Penerapan model autoregressive fractionally integrated moving average (arfima) dalam peramalan suku bunga sertifikat Bank Indonesia (SBI)

Oleh :
Liana Kusuma Ningrum - M0105047 - Fak. MIPA

ABSTRAK Time series merupakan serangkaian data pengamatan berdasarkan urutan waktu. Beberapa metode pemodelan time series telah dikembangkan. Metode yang paling umum digunakan adalah ARIMA. ARIMA sangat efektif digunakan untuk memodelkan data yang tidak stasioner, yang ditunjukkan oleh plot ACF yang turun secara eksponensial atau membentuk gelombang sinus. Ada beberapa data yang tidak stasioner dan plot ACFnya tidak turun secara eksponensial melainkan secara lambat atau hiperbolik. Data seperti inilah yang dikategorikan sebagai time series memori jangka panjang (long memory). Untuk memodelkan time series jangka panjang, Hosking (1981) telah memperkenalkan model Autoregressive Fractionally Integreted Moving Average (ARFIMA) yang dapat mengatasi kelemahan model ARIMA, dimana ARIMA hanya dapat menjelaskan time series jangka pendek (short memory), sedangkan ARFIMA dapat menjelaskan baik jangka pendek maupun jangka panjang. Tujuan penelitian ini adalah menentukan model ARFIMA yang sesuai untuk data suku bunga SBI kemudian menggunakan model tersebut untuk meramalkan suku bunga SBI pada beberapa periode ke depan. Metode yang digunakan dalam penelitian ini adalah studi kasus. Data yang digunakan untuk pemodelan ARFIMA adalah suku bunga SBI periode 21 Juni 2000 sampai 12 Agustus 2009. Model ARFIMA yang terbaik dapat dipilih berdasarkan nilai Mean Square Error (MSE), Mean Absolute Percentage Error (MAPE), serta Akaike Info Criterion (AIC) dari masing-masing model. Hasil pemodelan ARFIMA yang diperoleh adalah model ARFIMA (0;0.499;[3]). Nilai ramalan suku bunga SBI untuk periode 19 Agustus 2009, 26 Agustus 2009, 2 September 2009, dan 9 September 2009 berturut-turut adalah 7.97%, 8.06%, 8.13%, dan 8.19%. ABSTRACT Time series is a series of observational data based on time sequence. Some time series modeling have been developed. The most common time series model that used is ARIMA. ARIMA is used effectively to modeling data that are not stationary, indicated by the ACF plot exponentially down or form a sine wave. There are some data that are not stationeries and their ACF plot do not fall exponentially but slowly or hyperbolic. Those data are categorized as a long memory time series. To modeling long memory time series, Hosking (1981) has introduced the Autoregressive Fractionally Integrated Moving Average (ARFIMA) model that can overcome the weaknesses of ARIMA model, which ARIMA can only explain short memory time series, whereas ARFIMA can explain both short and long memory time series. The purpose of this research are to determine the appropriate ARFIMA model for BI Rates data and to use this model to predict the BI Rates on several periods ahead. The method used in this research is a case study. Data used for the ARFIMA model are BI Rates from 21st June 2000 to 12th August 2009. The best ARFIMA model can be selected based on the value of Mean Square Error (MSE), Mean Absolute Percentage Error (MAPE), and Akaike Info Criterion (AIC) of each model. The result of the model is ARFIMA (0; 0.499; [3]). The value of BI Rates forecasting for the period 19th August, 26th August, 2th September, and 9th September 2009 successively are 7.97%, 8.06%, 8.13% and 8.19%.