Abstrak—Krisis 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

Kata Kunci—Inflasi, 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:

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 AlamInstitut Teknologi Sepuluh Nopember, Sukolilo 60111, Surabaya

e-mail : irhamahn@yahoo.com

1

(1)Nilai dari λ dengan transformasinya yang sering digunakan adalah [5].

Tabel 1. Transformasi Box-Cox

Nilai λ (Lambda) Transformasi

-1 1/Zt

-0,5 1/

0 Ln Zt

0,5

1 Zt

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].

=

(3) Fungsi autokorelasi dihitung berdasarkan sampel yang

dihitung dengan rumus sebagai berikut [5].

(5)

Fungsi autokorelasi parsial atau Partial Autocorrelation function (PACF) adalah korelasi antara Z t dan Zt+k bernilai

sama dengan autokorelasi antara ) dan (

). Fungsi autokorelasi parsial (PACF) dapat

dirumuskan sebagai berikut [5].

(6)

Pada pengamatan time series dimana sampel PACF dinotasikan dengan dengan perhitungan seperti yang telah diberikan oleh Durbin adalah sebagai berikut [5].

(7)

dan

, 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].

1. Tabel 2. Karakteristik T eori ACF dan PACF untuk Proses Stasioner

Model ACF PACF

AR (p) Turun secara Cut off setelah

eksponensial atau sinusodial

lag p

MA (q) Cuts off setelah lag q Turun secara eksponensial

atau sinusodial

ARMA (p,q)

Turun setelah lag (q-p) Turun setelah lag (p-q)

AR (p) atau MA (q)

Cut off setelah lag q Cut off setelah lag p

C. Model Autoregressive atau AR (p)

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:

(8)

Untuk proses autoregressive orde pertama AR (1) ditulis :

(9) Uji

Signifikansi Model ARIMAModel ARIMA yang baik harus memenuhi asumsi

salah satunya yaitu penaksiran parameternya signifikan. Hipotesis yang digunakan pada pengujian signifikansi parameter AR adalah [6].H0 :

H1 : Statistik Uji :

(12)

Daerah penolakan :

Tolak H0 jika nilai atau Pvalue <

Hipotesis untuk pengujian signifikansi parameter MA adalah:H0 :

H1 : Statistik Uji :

(13)

Daerah penolakan :

Tolak H0 jika nilai atau Pvalue <

dimana, n adalah banyaknya observasir adalah jumlah parameter yang ditaksir

D.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 :

H1 : Paling tidak ada nilai Statistik Uji :

2

(14)

Daerah penolakan :

Tolak H0 jika nilai Q > atau Pvalue <

dimana,n = banyaknya pengamatan

= autokorelasi residual pada lag ke-km = jumlah parameterPengujian kenormalan residual dilakukan dengan uji kolmogorov Smirnov [7]. Hipotesisnya adalah sebagai berikut :Hipotesis :

H0 :

H1 :

Statistik Uji :(15)

Daerah penolakan :

Tolak H0 jika nilai

dimana,S (x) : fungsi peluang kumulatif yang dihitung dari data sampelF0(x) : fungsi distribusi yang dihipotesiskan (normal)F(x) : fungsi distribusi yang belum diketahui

E. 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 𝑦𝑡) 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 𝑥𝑡) dengan output series tersebut. Bentuk umum persamaan model transfer function dengan single input (𝑥𝑡) dan single output (𝑦𝑡) adalah sebagai berikut [5]. 𝑦𝑡=𝑣 (𝐵) 𝑥𝑡+𝑛𝑡 dimana : 𝑦𝑡= deret output yang stationer 𝑥𝑡= deret input yang stationer 𝑛𝑡= deret noise dengan 𝑣 𝐵 =𝜔 𝐵 𝐵𝑏𝛿 𝐵 Sehingga bisa dilihat pada persamaan berikut ini. 𝑦𝑡=𝜔𝑠 𝐵 𝐵𝑏𝛿𝑟 𝐵 𝑥𝑡+𝑛𝑡 atau 𝑦𝑡=𝜔𝑠 𝐵 𝐵𝑏𝛿𝑟 𝐵 𝑥𝑡+𝜃 𝐵 𝜙 𝐵 𝑎𝑡 Dimana : 𝜔𝑠 𝐵 =𝜔0−𝜔1𝐵−𝜔2𝐵2…−𝜔𝑠𝐵𝑠, 𝛿𝑟 𝐵 =1−𝛿1𝐵−𝛿2𝐵2…−𝛿𝑟𝐵𝑟, 𝜃 𝐵 =1−𝜃1𝐵−𝜃2𝐵2…−𝜃𝑞𝐵𝑞, dan 𝜙 𝐵 =1−𝜙1𝐵−𝜙2𝐵2…−𝜙𝑝𝐵𝑝,

F. 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): 𝑆= 𝑎𝑡2𝑛𝑡=1

Untuk model AR (p), adalah sebagai berikut : 𝑆 𝜙, = 𝑎𝑡2,𝑡=1 𝑎𝑡= 𝑍𝑡 −𝜙1 𝑍𝑡−1− …− 𝜙𝑝 𝑍𝑡−𝑝Untuk model MA (q), adalah sebagai berikut : 𝑆 𝜙, = 𝑎𝑡2,𝑡=1𝑎𝑡 =𝜃1 𝑎𝑡−1+𝜃2 𝑎𝑡−2 …+ 𝜃𝑞 𝑎𝑡−𝑞Estimasi parameter transfer function menggunakan Conditional Least Square, yaitu ω, δ, , θ dengan membuat error 𝑎𝑡 yang tidak diketahui dan sama dengan nol.

(𝛿,𝜔,𝜙,𝜃|𝑏)= 𝑎𝑡2𝑛𝑡=𝑡0dimana 𝑡0= max{p+r+1,b+p+s+1}.

G.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 Akaike’s Information Criterion (AIC) dan Schwartz’s 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 (Akaike’s Information Criterion)

AIC(M) = n ln

dimana : n = banyaknya pengamatan M = banyaknya parameter dalam model

= estimasi varians residual

2. SBC (Schwartz’s Bayesian Criterion)

SBC(M) = n ln ln n

dimana : n = banyaknya pengamatan M = banyaknya parameter dalam model

= 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.

3

2. Menentukan model ARIMA untuk deret input dan melakukan prewhitening pada deret tersebut untuk memperoleh deret yang white noise (𝛼𝑡) .

3. Melakukan prewhitening pada deret output untuk memperoleh 𝛽𝑡.

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 (𝑛𝑡) dan perhitungan autokorelasi serta parsial korelasinya.

8. Menetapkan (𝑝𝑛,𝑞𝑛) untuk model ARIMA (𝑝𝑛,0,𝑞𝑛) dari deret noise 𝑛𝑡 .

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.

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.

Gambar 2. Box-Cox Plot dari Data Inflasi

Berdasarkan Box-Cox plot dari data inflasi diperoleh nilai lower CL sebesar 0,18 dan upper CL sebesar 0,48, serta rounded value sebesar 0,34. Ini menunjukkan bahwa data belum stasioner dalam varians. Untuk itu perlu dilakukan transformasi dengan rumus Zt

0,34.

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 α (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.

Gambar 4. ACF Plot Data Transformasi

Berdasarkan plot ACF diketahui bahwa ada 2 lag yang keluar dari batas yaitu pada lag 1 dan 12.

4

Gambar 5. PACF Plot Data Transformasi

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 ModelModel Paramete

rEstimasi p-value Keputusa

nARIMA ([1,8], 0,0)

MU 0,928 <0,0001 signifikan

1 0,3668 <0,0001 signifikan

8 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

Parameter model dikatakan signifikan bila pvalue < α. Selanjutnya dilakukan pemeriksaan residual untuk mengetahui apakah residual telah white noise dan berdistribusi normal.

Tabel 4. Pengujian Asumsi White noise

Model Lag P-value Kesimpulan

ARIMA ([1,8]0,0)

6 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 > α (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 TransferPendugaan nilai (b,, s, r) untuk model fungsi transfer

ditentukan berdasarkan sampel CCF antara dan .

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 tertentu. Sehingga dugaan sementara model fungsi transfernya adalah sebagai berikut.

2. Identifikasi Model ARIMA untuk Deret NoiseResidual 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 NoiseLag P-value Kesimpulan

6 <0,0001 Tidak White Noise12 <0,0001 Tidak White Noise18 <0,0001 Tidak White Noise24 <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.

3. Penentuan Model Fungsi Transfer antara Inflasi dan IHSGAsumsi yang harus terpenuhi dalam penentuan

model fungsi transfer adalah white noise dan nilai estimasi parameter signifikan. Penambahan suatu deret

5

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 TransferLag P-value Kesimpulan

6 0,121 White Noise12 0,3352 White Noise18 0,7136 White Noise24 0,6226 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

Parameter

Estimasi

p-value

Keputusan

9,405 <0,0001Signifika

n

1,000 <0,0001Signifika

n

NUM1-

0,56348<0,0001

Signifikan

Setelah residual memenuhi asumsi white noise, maka dilakukan pengujian kenormalan residual dengan menggunakan uji Kolmogorv-Smirnov. Uji Kolmogorv-Smirnov yang dilakukan memberikan p-value sebesar <0,01 yang berarti residual tidak berdistribusi normal karena p-value < α 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.

V. KESIMPULAN DAN SARAN

Berdasarkan analisis dan pembahasan, model transfer yang sesuai antara inflasi dan IHSG periode Januari 2001 sampai Desember 2012 adalah

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 O’Connell, 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-indikator-bursa-di-indonesia/

[9] Yahoo Finance. (2013). Indeks Harga Saham Gabungan Indonesia. Available: www.yahoofinance.com

6