Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer

Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI

Pendahuluan

Tinjauan Pustaka

Metodologi Penelitian

Analisis Data dan Pembahasan

Kesimpulan

Bursa saham atau Pasar modal adalah pasar dari berbagai instrumen keuangan jangka panjang yang bisa diperjualbelikan.

Indeks Harga Saham Individu

adalah perubahan dari satu harga saham di perusahaan

Indeks Harga Saham Indeks Harga Saham Gabungan

Bursa Saham

IHSG

adalah pergerakan harga saham secara umum yang terdapat di bursa efek

Penelitian Sebelumnya

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Indeks Harga Saham Gabungan (IHSG) KOSPI ( mewakili bursa saham Korea)

Hang Seng (HSI) (mewakili bursa saham Hongkong)

Nikkei 225 (mewakili bursa saham Jepang)

TAIEX (mewakili bursa saham Taiwan)

Dow Jones (mewakili bursa saham New York Amerika Serikat)

FTSE (mewakili bursa saham London)

Nikkei 225 adalah indikator harga yang merupakan harga Nikkei 225 dipilih dalam ini teratas dikarenakan Nikkei 225 rata-rata dari saham 225 penelitian perusahaan di Jepang yang merupakan termasuk 5 besar(Tse). Indeks Harga Saham Gabungan terdaftar di Bursa Efek Tokyo (IHSG) yang ada di Dunia

Bursa Saham

IHSG


ASX (mewakili bursa saham Australia)

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Azizah (2009) melakukan penelitian tentang indeks saham Kospi dengan metode intervensi. Purwandi (2008) melakukan pemodelan indeks Hang Seng dengan metode Mixture Autoregressive (MAR) Damayanti (2002) melakukan penelitian tentang permodelan IHS Nikkei 225 pada nilai open terhadap nilai high, low, dan close dengan menggunakan pendekatan bivariate ARIMA

Bursa Saham

IHSG


Pendahuluan

Tinjauan Pustaka



Kesimpulan

Perumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Masalah

Bagaimana model open price terhadap high price dan low price pada IHSG Nikkei 225 dengan pendekatan fungsi transfer ?

Bagaimana nilai ramalan model open price terhadap high price dan low price pada IHSG Nikkei 225 untuk beberapa periode ke depan ?

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Perumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Masalah

Mengetahui model open price terhadap high price dan low price pada IHSG Nikkei 225 dengan pendekatan fungsi transfer

Mengetahui nilai ramalan model open price terhadap high price dan low price pada IHSG Nikkei 225 untuk beberapa periode ke depan

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Perumusan Masalah Tujuan Penelitian

Manfaat Penelitian

Batasan Masalah

Sebagai bentuk penerapan ilmu statistik untuk menyelesaikan kasus financial di bidang perdagangan saham khususnya indeks harga saham gabungan (IHSG) Nikkei 225

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Perumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Masalah

Mengkhususkan pada indeks harga saham gabungan (IHSG) Nikkei 225 untuk menentukan low price dan high price berdasarkan nilai open price

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Time Series Konsep Dasar Time Series Stasioner

Fungsi Transfer

Mean Differencing

Nikkei 225

Wt = Z t − Z t −1

Varians Transformasi Nilai Estimasi λ -1,0 -0,5 0,0 0,5 1,0

Transformasi 1 / Zt 1 / Zt Ln Zt Zt

Zt (tidak ada transformasi)

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Uji Signifikansi Parameter Konsep Dasar Time Series

H0 : θ i = 0 (parameter tidak signifikan) H1 : θ i ≠ 0 (parameter signifikan) Statistik Uji : θˆi t =

SE (θˆi )

Daerah penolakan : Tolak H0 jika t hitung > t α

2

Fungsi Transfer

( df − n − p )

atau P-value <α

Uji Kesesuaian Model Nikkei 225

Uji White Noise menggunakan uji L-jung box chi square

Distribusi Normal menggunakan uji kenormalan

Pendahuluan

Tinjauan Pustaka

Konsep Dasar Time Series



Kesimpulan

Fungsi Transfer

Persamaan Model Fungsi Tranfer Fungsi Transfer

Nikkei 225

Menurut Makridakis dkk. (1999) model fungsi transfer bivarat ditulis dalam dua bentuk umum, bentuk pertama adalah sebagai berikut : Yt = v(B)Xt + nt model fungsi transfer dapat dituliskan dalam model yang kedua sebagai berikut :

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Identifikasi Model Fungsi Transfer Konsep Dasar Time Series

Fungsi Transfer

Mempersiapkan deret output dan input

Pemutihan deret input

Pemutihan deret output

Penerapan b, s, r untuk model fungsi transfer

Penaksiran langsung bobot respon impuls

Perhitungan korelasi silang dan autokeralasi untuk deret input dan deret output yang telah diputihkan

Pengujian pendahuluan deret gangguan (noise series)

Penetapan (pn, qn) untuk model ARIMA (pn, 0, qn) dari deret gangguan

Nikkei 225

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Diagnostik Model Konsep Dasar Time Series

Fungsi Transfer

Nikkei 225

Pemeriksaan Korelasi Silang Statistik uji sebagai berikut :

Pemeriksaan Autokorelasi Statistik uji sebagai berikut :

Pendahuluan

Tinjauan Pustaka

Konsep Dasar Time Series



Kesimpulan

Nikkei 225 adalah indikator harga yang merupakan harga rata-rata dari saham 225 perusahaan teratas di Jepang yang terdaftar di Bursa Efek Tokyo (Tse).

Berikut adalah rumus untuk menghitung Indeks Nikkei : Fungsi Transfer

Nikkei 225

keterangan : Divisor adalah angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi.

Pendahuluan

Tinjauan Pustaka



Kesimpulan

SUMBER DATA • Data pada penelitian ini menggunakan data sekunder dengan tipe data harian dari Indeks Harga Saham Gabungan (IHSG) Nikkei 225 yang diambil dari website (www.finance.yahoo. com).

VARIABEL PENELITIAN • Variabel yang digunakan adalah deret output (Yt) adalah high price dan low price, sedangkan deret input atau (Xt) adalah open price. • Data in-sampel yang digunakan mulai 4 Januari 2011 sampai 12 April 2013 sebanyak 560 data dan data out-sampel yang digunakan mulai tanggal 15 April 2013 sampai 22 Mei 2013 sebanyak 25 data.

Pendahuluan

METODE ANALISIS DATA

Tinjauan Pustaka



Kesimpulan

Tahap Identifikasi Variabel

Penaksiran Parameter Model Fungsi Transfer ( b, r, s)( pn, qn)

Uji Diagnostik Model Fungsi Transfer

Model Fungsi Transfer Untuk Peramalan

Pendahuluan

Tinjauan Pustaka



Kesimpulan

Mempersiapkan deret input dan output agar memperoleh deret input dan output yang stasioner Menentukan model ARIMA untuk deret input dan melakukan prewhitening pada deret tersebut untuk memperoleh deret yang white noise α

TAHAP IDENTIFIKASI VARIABEL

Melakukan prewhitening pada deret output untuk memperoleh β Menetapkan nilai-nilai b, r, s yang menghubungkan deret input dan output Penaksiran parameter model fungsi transfer sementara berdasarkan nilai b, r, s yang ditetapkan sebelumnya Melakukan identifikasi model awal deret noise (nt) berdasarkan perhitungan autokorelasi serta parsial korelasinya. Menetapkan pn, qn untuk model ARMA dari deret noise (nt).

Pendahuluan

Tinjauan Pustaka

UJI DIAGNOSTIK MODEL FUNGSI TRANSFER



Kesimpulan

Perhitungan autokorelasi untuk nilai sisa model (r,s,b) yang menghubungkan deret output dan deret input

Perhitungan korelasi silang antara nilai sisa dengan deret gangguan (at) yang telah diputihkan

Tinjauan Pustaka



Kesimpulan

Time Series Plot of Open Price 14000 13000 12000

Open Price

IDENTIFIKASI MODEL DERET INPUT OPEN PRICE (X)

11000 10000 9000 8000 1

56

112

168

224

280 Index

336

392

448

504

560

Autocorrelation Function for Open Price

(with 5% significance limits for the autocorrelations) 1.0

plot ACF cenderung turun lambat menuju nol, hal ini berarti bahwa pada deret input open price belum stasioner dalam mean.

0.8 0.6

Autocorrelation

Pendahuluan

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

10

20

30

40

50

60

70 80 Lag

90

100 110 120 130 140 150

Pendahuluan

Tinjauan Pustaka


IDENTIFIKASI MODEL DERET INPUT OPEN PRICE (X)


transformasi Box-Cox 1/akar Xt

Box-Cox Plot of 1/akar zt

Box-Cox Plot of Open Price Lower CL

Kesimpulan

Lower CL

Upper CL

95.0

Upper CL Lambda

0.0000445

Lambda

(using 95.0% confidence)

(using 95.0% confidence) Estimate

92.5

87.5

Lower CL Upper CL

-1.22 0.33

Rounded Value

-0.50

0.0000440

85.0

0.0000435

0.0000430

82.5 80.0 Limit -5.0

-2.5

0.0 Lambda

2.5

5.0

Estimate

0.86

Lower CL Upper CL

-0.55 2.47

Rounded Value

StDev

StDev

90.0

-0.43

Limit

0.0000425 -5.0

-2.5

0.0 Lambda

2.5

5.0

1.00

Tinjauan Pustaka

Pendahuluan



Kesimpulan

IDENTIFIKASI MODEL DERET INPUT OPEN PRICE (X) Partial Autocorrelation Function for dif

Autocorrelation Function for dif

(with 5% significance limits for the partial autocorrelations)

1.0

1.0

0.8

0.8

0.6

0.6

Partial Autocorrelation

Autocorrelation

(with 5% significance limits for the autocorrelations)

0.4 0.2 0.0 -0.2 -0.4 -0.6

0.4 0.2 0.0 -0.2 -0.4 -0.6

-0.8

-0.8

-1.0

-1.0 1

10

20

30

40

50 Lag

60

70

80

90

100

1

10

20

30

40

50 Lag

model sementara dari model ARIMA yaitu ARIMA (1 1 1), ARIMA (1 1 0) dan ARIMA (0 1 1).

60

70

80

90

100

Pendahuluan

PENGUJIAN PARAMETER MODEL PADA DERET INPUT OPEN PRICE (X) Model ARIMA (1 1 1)

ARIMA (1 1 0)

ARIMA (0 1 1)

Tinjauan Pustaka


Model ARIMA (1 1 1) ARIMA (1 1 0) ARIMA (0 1 1)

Lag 6 12 18 24 6 12 18 24 6 12 18 24

P_value 0.6371 0.6334 0.8275 0.7703 0.7385 0.7025 0.8691 0.8107 0.6861 0.6779 0.8570 0.7959


Parameter Estimasi AR 1 0.15003 MA 1 0.24859 AR 1 0.09876 MA 1 -0.09113

Karena P_value >α (0.05) maka residual memenu hi asumsi white noise

P_value 0.0003 0.0001 0.0191 0.0307

Model ARIMA (1 1 1) ARIMA (1 1 0) ARIMA (0 1 1)

Kesimpulan

Karena P_value < α (0.05) maka signifikan

AIC -9237.48 -9239.2 -9238.79

SBC -9228.83 -9234.88 -9234.46

Karena model ARIMA (1 1 0) memiliki nilai AIC dan SBC terkecil maka terpilih menjadi model terbaik

Pendahuluan

Tinjauan Pustaka

PREWHITENING DERET INPUT OPEN PRICE (X) TERHADAP DERET OUTPUT LOW PRICE DAN HIGH PRICE

PREWHITENING DERET INPUT OPEN PRICE PREWHITENING DERET OUTPUT LOW PRICE DAN HIGH PRICE


Model ARIMA (1 1 0)


Parameter AR 1

Estimasi 0.09876

P_value 0.0191

Kesimpulan

Pendahuluan

Tinjauan Pustaka



Kesimpulan

IDENTIFIKASI AWAL MODEL FUNGSI TRANSFER PADA DERET INPUT OPEN PRICE (X) TERHADAP DERET OUTPUT LOW PRICE (Y1) menunjukkan bahwa nilai b s r yang didapatkan adalah bernilai b=0 s=0 r=0.

Pendahuluan

Tinjauan Pustaka

IDENTIFIKASI DERET NOISE DAN DIAGNOSTIC CHECKING PADA DERET INPUT OPEN PRICE (X) TERHADAP DERET OUTPUT LOW PRICE (Y1)


Lag 6 12 18 24

P_value <0.0001 <0.0001 <0.0001 <0.0001


Kesimpulan

P_value < α (0.05) maka residual tidak memenuhi asumsi white noise

pendugaan sementara dari model ARMA yaitu ARMA (0 [1 4]) dan ARMA ([4] 1)

Pendahuluan

Tinjauan Pustaka



Variabel Input Noise ARMA (0 [1 4]) Input Noise ARMA ([4] 1)

Parameter

Model

Lag 6 12 18 24 6 12 18 24

ARMA (0 [1 4])

ARMA ([4] 1)


Estimasi 0.99920 0.87852 0.11692 1.01438 -0.11387 0.88819 P_value 0.0801 0.2603 0.5015 0.8227 0.5638 0.3335 0.5206 0.7628

Kesimpulan

P_value < 0.0001 < 0.0001 < 0.0001 < 0.0001 0.0109 < 0.0001

P_value < α (0.05) maka signifikan

P_value > α (0.05) maka residual memenuhi asumsi white noise

Pendahuluan

Tinjauan Pustaka



Model ARMA (0 [1 4]) ARMA ([4] 1)

Model ARMA (0 [1 4]) ARMA ([4] 1)


P_value < 0.0001 < 0.0001

AIC -9741.75 -9730.75

SBC -9728.77 -9717.77

model ARMA (0 [1 4]) terpilih menjadi model terbaik

Kesimpulan

P_value < 0.0001 berarti residual tidak memenuhi asumsi distribusi normal sehingga perlu dilakukan deteksi outlier

Pendahuluan

Tinjauan Pustaka



Variabel Input Noise ARMA (0 [1 4])

Parameter


Estimasi 0.99920 0.87852 0.11692

P_value < 0.0001 < 0.0001 < 0.0001

Kesimpulan

Pendahuluan

Tinjauan Pustaka


Parameter

Lag 6 12 18 24


Estimasi 0.93160 0.06839 1.00043 0.0007073 0.0002130 0.0001397


P_value < 0.0001 0.0229 < 0.0001 < 0.0001 < 0.0001 < 0.0001

P_value 0.3807 0.6816 0.5063 0.6557


Kesimpulan


Lag 5 11 17 23 29 35

df 5 11 17 23 29 35

P_value 0.1539 0.3383 0.6937 0.8402 0.9046 0.9369

crosscorrelation antara residual fungsi transfer dengan variabel input independen

Pendahuluan

Tinjauan Pustaka




Kesimpulan

Uji normalitas residual model deret noise didapatkan bahwa P_value < dari 0.01, maka diketahui residual belum berdistribusi normal.

Sehingga model fungsi transfer :

Model ARMA (0 [1 4])

MAPE 10.71 %

menunjukkan persentase kesalahan dalam meramalkan Open Price terhadap Low Price.

Pendahuluan

Tinjauan Pustaka



Tanggal 15 April 2013 16 April 2013 17 April 2013 18 April 2013 19 April 2013 22 April 2013 23 April 2013 24 April 2013 25 April 2013 26 April 2013 29 April 2013 30 April 2013 01 Mei 2013 02 Mei 2013 03 Mei 2013 06 Mei 2013 07 Mei 2013 08 Mei 2013 09 Mei 2013 10 Mei 2013 13 Mei 2013 14 Mei 2013 15 Mei 2013 16 Mei 2013 17 Mei 2013


Forecast 15582.12 15582.12 15582.12 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342 15574.342

Upper 16108.6 16340.048 16521.17 16670.827 16809.444 16936.563 17056.217 17168.141 17272.088 17372.4 17468.971 17561.694 17650.466 17735.188 17820.521 17901.681 17983.396 18060.817 18138.739 18212.249 18286.207 18360.617 18430.477 18500.736 18566.337

Kesimpulan

Lower 15081.034 14875.728 14717.343 14586.105 14470.53 14373.541 14280.935 14195.986 14118.5 14044.975 13975.326 13909.475 13847.346 13788.871 13730.765 13676.223 13622.007 13571.273 13520.822 13473.78 13426.982 13380.428 13337.196 13294.172 13251.357

Pendahuluan

Tinjauan Pustaka



Kesimpulan

IDENTIFIKASI AWAL MODEL FUNGSI TRANSFER PADA DERET INPUT OPEN PRICE (X)TERHADAP DERET OUTPUT HIGH PRICE (Y2) menunjukkan bahwa nilai b s r yang didapatkan adalah bernilai b=0 s=0 r=0.

Pendahuluan

Tinjauan Pustaka

IDENTIFIKASI DERET NOISE DAN DIAGNOSTIC CHECKING PADA DERET INPUT OPEN PRICE (X) TERHADAP DERET OUTPUT HIGH PRICE (Y2)


Lag 6 12 18 24

P_value <0.0001 <0.0001 <0.0001 <0.0001


Kesimpulan

P_value < α (0.05) maka residual tidak memenuhi asumsi white noise

pendugaan sementara dari model ARMA yaitu ARMA (0 1) dan ARMA ([4] 1)

Pendahuluan

Tinjauan Pustaka



Variabel Input Noise ARMA (0 1) Input Noise ARMA ([4] 1) Model ARMA (0 1)

ARMA ([4] 1)


Parameter

Lag 6 12 18 24 6 12 18 24

Estimasi 0.94059

P_value < 0.0001

0.83678

< 0.0001

0.94295 -0.13118 0.94295

< 0.0001 0.0029 < 0.0001

P_value 0.0709 0.2560 0.4225 0.1117 0.6980 0.9249 0.9234 0.3660

Kesimpulan



Pendahuluan

Tinjauan Pustaka



Model ARMA (0 1) ARMA ([4] 1)

Model ARMA (0 1) ARMA ([4] 1)


P_value < 0.0001 < 0.0001

AIC -10202.4 -10209.1

SBC -10193.8 -10196.1

model ARMA ([4] 1) terpilih menjadi model terbaik

Kesimpulan

P_value < 0.0001 berarti residual tidak memenuhi asumsi distribusi normal sehingga perlu dilakukan deteksi outlier

Pendahuluan

Tinjauan Pustaka



Variabel Input Noise ARMA ([4] 1)

Parameter


Estimasi 0.94295 -0.13118 0.94295

P_value < 0.0001 0.0029 < 0.0001

Kesimpulan

Pendahuluan

Tinjauan Pustaka



Parameter

Lag 6 12 18 24

Estimasi -0.08953 0.93406 0.98382 -0.0001911 -0.0001328 -0.0001116 -0.0000856 -0.0000894 -0.0000879


P_value 0.0438 < 0.0001 < 0.0001 < 0.0001 < 0.0001 < 0.0001 0.0002 < 0.0001 0.0001

P_value 0.4983 0.5205 0.4658 0.1588


Kesimpulan


Lag 5 11 17 23 29 35

df 5 11 17 23 29 35

P_value 0.5603 0.4457 0.8285 0.5935 0.2988 0.5011

crosscorrelation antara residual fungsi transfer dengan variabel input independen

Pendahuluan

Tinjauan Pustaka




Kesimpulan

Uji normalitas residual model deret noise didapatkan bahwa P_value < dari 0.01, maka diketahui residual belum berdistribusi normal.

Model ARMA ([4] 1)

MAPE 8.12 %

menunjukkan persentase kesalahan dalam meramalkan Open Price terhadap High Price

Pendahuluan

Tinjauan Pustaka



Tanggal 15 April 2013 16 April 2013 17 April 2013 18 April 2013 19 April 2013 22 April 2013 23 April 2013 24 April 2013 25 April 2013 26 April 2013 29 April 2013 30 April 2013 01 Mei 2013 02 Mei 2013 03 Mei 2013 06 Mei 2013 07 Mei 2013 08 Mei 2013 09 Mei 2013 10 Mei 2013 13 Mei 2013 14 Mei 2013 15 Mei 2013 16 Mei 2013 17 Mei 2013

Forecast 15362.724 15362.724 15358.916 15358.916 15370.343 15370.343 15370.343 15370.343 15370.343 15370.343 15366.533 15366.533 15370.343 15370.343 15370.343 15370.343 15370.343 15370.343 15370.343 15370.343 15370.343 15370.343 15370.343 15370.343 15370.343


Upper 15926.16 16161.889 16348.407 16512.679 16666.523 16796.375 16923.346 17038.41 17145.668 17249.41 17349.525 17450.515 17543.09 17631.721 17721.025 17806.256 17892.104 17973.754 18055.964 18133.854 18212.249 18286.207 18360.617 18435.482 18510.806

Kesimpulan

Lower 14832.279 14617.865 14456.614 14325.411 14219.695 14115.145 14021.701 13935.759 13853.866 13779.161 13708.267 13637.919 13574.435 13514.536 13455.031 13399.021 13343.359 13291.107 13239.162 13190.55 13142.206 13097.123 13052.273 13007.652 12966.212

Pendahuluan

Tinjauan Pustaka



Kesimpulan

1. Model ARIMA terbaik untuk deret input open price berdasarkan kriteria in-sampel adalah model ARIMA (1 1 0) Model fungsi transfer untuk deret input open price terhadap low price adalah ARMA (0 [1 4])

Model fungsi transfer untuk deret input open price terhadap high price adalah ARMA ([4] 1)

Pendahuluan

Tinjauan Pustaka



Kesimpulan

2. Nilai ramalan berdasarkan deret input open price terhadap low price dan deret input open price terhadap high price adalah sebagai berikut : Tanggal 15 April 2013 16 April 2013 17 April 2013 18 April 2013 19 April 2013 22 April 2013 23 April 2013 24 April 2013 25 April 2013 26 April 2013 29 April 2013 30 April 2013 1 Mei 2013 2 Mei 2013 3 Mei 2013 6 Mei 2013 7 Mei 2013 8 Mei 2013

Forecast Low Price (Y1) 15582.11971 15582.11971 15582.11971 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226

Forecast High Price (Y2) 15362.72374 15362.72374 15358.91614 15358.91614 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15366.53276 15366.53276 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319

Tanggal 9 Mei 2013 10 Mei 2013 13 Mei 2013 14 Mei 2013 15 Mei 2013 16 Mei 2013 17 Mei 2013

Forecast Low Price (Y1) 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226

Forecast High Price (Y2) 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319

Daftar Pustaka           

Anonim. http://infodatabroker.blogspot.com/2012/02/mengenal-indeks-saham-dunia.html. Di-akses pada tanggal 21 Maret 2013 pukul 05.35 WIB. Anonim. http://forum.vibizportal.com/showthread.php?t=17635. Diakses pada tanggal 21 Maret 2013 pukul 05.55 WIB. Anonim. http://belajarinvestasi.com/dasar-stock-index/sejarah-index.html. Diakses pada tanggal 21 Maret 2013 pukul 05.55 WIB. Aswi dan Sukarna. 2006. Analisis Deret Waktu : Teori Dan Aplikasi. Penyunting : Muhammmad Arif Tiro. Makasar. Andira Publisher. Azizah, N. 2009. Analisis Peramalan Indeks Harga Saham KOSPI dengan Menggunakan Metode Intervensi. Laporan Tugas Akhir.FMIPA-ITS. Surabaya. Bowerman, B.L dan O’Connell, R.T. 1993. Forecasting and Time Series : An Apllied Approach, 3rd edition. Belmont, California : Duxbury Press. Cryer, D.J dan Chan K.S. 2008. Time Series Analysis. With Application in R, 2nd Edition. Springer. Damayanti, I. 2002. Peramalan Indeks Nikkei 225 dengan Pendekatan Time Series di PT. Kudamas Forexindo Surabaya. Laporan Tugas Akhir.FMIPA-ITS. Surabaya. Elton dan Gruber. 1995. Modern Portofolio : Theory and Investment Analysis, 5th Edition. New York : Wiley. Hartono.1998.http://www.sarjanaku.com/2012/06/sahampe-ngertian-jenis-nilai-harga.html.Di akses pada tanggal 21 Maret 2013 pukul 06.00 WIB. Makridakis, S., Wheelright, S.C., dan McGee, V.E., (1999), Metode dan Aplikasi Peramalan, edisi kedua, Erlangga, Jakarta.

Daftar Pustaka   

Purwandi, L. 2008. Permodelan Indeks Hang Seng dengan Metode Mixture Autoregressive (MAR) dengan Jumlah Komponen Tertentu. Laporan Tugas Akhir.FMIPA-ITS. Surabaya. Sihotang, B. Pengertian, Fungsi, Instrumen, Jenis, dan Pelaku Pasar Modal. 2010. http://www.ideelok.com/ekonomi/-pengertian-fungsi-instrumen-jenis-dan-pelaku-pasar-modal. Diakses pada tanggal 21 Maret 2013 pukul 06.10 WIB. Wei, W.W.S. (2006). Time Series Analysis Univariate and Multivariate Methods. 2nd Edition. United States : Pearson Education, Inc.

Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer

Recommend Documents