusions and Implications. International Journal of
Forcasting, 16, 451-476.Robert. (1997). Buku Pintar: Pasar Modal Indonesia, First edition Mediasoft Indonesia.Setiawan, D.O. (2012). Pemodelan Indeks Harga Saham Gabungan (IHSG), Kurs, dan Harga Minyak Dunia dengan
Pendekatan Vector Autoregressive. Tugas Akhir mahasiswa ITS. Surabaya.Tsay, R.S. (2002). Analysis of Financial Time Series: Financial Econometrics. University of Chicago: John Wiley & Sons,
Inc.Wei, W.W.S. 2006. Time Series Analysis Univariate and Multivariate Method. Canada : Addison Wesley Publishing
Company, Inc.Widoatmojo, S. (1996). Pasar Modal Indonesia: Pengantar dan Studi Kasus. Penerbit Ghalia Indonesia.Wutsqa, D. U. (2008). Model Feedforward Neural Network untuk Data Time Series Multivariat. Disertasi Universitas Gajah
Mada Yogyakarta.Yulanda, L. (2006). Model Fungsi transfer dengan dua peubah bebas. Tugas Akhir Statistika IPB. Bogor.
IHSG
DJI
FTSE100
HSI
N225
STIA good forecaster is not smarter thaneveryone else, he merely has his ignorance
better organised.
@SilviaRDewi
+6285735163735
Silvia Roshita Dewi-1309100109Pembimbing : Drs. Agus Suharsono, M.S
Co-Pembimbing : Dr. Suhartono, M. ScJurusan StatistikaFakultas Matematika dan Ilmu Pengetahuan AlamInstitut Teknologi Sepuluh Nopember
Seminar Hasil Tugas Akhir28 Juni 2013