2.1 Kerangka Teori - thesis.binus.ac.idthesis.binus.ac.id/Asli/Bab2/2007-2-00532-STIF_Bab 2.pdf ·...
Transcript of 2.1 Kerangka Teori - thesis.binus.ac.idthesis.binus.ac.id/Asli/Bab2/2007-2-00532-STIF_Bab 2.pdf ·...
8
BAB 2
LANDASAN TEORI
2.1 Kerangka Teori
Kerangka teori berisi penjabaran semua teori-teori yang akan digunakan, baik
dari sisi ekonometrika maupun dari segi perancangan. Ekonometrika akan berguna
dalam analisis pemodelan, sedangkan perancangan membantu dalam pembuatan
program.
2.1.1 Ekonometrika
Menurut Gujarati (2003, p1) ekonometrika didefinisikan sebagai analisis
kuantitatif dari fenomena ekonomi aktual yang didasarkan pada pengembangan teori
dan observasi terkini dengan menggunakan metode inferensia yang tepat. Analisis
kuantitatif dari ekonometrika banyak menggunakan analisis secara statistik yang
disesuaikan dengan kondisi ekonomi yang ingin digambarkan.
Model regresi merupakan salah satu contoh yang banyak digunakan di dalam
analisis ekonometrik. Analisis regresi menurut Gujarati (2003, p18) berhubungan
dengan studi tentang ketergantungan satu variabel, yang disebut variabel dependen,
terhadap satu atau lebih variabel lain, yang disebut variabel bebas, dengan maksud
untuk mengestimasi dan atau memprediksi rata-rata dari populasi. Dengan model
regresi ini diharapkan dapat memodelkan data sehingga bisa melakukan estimasi nilai
untuk masa yang akan datang. Salah satu model regresi yang paling sederhana adalah
9
model regresi linier yang digambarkan sebagai XY 21 ββ += , dengan
Y sebagai variabel dependen dan 21 ,ββ sebagai variabel bebasnya. Model ini
menggambarkan secara deterministik hubungan antara Y dan 21 ,ββ , dimana nilai
Y dipengaruhi oleh nilai 1β sebagai intercept dan 2β sebagai koefisien slope. Pada
keadaan ekonomi yang sebenarnya, hubungan variabel dependen dan bebas ini
tidaklah selalu mengikuti model secara pasti, namun memiliki faktor-faktor eksternal
lainnya. Faktor-faktor ini diperhitungkan di dalam model ekonometrika. Untuk model
regresi linier di atas, dalam ekonometrika dimodelkan sebagai uXY ++= 21 ββ ,
dengan u sebagai error yang dinyatakan dengan variabel random yang memiliki
distribusi tertentu.
Skripsi ini menggunakan metode ekonometrika dalam menganalisis data.
Model yang akan digunakan merupakan sebuah model regresi dari volatilitas nilai
tukar rupiah terhadap dolar Amerika. Dimana Anonim7 mendefinisikan volatilitas
sebagai derajad perubahan yang tidak terduga terhadap waktu pada suatu variabel
tertentu yang bisa diukur lewat standar deviasi dari sampel.
2.1.2 Deret Waktu
Dalam suatu model regresi data merupakan komponen utama. Dari data akan
didapatkan statistik yang dibutuhkan untuk memodelkan tren yang ada. Definisi dari
sebuah deret waktu adalah suatu kumpulan nilai observasi yang dihasilkan dari suatu
variabel yang diambil pada waktu yang berbeda. Data deret waktu biasanya
10
dikumpulkan pada interval waktu yang tetap, seperti setiap hari, setiap minggu, setiap
bulan, dan seterusnya.
Skripsi ini akan menggunakan deret waktu yang berupa nilai tukar mata uang
rupiah terhadap dolar Amerika setiap hari mulai 1 Januari 1996 tanpa hari sabtu,
minggu, dan hari libur lainnya.
2.1.3 Proses-proses Stokastik
Di dalam ekonometrika dikenal proses-proses stokastik, yang sering dikenal
juga dengan proses acak, yaitu suatu kumpulan dari variabel acak yang tersusun
menurut waktu. Proses stokastik ada yang stasioner dan ada yang nonstasioner.
Menurut Gujarati (2003, p797) sebuah proses stokastik dikatakan stasioner
bila memiliki mean dan varians yang konstan terhadap waktu dan nilai kovarians
antara dua periode waktu bergantung hanya pada jarak antara periode waktunya dan
bukan pada waktu dimana kovarians itu dihitung. Untuk definisi di atas dijelaskan
dengan notasi sebagai berikut :
Mean: ( ) μ=tYE (2.1)
Varians : ( ) ( ) 22var σμ =−= tt YEY (2.2)
Kovarians : ( )( )[ ]μμγ −−= +kttk YYE (2.3)
dimana tY merupakan nilai-nilai yang ada pada deret waktu. Nilai harapan dari tY ,
( )tYE dilambangkan dengan μ . Varians dari tY merupakan hasil penjumlahan dari
kuadrat selisih nilai tY dengan μ , sedangkan kγ adalah kovarians pada lag k.
11
Dalam proses stokastik dikenal istilah white noise, yaitu suatu jenis spesial
dari proses stokastik yang memiliki mean nol, varians yang konstan, dan deretnya
tidak berautokorelasi. Sebagai contoh, white noise dengan distribusi normal bisa
dinotasikan sebagai ( )2,0~ σiidNut . Pada model-model peramalan seperti model
Autoregressive (AR) dan Moving Average (MA), error dinyatakan sebagai kumpulan
nilai acak yang tidak berkorelasi dengan mean nol dan varians yang konstan. Error
semacam ini disebut juga white noise error.
Untuk proses stokastik nonstasioner memiliki mean atau varians atau
keduanya yang bervariasi menurut waktu. Dalam proses stokastik nonstasioner
dikenal istilah random walk model, yang dinotasikan sebagai ttt uYY += −1 , dengan
tu yang juga merupakan error white noise dengan mean 0 dan varians 2σ .
Skripsi ini membahas tentang deret waktu sebagai proses stokastik
nonstasioner dengan menggunakan data yang diasumsikan memiliki varians yang
berbeda (heteroscedasticity). Error dari data ini akan dimodelkan dengan 2 macam
distribusi, yaitu distribusi normal standar dan distribusi t-student.
2.1.4 Heteroscedasticity
Pada model klasik varians dari error tu diasumsikan konstan. Ini ditunjukkan
sebagai ( ) 22 σ=tuE . Model ini dikenal dengan homoscedasticity. Kata
homoscedasticity berasal dari kata homos yang berarti equal atau sama dan
scedasticity yang berarti varians sehingga homoscedasticity ini berarti varians yang
sama.
12
Heteroscedasticity sendiri berarti memiliki varians yang tidak sama. Hal ini
ditunjukkan dengan varians yang berbeda setiap waktunya, yaitu ( ) 22ttuE σ= .
2.1.5 Deret data Keuangan
Data keuangan seperti indeks saham dan nilai tukar mata uang, biasanya data
ditransformasikan menjadi :
11
logloglog −−
−=⎟⎟⎠
⎞⎜⎜⎝
⎛= tt
t
tt PP
PP
X (2.4)
Dimana tP merupakan nilai yang diambil dari data asli, dengan ,...2,1=t yang
merupakan interval yang digunakan. Skripsi ini menggunakan data per hari, sehingga
setiap t menyatakan waktu harian. tX merupakan data hasil transformasi. Menurut
Lars Karlsson (2002, p8) deret hasil transformasi yang baru ini memiliki sifat yang
sama dengan deret aslinya. Deret { tX } ini dinamakan deret log return. Keuntungan
dari deret ini adalah deret ini bebas dari satuan sehingga dapat dibandingkan satu
sama lain.
Deret data keuangan kebanyakan memiliki karakteristik sebagai berikut :
a. Bersifat stokastik nonstasioner.
b. Data menyebar secara fat tailed atau relatif tinggi untuk nilai yang ekstrim.
c. Adanya volatility clustering yang berarti perubahan yang besar cenderung diikuti
oleh perubahan yang besar, begitu juga sebaliknya.
d. Adanya leverage effect yang berarti volatilitas menjadi lebih tinggi setelah
perubahan yang negatif.
13
Gambar 2.1 Contoh Grafik Data Keuangan
Salah satu contoh deret keuangan adalah nilai tukar mata uang. Pada skripsi ini
data nilai tukar mata uang rupiah terhadap dolar Amerika akan diasumsikan bersifat
stokastik nonstasioner seperti yang dimiliki oleh kebanyakan deret keuangan lainnya.
Sedangkan untuk karakteristik fat tailed dan leverage effect menjadi topik yang akan
dibandingkan di dalam skripsi ini.
Karakteristik fat tailed ini bisa dilakukan dengan mengasumsikan error yang
berdistribusi normal dan t-student. Distribusi normal yang dipakai adalah distribusi
normal dengan mean nol dan varians 1 atau ( )1,0N , sedangkan distribusi t-student
dianggap mewakili distribusi yang memiliki tail yang lebih fat.
Untuk mendeteksi adanya leverage effect, perbandingan akan dilakukan
terhadap model GARCH dan APARCH dimana pada model APARCH pengaruh
leverage effect diperhitungkan.
14
2.1.6 Estimasi Parameter dengan Maximum Likelihood
Maximum Likelihood Estimation (MLE) merupakan sebuah metode statistika
yang sering digunakan untuk membuat sebuah inferensia tentang parameter-
parameter dari sebuah kumpulan data yang didasari oleh distribusi probabilitas.
Misal sebuah variabel acak x memiliki probability density function, atau yang
dikenal sebagai pdf, ( )θ,xf dan kita mengetahui distribusinya. Jika kita memiliki
sampel acak sebanyak n, maka join pdf dari n nilai ini adalah : ( )θ;,...,, 21 nxxxg .
Karena sampelnya acak kita dapat mengatakan fungsi likelihoodnya sebagai berikut :
( ) ( ) ( ) ( )θθθθ ;...;;,...,,; 2121 nn xfxfxfxxxL = . Untuk mendapatkan estimasi
parameter yang paling maksimum dari θ , maka fungsi likelihood didiferensiasi
terhadap θ dan menyamakannya dengan nilai nol.
Untuk mempermudah perhitungan secara matematis, biasanya diambil nilai
log dari data, sehingga fungsi likelihoodnya dinamakan log-likelihood function.
Skripsi ini menggunakan maximum log-likelihood dalam estimasi parameter-
parameternya.
2.1.7 Distribusi Probabilitas
Asumsi distribusi probabilitas akan sangat berpengaruh dalam perhitungan
maximum log-likelihood untuk error dari model.
a. Karakteristik Distribusi Probabilitas
Ada beberapa karakteristik dari distribusi yang membantu dalam analisa :
15
1. Nilai Harapan
( ) ( )∫∞
∞−
= dxxxfXE (2.5)
Menurut Anonim1, nilai harapan atau mean, adalah nilai rata-rata dari suatu
kumpulan data.
2. Varians
( ) ( )22var μσ −== XEx x (2.6)
Menurut Anonim2, varians adalah ukuran yang menunjukkan dispersi statistik
(seberapa jauh data tersebar di sekitar rata-rata).
3. Kovarians
( ) ( )( )[ ]yx YXEYXkov μμ −−=, (2.7)
Menurut Anonim3, kovarians adalah ukuran yang menyatakan seberapa besar dua
variabel bervariasi bersama. Jika dua variabel bervariasi bersama-sama, misal
ketika keduanya di atas nilai rata-ratanya, maka kovarians antara kedua variabel
tersebut akan positif. Sebaliknya jika salah satu variabelnya di atas nilai rata-rata,
sedangkan lainnya di bawah rata-rata, maka kovarians antara kedua variabel
tersebut akan negatif.
b. Jenis-jenis Distribusi
Berikut ini adalah jenis-jenis distribusi yang akan digunakan dalam skripsi ini:
1. Distribusi Normal
Distribusi normal memiliki fungsi pdf sebagai berikut :
16
( ) ( )⎟⎟⎠
⎞⎜⎜⎝
⎛ −−= 2
2
21exp
21
σμ
πσXxf , dengan ∞<<∞− x (2.7)
Sedangkan fungsi lognya adalah :
( )[ ] ( ) ( )∑=
⎥⎦
⎤⎢⎣
⎡++−=
n
t t
tt
Xxf
12
22 2loglog
21log π
σσ (2.8)
Gambar 2.2 Kurva distribusi normal standar ~ ( )1,0N
(Anonim4)
2. Distribusi T-student
Distribusi t-student memiliki fungsi pdf sebagai berikut :
( ) ( )[ ][ ]( )( ) 2/12 /12/
2/1; ++Γ
+Γ= vx
vxvvvvxf
π (2.9)
Sedangkan fungsi lognya adalah :
( )[ ] ( )( ) ( )∑= ⎪⎭
⎪⎬⎫
⎪⎩
⎪⎨⎧
⎟⎟⎠
⎞⎜⎜⎝
⎛−
+⎟⎠⎞
⎜⎝⎛ +
−−−−⎟⎠⎞
⎜⎝⎛Γ−⎟
⎠⎞
⎜⎝⎛ +Γ=
n
t t
tt v
xvvvvxf1
2
22
21log
21log
212log
21
2log
21loglog
σσπ
(2.10)
17
Gambar 2.3 Kurva distribusi t-student (Anonim5)
Kedua distribusi di atas memiliki bentuk kurva pdf yang berbeda-beda.
Bentuk kurva yang berbeda-beda akan berpengaruh pada karakteristik fat tailed dari
deret waktu karena bentuk kurtosis masing-masing kurva berbeda.
Gambar 2.4 Karakteristik fat tailed (Lars Karlsson, 2002, p12)
Dari gambar 2.3, terlihat perbedaan tail yang normal dan yang fat. Pada skripsi ini
distribusi t-student digunakan untuk mewakili distribusi yang memiliki bentuk fat
tailed.
c. Kurtosis
Kurtosis adalah ukuran luas dimana data observasi jatuh di sekitar pusat dari
distribusi atau pada ekor. Kurtosis dapat dihitung dengan rumus Fisher, yaitu :
18
33 44
22
42 −=−=
σμ
μμ
λ , (2.11)
,dimana
( )[ ] ( )∑=
−=−=n
i
ki
kk xx
nXE
1
1μμ , (2.12)
dan ( )XE=μ .
Berdasarkan perhitungan Fisher, jenis kurtosis ada 3 :
1. 02 <λ
Distribusi platykurtic memiliki kurtosis yang lebih kecil dari distribusi normal
yang standar. Distribusi ini memiliki puncak yang rendah dan rentang tengah
yang luas.
2. 02 =λ
Distribusi mesokurtic merupakan distribusi yang dimiliki oleh distribusi normal
yang standar.
3. 02 >λ
Distribusi leptokurtic memiliki kurtosis yang lebih besar dari distribusi normal
yang standar. Distribusi ini memiliki puncak yang tinggi, rentang tengah yang
sempit, dan fat tailed.
Bentuk macam-macam kurtosis bisa dilihat pada gambar di bawah ini.
19
Gambar 2.5 Variasi Kurtosis(Anonim6)
2.1.8 AR
Auto-Regressive (AR) merupakan suatu model peramalan yang
memperhitungkan pengamatan data masa lalu terhadap variabel dependen. Salah satu
contoh AR adalah sebagai berikut :
ttt uYY += −11α (2.13)
Model ini menyatakan bahwa peramalan akan nilai Y pada waktu t didapat dari
proporsi ( )1α dari nilainya pada waktu ( )1−t ditambah sebuah random shock pada
waktu t .
2.1.9 MA
Moving Average (MA) merupakan salah satu model peramalan dengan notasi
sebagai berikut :
110 −++= ttt uuY ββμ (2.14)
Model di atas disebut juga MA(1).
20
2.1.10 ARMA
Model ARMA(Autoregressive Moving Average) memiliki karakteristik dari AR
dan MA. Bentuk dari ARMA(1,1) dijabarkan sebagai berikut :
11011 −− +++= tttt uuYY ββαθ (2.15)
Secara umum, bentuk model ini dinyatakan dengan ARMA(p,q), dimana p
menyatakan koefisien autoregressivenya dan q adalah moving average term.
Skripsi ini menggunakan ARMA untuk memodelkan bentuk regresi dari deret
waktu keuangannya, sedangkan untuk errornya akan dimodelkan dengan model
GARCH dan APARCH berikut ini.
2.1.11 ARCH
Model Autoregressive Conditional Heteroscedasticity (ARCH) diperkenalkan
oleh Engle (1982). Model ini digunakan untuk memodelkan deret waktu dengan
volatilitas yang berbeda tiap waktunya dengan mengestimasi varians dari deret.
Varians bersyarat dari deret dimodelkan sebagai berikut :
∑=
−+=q
iitit
1
20
2 εαασ , (2.16)
dengan ttt z σε = dimana ( )1,0~ iidNzt .
Sejak ditemukannya model ARCH ini, di dalam ekonometrika muncul banyak
pengembangannya. Di antaranya adalah model GARCH dan APARCH yang akan
digunakan di dalam skripsi ini.
21
a. GARCH
Model Generalized Autoregressive Conditonal Heteroscedasticity (GARCH)
diperkenalkan oleh Bollerslev (1986). Model ini digunakan untuk menggantikan
model ARCH yang tidak terbatas. Varians bersyarat dari deret ini dimodelkan sebagai
berikut :
),0(~| 2ttt NX σσ
∑∑=
−=
− ++=p
jjtj
q
iitit
1
2
1
20
2 σβεαασ , (2.17)
dimana 0>p , 0≥q , 00 >α ,
0≥iα , qi ,...,1= ,
0≥jβ , pj ,...,1= .
b. APARCH
Model Asymmetric Power Autoregressive Conditional Heteroscedasticity
(APARCH) diperkenalkan oleh Ding, Granger, dan Engle pada tahun 1993. Model ini
dinyatakan sebagai berikut :
( )∑ ∑= =
−−− +−+=q
i
p
jjtjitiitit
1 10
δδδ σβεγεαασ , (2.18)
00 >α , 0≥δ ,
0≥iα , qi ,...,1= ,
0≥jβ , pj ,...,1= ,
11 <<− iγ , qi ,...,1=
22
Model ini merefleksikan leverage effect yang dinyatakan lewat iγ .
2.1.12 Pengukuran Model Fit
Untuk membandingkan keakuratan dan kesesuaian suatu model terhadap data
yang dimodelkan, dibutuhkan suatu pengukuran.. Pengukuran ini bisa dilakukan
dengan banyak cara. Berikut ini akan dijelaskan dua macam contoh cara yang bisa
digunakan dan akan diterapkan di dalam skripsi ini.
a. Akaike Information Criterion (AIC)
nRSSe
nu
eAIC nkink /22
/2 ˆ== ∑ (2.19)
dimana k merupakan jumlah dari regressor ( termasuk intercept ) dan n adalah
jumlah dari observasi. Untuk kemudahan dalam penghitungan, biasanya bentuk
AIC ini ditulis sebagai berikut :
⎟⎠⎞
⎜⎝⎛+⎟
⎠⎞
⎜⎝⎛=
nRSS
nkAIC ln2ln (2.20)
dimana ln AIC merupakan natural log dari AIC dan 2k/n adalah faktor penalty.
Menurut Gujarati(2003, p537) AIC ini bisa diterapkan pada peramalan in-
sample maupun out-of-sample dari sebuah model regresi. Peramalan in-sample
menjelaskan bagaimana sebuah model fit dengan data yang ada pada sampel,
sedangkan peramalan out-of-sample menyatakan bagaimana sebuah model
meramal nilai regressand yang akan datang dengan memasukkan nilai-nilai
regressornya.
23
Semakin kecil nilai AIC menyatakan model yang digunakan semakin fit.
b. Schwarz Information Criterion (SIC)
nRSSn
nu
nSIC nkink /2
/ ˆ== ∑ (2.21)
dimana k merupakan jumlah dari regressor ( termasuk intercept ) dan n adalah
jumlah dari observasi. Untuk kemudahan dalam penghitungan, biasanya bentuk
SIC ini ditulis sebagai berikut :
⎟⎠⎞
⎜⎝⎛+⎟
⎠⎞
⎜⎝⎛=
nRSSn
nkSIC lnlnln (2.22)
dimana ln AIC merupakan natural log dari AIC dan 2k/n adalah faktor penalty.
Seperti AIC, semakin kecil nilai SIC menyatakan semakin fit pula suatu
model. SIC juga bisa digunakan untuk peramalan in-sample dan out-of-sample.
2.1.13 Rekayasa Perangkat Lunak
Menurut Pressman (2001, p19), rekayasa perangkat lunak adalah
pengembangan dan penggunaan prinsip pengembangan suara untuk memperoleh
perangkat lunak secara ekonomis yang terpercaya dan bekerja secara efisien pada
mesin nyata.
Menurut Pressman (2001, p19), rekayasa perangkat lunak terbagi menjadi 3
lapisan yang mampu mengontrol kualitas dari perangkat lunak, yaitu :
a. Proses
24
Proses-proses rekayasa perangkat lunak adalah perekat yang menyatukan lapisan-
lapisan teknologi dan memungkinkan perkembangan perangkat lunak yang tepat
waktu dan rasional. Lapisan proses ini membentuk dasar bagi kontrol manajemen
proyek perangkat lunak serta membangun konteks dimana metode teknis
diaplikasikan, produk usaha (model, dokumen, data, laporan, form, dan lain-lain)
dihasilkan, fondasi dibangun, kualitas dijamin, dan perubahan diatur secara rapi.
b. Metode
Metode rekayasa perangkat lunak memberikan teknik untuk membangun
perangkat lunak yang mencakup serangkaian tugas yang luas yang menyangkut
analisis kebutuhan, konstruksi program, desain, pengujian, dan pemeliharaan.
c. Alat bantu
Alat bantu rekayasa perangkat lunak memberikan topangan yang otomatis
ataupun semi-otomatis pada proses-proses dan metode-metode yang ada. Alat
bantu ini contohnya adalah CASE (Computer-Aided Software Engineering) dan
CAD (Computer-Aided Design).
Menurut Pressman (2001, p28), dalam perancangan perangkat lunak, dikenal
model sekuensial linier atau yang sering disebut classic life cycle atau waterfall
model. Model ini mengusulkan pendekatan pada pengembangan perangkat lunak
yang sistematis dan sekuensial melalui aktivitas-aktivitas seperti yang terlihat pada
gambar berikut :
25
Gambar 2.6 Model Sekuensial Linier
(Pressman, 1992, p25)
a. Rekayasa dan pemodelan sistem
Karena perangkat lunak merupakan sebuah bagian dari sistem yang besar, maka
yang perlu dilakukan pertama kali adalah menetapkan kebutuhan untuk seluruh
elemen sistem dan mengalokasikan sebagian dari kebutuhan tersebut ke perangkat
lunak.
b. Analisis kebutuhan perangkat lunak
Untuk dapat memahami sifat program yang dibangun, perekayasa perangkat
lunak harus memahami domain informasi, tingkah laku, cara kerja, dan interface
yang dibutuhkan.
Rekayasa dan Pemodelan Sistem
Pengkodean
Analisis Kebutuhan
Perangkat Lunak
Perancangan
Pemeliharaan
Pengujian
26
c. Perancangan
Perancangan perangkat lunak adalah proses yang berfokus pada empat atribut
sebuah program yang berbeda, yaitu struktur data, arsitektur perangkat lunak,
representasi tampilan, dan algoritma prosedural. Perancangan menerjemahkan
kebutuhan ke dalam suatu representasi perangkat lunak yang dilakukan sebelum
pengkodean.
d. Pengkodean
Perancangan yang telah dilakukan diterjemahkan ke dalam bentuk yang
dimengerti oleh komputer.
e. Pengujian
Proses pengujian berfokus pada logika internal perangkat lunak, yaitu untuk
memastikan semua pernyataan sudah diuji, dan pada eksternal fungsional, yaitu
untuk mengarahkan pengujian untuk menemukan kesalahan dan memastikan
bahwa input yang divalidasi akan memberikan hasil aktual yang sesuai dengan
kebutuhan.
f. Pemeliharaan
Digunakan untuk mengantisipasi kesalahan-kesalahan akibat perubahan-
perubahan dalam lingkungan eksternalnya atau adanya kebutuhan untuk
pengembangan fungsional maupun cara kerja.
2.1.14 Diagram Alir (Flowchart)
Menurut Hansen(2005), diagram alir merupakan representasi grafis dari
serangkaian aktivitas operasi, pergerakan, inspeksi, penundaan, keputusan, dan
27
penyimpanan dari sebuah proses. Diagram alir menggunakan simbol-simbol yang
sudah distandarisasikan.
Berikut adalah simbol-simbol yang digunakan untuk menggambarkan diagram alir:
Tabel 2.1. Simbol Flowchart (Hollander et. al., 2000, pp403-405)
Notasi Arti Notasi
Proses
Predefined proses
Operasi input / output
Decision, berupa pertanyaan atau penentuan suatu keputusan
Terminal, untuk menandai awal dan akhir program
Panah, sebagai penghubung antar komponen dan penunjuk arah
Manual input, input dari pengguna
On-page connector, sebagai penghubung dalam satu halaman
Off-page connector, sebagai penghubung antar halaman yang berbeda
28
2.1.15 State Transition Diagram (STD)
Menurut Whitten, el.al. (2004, pp673-674), STD merupakan diagram yang
digunakan untuk menggambarkan urutan dan variasi dari layar yang terjadi ketika
pengguna sistem berada di terminal. Ada beberapa notasi yang digunakan dalam
menggambarkan suatu STD, yaitu :
a. Kotak
Lambang kotak digunakan untuk mewakili layar tampilan. Lambang ini hanya
menggambarkan sesuatu yang mungkin tampil selama dialog.
b. Panah
Panah digunakan untuk mewakili kontrol aliran dan event yang memicu aktifnya
sebuah layar. Arah panah mengindikasikan urutan dimana layar tersebut tampil.
2.2 Kerangka Pikir
Skripsi ini terdiri dari 2 bagian, yaitu perancangan program dan analisis.
Perancangan program dimaksudkan untuk membuat sebuah tampilan yang mudah
dipakai dibandingkan dengan langsung menggunakan perangkat lunak statistik.
Sedangkan analisis dilakukan pada bidang statistik, khususnya dalam perbandingan
yang akan dilakukan.
Perancangan program dimulai dengan tahap perancangan, yang terdiri dari
struktur menu, perancangan modul beserta diagram alir, perancangan layar, dan
diagram transisi. Tahap perancangan akan dilanjutkan dengan pembuatan program.
Program yang dibuat mampu untuk mendownload data, menampilkan grafik dari
29
model, dan menampilkan semua menu yang dibutuhkan dalam analisa perbandingan
dan peramalan.
Program akan dibuat menggunakan Java dengan bantuan perangkat lunak
statistik yaitu R. Java digunakan dalam pembuatan user interface dan grafik,
sedangkan R digunakan dalam estimasi parameter dari model yang dipakai. Java dan
R akan dihubungkan dengan perantaraan sebuah server.
Data yang digunakan adalah data nilai tukar mata uang rupiah terhadap dolar
Amerika mulai tahun 1996 setiap harinya. Data ini diambil dari
http://fx.sauder.ubc.ca/data.html dan bisa diupdate langsung dari program. Data yang
berhasil diambil bisa dimasukkan ke dalam media penyimpanan berupa file.
Analisis perbandingan dilakukan terhadap pengaruh kurtosis yang dimiliki
distribusi dan leverage effect. Pengaruh distribusi akan dianalisa terhadap distribusi
normal yang memiliki kurtosis mesokurtic dan t-student yang mewakili bentuk
leptokurtic. Untuk pengaruh leverage effect akan dianalisa melalui hasil estimasi
model GARCH dan APARCH.
Perbandingan akan dianalisa dengan bantuan grafik dan beberapa model fit
yang akan dihitung berdasarkan data asli dan data hasil pemodelan.