BAB V KESIMPULAN DAN SARAN Kesimpulan yang diambil dalam Bab ini berdasarkan hasil analisis pada Bab sebelumnya. Selain kesimpulan, Bab ini juga berisi saran yang dapat dijadikan pertimbangan untuk penelitian-penelitian selanjutnya agar didapatkan hasil yang lebih baik. 5.1 Kesimpulan Berdasarkan hasil dan pembahasan pada Bab sebelumnya, maka dalam penelitian ini didapatkan beberapa kesimpulan sebagai berikut : 1. Model GARCH dengan metode estimasi ULS untuk nilai tukar Poundsterling terhadap Rupiah adalah : σ t2 = 30415386 + 0.1563 a t2−1 Sehingga model peramalan nilai tukar Poundsterling terhadap Rupiah adalah: 1
Yt = (1 + λ . Z t ) λ
Z t = −57242.6 Dt1 + 62806.6 Dt 2 +
dimana A2 =
1 A2 u t σ t2 (1 − B ) 1
(1 − 0.044 B
14
+ 0.058 B
29
+ 0.046 B 32 − 0.091B 35 )
Sedangkan untuk nilai tukar Dollar Canada, model GARCH yang memenuhi adalah sebagai berikut : σ t2 = 0.0145 + 0.1676 a t2−1 + 0.3352 σ t2−1 + 0.3679 σ t2− 2 dan model peramalannya adalah : Y t = Zt 2 Z t = −3.3078 Dt1 + 3.4491 Dt 2 +
dimana A3 =
1 A3 u t σ t2 (1 − B )
1 (1 + 0.055 B 2 − 0.043B 14 + 0.06 B 35 )
65
66 2. Model Algoritma Genetika untuk nilai tukar Poundsterling terhadap Rupiah adalah :
Model algoritma genetika tersebut dapat dinyatakan dalam bentuk model GARCH berikut : σ t2 = 29873546 + 0.0359 a t2−1 Berdasarkan model GARCH tersebut, didapatkan model peramalan nilai tukar Poundsterling terhadap Rupiah adalah: 1
Yt = (1 + λ . Z t ) λ
Z t = −57242.6 Dt1 + 62806.6 Dt 2 +
dimana A2 =
1 A2 u t σ t2 (1 − B ) 1
(1 − 0.044 B 14 + 0.058 B 29 + 0.046 B 32 − 0.091B 35 )
Pada kasus nilai tukar Dollar Canada, model Algoritma Genetika yang memenuhi adalah :
67
Model algoritma genetika tersebut dapat dinyatakan dalam bentuk model GARCH berikut : σ t2 = 0.0029 + 0.0236 a t2−1 + 0.0012 σ t2−1 + 0.0912 σ t2− 2 sehingga model peramalannya adalah : Y t = Zt 2 Z t = −3.3078 Dt1 + 3.4491 Dt 2 +
dimana A3 =
(1 + 0.055B
1 A3 u t σ t2 (1 − B )
1 2
− 0.043B 14 + 0.06 B 35
)
3. Pada kasus nilai tukar Poundsterling terhadap Rupiah, didapatkan nilai MSE dan nilai MAPE dari model peramalan dengan menggunakan metode estimasi Unconditional Least Square berturut-turut sebesar 113533.7 dan 1.3807%. Sedangkan dengan metode algoritma genetika, diperoleh nilai MSE dan MAPE sebesar 14726.1395 dan 0.334572%. Sehingga disimpulkan untuk kasus ini metode algoritma genetika menghasilkan model peramalan yang lebih baik. Metode algoritma genetika juga memberikan model pera-
68 malan yang lebih baik untuk kasus nilai tukar Dollar Canada terhadap Rupiah. Hal ini terlihat dari nilai MSE dan MAPE model peramalan dengan algoritma genetika yaitu sebesar 5140.6268 dan 0.6581% yang lebih kecil daripada nilai MSE dan nilai MAPE model peramalan dengan metode ULS yaitu sebesar 42634.37 dan 2.0238%. 5.2 Saran Penyelesaian masalah peramalan nilai tukar mata uang dengan menggunakan metode algoritma genetika dalam tugas akhir ini masih bisa dikembangkan lagi dengan cara menggunakan fungsi dan variabel yang lebih banyak lagi agar mendapatkan ruang solusi yang lebih luas dan memperoleh hasil yang lebih optimum. Hal tersebut bisa dilakukan dengan memasukkan model ARIMA atau model intervensi dalam proses algoritma genetika.
DAFTAR PUSTAKA Engle, R .1982. ”Autoregressive Conditional Heterocedasticity with Estimates of the Variance of United Kingdom Inflation”. Econometrica, 50, 987-1007. Gen, M. dan Cheng, R. 1997. Genetic Algoritm and Enginering design. John wiley & Sons, Inc. Ho, K.Y dan Tsui, A.K. 2005. “Volatility Dynamics in Foreign Exchange Rates: Further Evidence from Malaysian Ringgit and Singapore Dollar”. Modelling and Simulation Society Paper. Lee, T.Y., et al. 2005. “Outlier Detection for Anomaly Groundwater Level Time Series”. 4th Taiwan-Japan Joint Workshop on Hydrological Research for Earthquake Prediction. Lutkepohl, H. dan Kratzig, M. 2004. Applied Time Series Econometric. USA :Cambridge University Press. Neely, C.J., et al. 1996. “Is Technical Analysis in the Foreign Exchange Market Profitable? A Genetic Programming Approach”. Federal Reserve Bank of St.Louis, Working Paper Series 006C. Neely, C.J., dan Weller, P.A. 1999. ”Intraday Technical Trading in the Foreign Exchange Market”. Federal Reserve Bank of St.Louis, Working Paper Series 016B. Neely, C.J., dan Weller, P.A. 2001. “Predicting Exchange Rate Volatility : Genetic Progamming vs. GARCH and RiskMetrics”. Federal Reserve Bank of St.Louis, Working Paper Series 009B.
69
70 Noland, B.E.R et al. 2006. “The Effect of London Congestion Charge On Road Casualties : An Intervention Analysis”. Centre for Transport Studies, Department of Civil and Environmental Engineering, Imperial College, London. Silva, S. 2006. “A Genetic Programming Toolbox for MATLAB”. Evolutionary and Complex Systems Group. Setiawan, K. 2003. Paradigma Sistem Cerdas. Malang :Bayumedia. Wirastuti, A. P. 2006. “Analisis Statistik pada Indeks Berjangka Nikkei dan Dow Jones di Pasar Modal dengan menggunakan ARIMA dan ARCH-GARCH”. Program S1 Jurusan Statistika, ITS, Surabaya. Wei, W.W.S .1990. Time Series Analysis, USA : AddisonWesley Publishing Company. Yang, L. 2006. “A Semiparametric GARCH Model for Foreign Exchange Volatility”. Journal of Econometrics, 130, 365-384.
RIWAYAT PENULIS
Abdul Qohar dilahirkan di Gresik, 30 Agustus 1985. Penulis adalah anak kedua dari empat bersaudara. Pendidikan formal penulis adalah MI Mamba’ul Ulum Bedanten, MTS Mamba’ul Ulum Bedanten, dan SMU Assa’adah Sampurnan Bungah. Pada tahun 2003 penulis mengikuti SPMB (Seleksi Penerimaan Mahasiswa Baru) dan diterima di jurusan Statistika FMIPA ITS dan terdaftar dengan NRP. 1303 100 050.
