Peramalan Nilai Tukar Rupiah; Pendekatan ARIMA

Peramalan Nilai Tukar Rupiah; Pendekatan ARIMA

Oleh: Eko Kusmurtanto'"

Abstract This paper apply ARIMA (Autoregressive Integrated Moving Average) model to forecast the Indonesia's exchange rates over the period of 2000-2006. Any technique to define the ordo for the estimation, are tramo/seats, correlation of correlogram, and trial and error. Accuracy verify the result of estimation on ARIMA (2,1,1). Forecasting is undertaken (n t~e case of the exchange rates between rupiah and USdollar.

Key words: Nilai Tukar, ARIMA, Stasioneritas, Ordo, Tramo/seats.

.••Dosen Tetap STEKPI http://www.univpancasila.ac.id

7/31


LATAR BELAKANG

sampai saat ini volatilitas nilai tukar (exchange rateS) rupiah masih menjadi topik bahasan yang menarik, terutama setelah dilanda krisis nilai tukar pada tahun 1997. Bahasan tersebut menjadi sangat diperlukan jika suatu pihak yang berkepentingan akan menggunakan nilai tukar sebagai sarana transaksi atau investasi. Meskipun belakangan ini rupiah sudah menunjukkan arah yang makin stabil namun bukan berarti kita tidak membutuhkan prediksi (foreci1sf). saat ini rupiah berada dikisaran Rp. 9.200,- per dolar Amerika. Gambar 1. Volatilitas Nilai Tukar Rupiah Rp/$US

~ :~~~

iii':':':""""""'' ".,.,., .....

12000 10000 8000 6000 4000 2000

o.•...

:2

.•... :2 o o

N

N

~

0

Sumber : International Financial Statistics

(")N

Waktu

:2 :2
o

0 0

N

N

o

5ebelum sistem nilai tukar rupiah diambangkan (free floating exchange rate system) pada bulan Agustus tahun 1997, rupiah menggunakan sistem mengambang terkendali (managed floating exchange rate system) meski sistem mengambang sudah diperkenalkan sejak tahun 1973 pada konferensi Bretton-Woods. 5eperti yang terlihat pada gambar 1. diatas, rupiah sangat volatil setelah pemerintah menggunakan sistem mengambang bebas. Fluktuasi rupiah pada pertengahan tahun 1998 memasuki kisaran Rp. 15000,- per dolar Amerika, namun f1uktuasitersebut semakin mengarah stabil pada tahun-tahun berikutnya yaitu pada kisaran Rp. 9.000,- an. Depresiasi nilai tukar rupiah yang sangat tajam tersebut membawa dampak yang sangat buruk. 5eperti banyaknya perusahaan yang terpaksa harus menutup usaha karena mereka harus menanggung beban dalam membayar kredit valuta asingnya (misal kredit dalam dolar Amerika). Dimana kesepakatan kredit tersebut dilakukan pada era sebelum adanya krisis yaitu nilai tukar rupiah hanya pada kisaran Rp 2.200,- per dolar Amerika. Multiplier yang dihasilkan dari krisis nilai tukar tersebut tidak pada arah positif, namun justru negatif. Artinya dampak krisis tersebut membawa rentetan yang memburuk terhadap perekonomian secara nasional. 5ebagai gambaran, jika perusahaan yang gulung tikar semakin banyak maka akan berpotensi meningkatkan intensitas pengangguran, akibatnya permintaan atau daya beli masyarakat berkurang, margin atas produk ada tapi tidak bisa menutup biaya operasional dan administrasi perusahaan (total cost) karena kuantitas penjualan menurun, pemerintah tidak ada pendapatan (pajak), negara kekurangan dana untuk pembangunan, dan seterusnya sehingga perekonomian memburuk. Hal ini dapat diistilahkan sebagai lingkaran setan (vidous drde). 34

JURNAL EKUBANK, Volume 1 Edisi Maret 2007

http://www.univpancasila.ac.id

7/31

PeramalanNilai TukarRupiah; PendekatanARIMA

Perkembangan Metode Estimasi Nilai Tukar Beberapa perkembangan metode estimasi (pengukuran) nilai tukar sampai saat ini juga menjadi bahan studi yang hangat. Studi-studi tersebut dapat dijadikan alat pertimbangan dalam pengambilan keputusan baik dalam skala yang mikro maupun makro. Metode peramalan khususnya untuk nilai tukar dapat diramalkan dengan metode univariat maupun multivariat. Kajian yang masih intensif dilakukan antara lain dengan pendekatan nilai tukar keseimbangan fundamental (Fundamental Equilibrium Exchange Rate/FEEl?), nilai tukar riil keseimbangan (Equilibrium Real Exchange Rate/ERE!?), dan nilai tukar riil alami (Natural Real Exchange Rate/NATREX). Teori ekonomi mengatakan bahwa volatilitas nilai tukar dipengaruhi oleh beberapa variabel ekonomi makro (fundamental) seperti inflasi, produk domestik bruto, jumlah uang beredar, dan sebagainya. Beberapadata variabel ekonomi makro tersebut umumnya merupakan data tahunan, meski tersedia data dengan kurun waktu yang agak pendek yaitu bentuk data triwulanan. Estimasi nilai tukar yang secara umum dilakukan terhadap variabel fundamental kebanyakan tidak cocok (fit) terhadap data aktualnya (Franke - et all., 2002). Ketepatan estimasi sering lebih baik dengan menggunakan random walk atau data tunggal (univeriate) dengan data jangka pendek. sampai saat ini studi peramalan tentang nilai tukar masih menghadapi masalah dalam menjelaskan bagaimana atau meramalkan perilaku nilai tukar. Peramalan nilai tukar merupakan studi yang penting khususnya terhadap perusahaan multinasional dimana nilai tukar adalah mempunyai peran yang sangat penting dari proses pengambilan keputusan (seperti: keputusan melakukan transaksi terhadap mitra di mancanegara). Studi peramalan ini juga tidak kalah penting bagi kalallgan para pengambil kebijakan dalam level pemerintahan sehingga efektifltas kebijakan pembangunan akan berjalan optimal. Intinya peramalan nilai tukar termasuk bagian penting bagi pengelolaan keuangan baik kalangan mikro maupun makro. Nilai Tukar, Valuta Asing dan Pasar Valuta Asing Nilai tukar atau kurs mata uang adalah suatu nilai mata uang yang diukur berdasarkan mata uang (valuta) lain (Batiz, 1994 dan Tucker, 1991). Contohnya mata uang rupiah Indonesia dinilai terhadap mata uang dolar Amerika, atau secara nominal dapat ditulis Rp.9200/$1US. Valuta asing/valas dapat dibagi dengan hard currency dan soft currency. Hard currency adalah jenis mata uang yang mempunyai kecenderungan apresiasi, contohnya mata uang negara-negara maju seperti pandsterling, dolar Amerika, euro, dan yen. Soft currency adalah jenis yang mempunyai kecenderungan depresiasi, seperti mata uang negara-negara berkembang termasuk rupiah. Selain bentuknya uang kertas dan koin, mata uang tersebut mempunyai sifat vis a vis (berhadap-hadapan) dan volatil. Pasar valuta asing didefinisikan sebagai tempat diperdagangkannya mata uang (valuta). Seperti juga pada pasar yang lain, valuta harus mempunyai harga jika akan diperdagangkan. Pasar disini tidak harus berbentuk tempat (secara fisik), namun dapat juga hanya berupa kesepakatan transaksi valuta misalkan adanya kesepakatan jual beli melalui telepon atau internet (maya). Beberapa pelaku utama dalam pasar valuta asing meliputi retail customers, bank komersial, broker valas, dan bank sentral. purchasing Power Parity Prinsip paritas daya beli (purchasing-power parity/PPp) tersebut telah dipopulerkan oleh ekonom Swedia bernama Gustav Cassell pada tahun 1918 (Gibson, 1996). Prinsip PPP sangat mudah dijelaskan jika kita hubungkan antara nilai tukar dengan harga komoditas. Dimana nilai tukar dan harga komoditas tersebut diukur berdasarkan kondisi pada negara yang bersangkutan. Hubungan/koneksitas antara nilai tukar dan nilai komoditas dikenal dengan hukum satu harga (Law of One Price/LOp). Ide dasar dari LOP adalah menentukan harga JURNAL EKUBANK, Volume1 Edisi Maret2007 http://www.univpancasila.ac.id

35 7/31

Peramalan Nilai Tukar Rupiah; Pendekatan ARJMA

keseimbangan nilai tukar antarnegara. 5ecara umum PPPdibagi dengan dua bentuk pokok yakni PPP absolut dan PPP relatif. Pada prinsipnya yang digunakan dalam perhitungan PPPabsolut adalah diukur berdasarkan harga satu komoditi barang, namun untuk PPP relatif diukur berdasarkan harga barang secara umum/relatif (Tucker, 1991). Model Law of One Price Pj•t

= St p;./

... (1)

Model PPPabsolute: P S =....lL , p'

... (2)

./,1

Model PPPrelatif:

.

5,

~ =-.

... (3)

~

Dimana: S, = nilai tukar (misal: Rp/$US) Pj"

= harga komoditas j di dalam negeri

P;,I

= harga komoditas j di luar negeri

~

= harga komoditas secara umum (atau dibobot) di dalam negeri

p,'

= harga komoditas secara umum (atau dibobot) di luar negeri

Perilaku Nilai Tukar 5ejak nilai tukar diperkenalkan sistem mengambang (floating) pada tahun 1973, beberapa peneliti telah melakukan pengujian secara empiris terhadap aturan mengenai perilaku nilai tukar. Antara lain Allen (1997), Edwards et al. (1999), Elbadawi (1994), Montiel (1999), Rajan et al. (2000), Kusmurtanto (2003), Kurniati et al. (1999), dan Gandolfo et al. (1998) sebagian besar menguji pengaruh variabel-variabel fundamental ekonomi terhadap nilai tukar. Menurut Tucker, et al. (1991) ada beberapa hal atau aturan yang dapat disimpulkan tentang karakteristik nilai tukar. Hal ini dapat membantu untuk memahami tentang nilai tukar. Beberapa hal tersebut antara lain adalah sebagai berikut: (i)

karena secara spot nilai tukar tersebut selalu berubah setiap waktu, baik perubahan perdetik, perhari, perminggu, perbulan, dan seterusnya, perubahan itu ditunjukkan secara random, maka proses perubahan tersebut dapat dikatakan sebagai random walk.

(ii) nilai tukar antara spot dan future bertendensi bergerak bersama. Hal tersebut karena adanya ekspektasi yang tidak selalu sama. (iii) perbedaan suku bunga (interest rate differential) bersama dengan nitai tukar akan cenderung lebih volatil daripada set faktor-faktor fundamental termasuk pasokan uang baik pada domestik maupun Juar negeri, pendapatan riit, tingkat harga, dan balance of payment (BOP). (iv) dalam jangka pendek nitai tukar sensitif terhadap situasi poJitik. Adapun nitai tukar untuk jangka panjang fungsinya berhubungan dengan fundamental ekonomi, yang mana merefleksikan seperti yang dikenal pada kondisi paritas internasional (international parity conditions: ppp, interest rate parity, unbiased forward rate hypothesis, Rsher condition, international Fisher parity, dan real interest rate paritYJ. 36

JURNAL EKUBANK, Volume 1 Edisi Maret 2007 http://www.univpancasila.ac.id

7/31


(v)

horizon dalam jangka pendek dari model dapat menunjukkan keadaan random walk hypotesis. Secara khusus, tidak ada variabel yang dapat memprediksi future spot rate yang lebih bagus dari pada current spot rate.

PEMASALAHAN Bagaimana penerapan metode ARIMA jika digunakan dalam meramalkan nilai tukar rupiah mengingat pergerakan nilai tukar yang masih sulit diramalkan. Hal ini diperlukan sebagai alternalif motode peramalan dalam nilai tukar. Mengingat beberapa model sebagian besar adalah model multivariat. 5erta mencoba menemukan model ARIMA yang paling cocok (fif).

ARIMA ARIMA adalah kependekan dari autoregressive integrated moving average. Dengan kata lain ARIMA adalah gabungan antara autoregresi dengan rata-rata bergerak (Enders, 2004). Model ARIMA ini mampu mewakili deret waktu yang stasioner maupun yang non stasioner. Karakeristik model ini tidak mengikutkan varia bel bebas didalam modelnya. salah satu keunggulan utama model ARIMA adalah cukup menggunakan data deret waktu itu sendiri untuk melakukan peramalan (ftlosoft ARIMA "let the data speak for themselveS'). Model ARIMA sangat bertumpu pada pola otokorelasi data. Metodologi ARIMA dikembangkan oleh dua pakar statistik GEP Box dan GM Jenkins (1976) atau sering dikenal dengan metodologi Box-Jenkins. Berikut ada beberapa model dasar ARIMA: Model autoregresi (AR) Y( = <1> + <1>1YH + <1>2 }~-2 + ... + <1>p }~_ p + 1:[

... (4)

Model Rerata Bergerak (MA) Y( = 1:( + (01°1-1 + (02°1-2 + ... + (OqOI_q

... (5)

Model ARMA I; = <1> + <1>1 }~_I + <1>2 Y,-2 + ... + <1>p l~_p

+ 1:, + (011:'-1 + (021:(-2 + ... + (OqOI_q

•••

(6)

dimana:

r

° <1>. (0

= va ria bel dependen

=

residual = koeftsien = waktu

p, q

= ordo (p untuk AR dan q untuk MA) Integrasi model ARIMA menggunakan ordo d. Dimana proses diferensiasi dari integrasi tersebut diijinkan maksimal hanya dua kali. Maksud dari intergasi adalah untuk memastikan apakah data yang digunakan adalah stasioner. Jadi lengkapnya ARIMA mempunyai ordo p, d, dan q.

DATA Data nilai tukar rupiah yang digunakan dalam penelitian ini bersumber dari International Financial Statistics. Nilai tukar rupiah adalah nilai tukar terhadap mata uang dolar Amerika. Nilainya adalah kurs tengah yang tercatat pada akhir periode (bulan) dan dihitung atas dasar kurs juaJ dan kurs beli yang ditetapkan oleh Bank Indonesia. Jangka waktu data penelitian adalah kurun waktu bulan Januari tahun 2002 sampai dengan bulan Agustus tahun 2006. Penggunaan data kurun waktu ini sengaja dipilih guna menghindari efek krisis nilai tukar rupiah yang terjadi sekitar tahun 1997.

un EMPIRIK Uji stasionaritas 5ebelum melakukan estimasi langkah pertama yang harus dilakukan adalah menentukan derajat integrasi dari setiap variabel tersebut. Hal tersebut menurut Harris (2003) dan Enders (2004) dilakukan agar estimasi yang akan dilakukan tidak menghasilkan pola hubungan regresi yang palsu (spurious regression relationships). Sila variabel tersebut ]URNAL EKUBANK, Volume 1 Edisi Maret 2007 http://www.univpancasila.ac.id

37 7/31


terintegrasi pada derajat nol, 1(0) maka variabel tersebut dapat dikatakan stasioner. Apabila variabel tersebut terintegrasi pada derajat satu, 1(1) maka va ria bel tersebut mempunyai akar unit (unit roof). Demikian seterusnya bila derajat integrasinya lebih dari satu, maka veriabel terse but tetap dikatakan unit root namun dengan derajat integrasi yang berbeda sesuai dengan penentuan derajatnya. Pengujian stasioneritas ini dilakukan dengan uji Phillips - Perron dengan lag 3 seperti yang disarankan oleh Neway-West (EViews, h. 331). Uji Phillips-Perron merupakan pengembangan dari uji Dickey-Fuller (Astuti, 2002; Kusmurtanto 2003), model Phillips-Perron adalah sebagai berikut: Yt- Yt-J

= LlYt = y* Yt-J

+ li t

... (7)

Pengujian dilakukan terhadap Ho: y* = y - 1 = 0, kemudian hasil tersebut dibandingkan dengan tabel yang disajikan oleh MacKinnon Critical Value. Apabila hasil pengujian yang diperoleh lebih besar atau signifikan daripada MacKinnon Critical Values pada 1%, 5% atau 10% maka Ho ditolak, artinya data tersebut stasioner.

ANAUSIS 5esuai tahapan metodologi ARIMA, proses analisis ini dilakukan dengan 4 (empat) tahap. Pertama identifikasi, kedua estimasi model, ketiga diagnostik, dan keempat adalah tahap peralaman.

Tahap Identifikasi Spesifikasi atau identifikasi model ARIMA dilakukan pengujian stasioneritas data series (tuntut waktu). Berdasarkan beberapa literatur seperti Harris (2003) dan Mulyono (2000), bahwa jika data mempunyai unsur waktu (trend) dapat menghasilkan pola hubungan regresi yang palsu (Spurious regression relationships). Pengujian stasioneritas dapat menggunakan uji Phillips-Perron dengan model seperti persamaan 7 diatas. Hasil uji Phillips-Perron menunjukkan 1,1. Hasilnya seperti pada tabel1. berikut:

bahwa data rupiah stasioner pada derajat satu,

iah Variabel

RP

Prob.* 0.0889

DRP

0.0000*

Dimana: RP = nilai tukar rupiah per dolar Amerika pada data level DRP = nilai tukar rupiah per dolar Amerika pada data diferensiasi 1 * = signifikansi pada MacKinnon Critical Values a 1%

Tahap Estimasi Model Berdasarkan hasil hitungan tramo/seatS, pilihan model final ARIMA (0,1,1) untuk data rupiah disarankan menggunakan ordo (0,1,1). Artinya data stasioner pada derajat satu, 1,1,

I Tramo ("Time Series Regression with ARIMA Noise. Missing Observations. and Outliers") melakukan estimasi, peramalan. dan interpolasi pada model regresi dengan ketidaklengkapan (missing) observasi dan residual ARIMA, dalam menunjukkan kemungkinan beberapa tipe olltliers. Seats ("Signal Extraction in ARIMA Time Series") menunjukkan ARIMA yang berdasarkan dekomposisi dari keruntutan data terobservasi kedalam komponen yang tidak terobservasi. Dua program ini diperkenalkan oleh Victor Gomez dan Agustin Maravall. EViews (hal. 185).

38

JURNALEKUBANK,Volume 1 Edisi Maret 2007


7/31

Peramatan Nitai Tukar Rupiah,. Pendekatan ARIMA

serta model tersebut sarna maksudnya dengan model MA(l). Hal ini searah/sama dengan identifikasi diatas, yaitu data stasioner, 1,0. Konsep pembentukan model ARIMA dapat juga di/akukan dengan cara trial end error untuk memperoleh parameter hingga proses iterasi akan mempercepat konfergensi. caranya dengan melihat korelasi pada uji korelorgam untuk menentukan ordo. Estimasi parameter model ARIMA dalam studi ini dikombinasi baik berdasarkan uji stasionaritas, saran dari tramo/seats, uji korelogram, maupun dengan trial and error. Hasil estimasi tersebut dapat dilihat secara ringkas pada tabel berikut: Tabel 2. Hasil Estimasi ARIMA AlAil

1,;)if«~ .14ri•.~lI 1{q@(lil.

1

(0,

1,1)

2

(4,

1,1)

3

(3, 1,1)

4

(2, 1,1)

5

(1,1,1)

6

(1,1,0)

C MA(1) C AR(1) AR(2) AR(3) AR(4) MA(1) C AR(1) AR(2) AR(3) MA(1) C AR(1) AR(2) MA(1) C AR(1) MA(1) C ARm

-21.7006 0.2496 3.2638 0.1472 -0.1751 0.2326 -0.2234 -0.0055 7.0739 0.5349 -0.1361 0.0773 -0.4465 6.6660 0.7389 -0.1277 -0.6542 22.8147 0.8011 -0.9804 -19.4051 0.2035

:::::

IllS' II

IIlall:t) Iiltii ...lm> 0.5735 0.0670 0.9106 0.6596 0.2285 0.0852 0.1263 0.9881 0.8368 0.2265 0.4433 0.5721 0.3021 0.8184 0.0092 0.3533 0.0141 0.0294 0.0000 0.0000 0.6242 0.1394

0.1107

13.733

927.6

0.3132

13.627 *

489.0

0.4423

13.734

467.3

0.1400

13.684

444.4 *

0.0080 *

13.645

1210.6

0.1394

13.755

867.3

* * * *

Tabel 2 diatas menunjukkan hasil estimasi secara ringkas dari beberapa alternatif model ARIMA, yaitu ARIMA: (0,1,1), (4,1,1), (3,1,1), (2,1,1), (1,1,1) dan (1,1,0). Berdasarkan kombinasi pengujian, metode tramo/seats menyarankan menggunakan model ARIMA (0,1,1), metode korelogram diperoleh model ARIMA (4,1,1), sedangkan metode trial and error digunakan sebagai pelengkap analisis dalam menjembatani gap (dari metode tramo/seats dan trial and erro!') untuk menentukan model ARIMA. Gap ini untuk melengkapi model ARIMA yang belum terdefinisi ordonya, yaitu dengan menentukan jarak (lag) yang semakin menurun. Hal ini digunakan karena berdasarkan banyak kajian yang menunjukkan pengaruh terkuat terhadap data aktual sebagian besar dipengaruhi oleh jarak terdekat, oleh karena itu pemilihan jarak runtut waktu diurutkan dari yang jarak terbesar menuju jarak yang terkecil. Untuk AR dimulai dengan jarak terbesar yaitu 4, sedangkan untuk MA dimulai dengan jarak 1. Adapun jarak integrasinya tidak ada perubahan (tetap dengan 1) karena data memang stasioner 1,1. Analisis lebih diprioritaskan pada signifikansi nilai koefisien individu. Ada dua model yang diprioritaskan dalam Tabel 2 diatas, yaitu ARIMA (2,1,1) dan ARIMA (1,1,1). Kedua model tersebut nilai kofisiennya terbukti sangat signifikan (a = 0.02) terutama terdapat pada koefisien AR(l) dan MA(l} [Iihat nilai kofisien yang ada tanda bintang, *]. Jika dilihat pada uji JURNAL EKUBANK, Volume 1 Edisi Maret 2007 http://www.univpancasila.ac.id

39

7/31


keseluruhan varia bel yang digunakan dalam model (uji F) model ARIMA (1,1,1) lebih signifikan daripada model ARIMA (2,1,1). Namun kedua model ARIMA terse but sama-sama mempunyai kelemahan, yaitu jika dilihat berdasarkan kriteria info Akaike (AIC) semuanya tidak dalam kategori terkecil. 5ebagai ukuran ketepatan ramalan pengujian model terse but digunakan Root Mean Squared Error (RMSE), dimana ketepatan ramalannya lebih akurat pada model ARIMA (2,1,1). Hal ini penting dilakukan karena tanpa pengujian ini kita tidak dapat membandingkan seberapa akuratnya diantara model-model yang diestimasi, serta untuk menghindari bias dalam estimasi. Berdasarkan beberapa pertimbangan tersebut maka pilihan untuk estimasi lebih diprioritaskan pada model ARIMA (2,1,1) daripada model ARIMA (1,1,1). Persamaan model ARIMA (2,1,1) dan mode/ ARIMA (1,1,1) ada/ah sebagai berikut: Model ARIMA (2,1,1):

y= 0.666 + 0.739Yt-r

0.128Yt-r

0.654Et_1

... (8)

Model ARIMA (1,1,1):

y= 22.815

+ 0.801Yt-r

0.980Et-1

... (9)

Tahap Diagnostik Tahap ini digunakan untuk mendeteksi apakah secara keseluruhan data ini layak digunakan dalam peramalan. 5ebagai alat ukurnya digunakan nilai dari Q-statistic. Hasil perhitungan menunjukkan bahwa data secara keseluruhan mepunyai ni/ai probabilita 0statistic yang lebih besar daripada derajat kepercayaan a 0.05, hal terse but dapat diartikan bahwa data layak digunakan untuk estimasi model ARIMA.

=

Tahap Peramalan Hasil peramalan berdasarkan estimasi model ARIMA (2,1,1) dapat dilihat pada Gambar 2, sedangkan hasil peramalan berdasarkan estimasi model ARIMA (1,1,1) dapat dilihat pada Gambar 3. sebagai berikut:

Gambar 2. Hasil Peramalan ARIMA (2,1,1)

:: 13000~-

-,

__

---------_ .....---_ ..-._-------_._. __ .

9OOOf-----------i 8000 1000 6000

\. .....~-------

_

-------- .._-----------_.

r:F-orocast-:-:cORP=F05-----,

.

Adual: RP Forecast sample: 2002:01 2007:04 Adjusted sample: 2002:04 2007:04 Induded obseMllion.: 53

9300

9200

9100 Root Mean Squared Error Mean AbSOlute Error Mean Abs. Percent Error Theliinequality CoelIlcient Bias PrcpOllion Variance Proportion Covariance Proportion

444.3735 340.4025 3.708527 0.024483 0.010349 0.780127 0.209524

9000

8900

8800 2002

1-ORPFOS/

40

2003 ,_

JURNALEKUBANK,Volume 1 Edisi Maret 2007 http://www.univpancasila.ac.id

2004

2005

DRPF051

7/31

2006


Gambar 3. Hasil Peramalan ARIMA (1,1,1) 11000

12000

Forecast:

ORPF06

Adual: RP Forecasl sample: 2002:01 2007:04 Adjusled sample: 2002:03 2007:04 Included observatIOns: 54

11500 11000

I

10500 -10000 9500 \,

_---------------'",.~_

~

..-. .........•. 2003

Mesn Abs. Percent Error

12.76581

Theil tnequaMtyCoefficient Bias Proportion VarianceProportion Covariance Proportion

0.062522 0.889538 0.025012 0 085450

Error

10800 10400 10200

9800

9000 2002

MeanAbsoluteError

1210565 1141.7 ••8

Root Mean Squared

10800

2004

2005

2008

2002

2003

2004

2005

2006

I-DRPF061

I-ORPF061

KESIMPULAN Pembentukan model berdasarkan kombinasi beberapa alternatif yang diestimasi, model ARIMA (2,1,1) merupakan model yang paling fit disamping model ARIMA (1,1,1). Ukuran fit tersebut lebih dititikberatkan berdasarkan uji akurasi dan diagnostik. Memang variasi peramalan juga tergantung pada data banyaknya series yang digunakan, namun pebedaan dalam hasil estimasi sangatlah dimungkinkan. Hal ini dikarenakan perbedaan dalam jenis data dan banyaknya series data yang digunakan serta termasuk apakah bentuk data tersebut stasioner atau tidak. Model ARIMA hanyalah salah satu pendekatan dari banyak model dan metode peramalan. Kebutuhan peramalan dalam aplikasi model ARIMA ini adalah untuk alternatif peramalan dalam kurun waktu yang sangat pendek. Mengingat sulitnya meramalkan nilai tukar rupiah secara lebih akurat. Peramalan berdasarkan model ARIMA (2,1,1) nilai tukar rupiah pada bulan Maret tahun 2007 adalah sebesar Rp. 9.250/$1US dan pada bulan April tahun 2007 adalah seb.esar Rp 9.257/$1US. 5edangkan peramalan berdasarkan model ARIMA (1,1,1) nilai tukar rupiah pada bulan Maret tahun 2007 adalah sebesar Rp. 10.961/$lUS dan pada bulan April tahun 2007 adalah sebesar Rp 10.984/$1US. PeramalanARIMA ini masih merupakan peramalan ex-ante, oleh karena itu masih perlu dilakukan pemeriksaan akurasi dengan nilai tukar yang sebenamya (we). Pemeriksaanini juga dapat diketahui seberapa besar melencengnya (misalignment). Jika diperlukan, peramalan model ARIMA ini dibandingkan dengan model peramalan yang lain seperti model multivariat. Sekalius membuktikan bahwa apakah horizon peramalan dalam jangka pendek lebih baik dilakukan dengan current spot rate (Tucker, 1991). SehJnggasebagai alat peramalan dapat diperoleh model yang lebih spesifik baik dalam pemilihan model maupun akurasinya. Jika altematif model yang lain masih tidak dapat dijadikan acuan, maka perlu dicek lagi kenapa peramalan ada ketidakcocokan, apa ada kemungkinan salah konsep, apa ada faktor yang belum diformulasikan atau memang tidak bisa diformulasikan.

DaftarPu5taka Allen, Polly Reynolds. 1997. "The Economic and Policy Implications of t~e NATREXApproach" dalam Jerome L. Stein, Polly Reynolds Allen, dkk, Fundamental Determinants of Exchange Rates, h. 1-37. Oxford: C1aredonPress.


41 7/31


Astuti S.A, Esther S. 2002. Permintaan Uang di Indonesia: Periode 1983:01 - 2001:12. Thesis (tidak dipublikasikan). Program Pascasarjana Ilmu Ekonomi-Universitas Indonesia. Bank Indonesia, berbagai terbitan. Edwards, Sebastian dan Miguel A. savastano, 1999, "Exchange Rates in Emerging Economies: What Do We Know? What Do We Need to Know?", National Bureau of Economic Research, Working Paper 7228. Enders, Walter. 2004. Applied Econometric Time Series. John Wiley & Son, INC. Elbadawi, Ibrahim A. 1994. "Estimating Long-Run Equilibrium Real Exchange Rates", dalam John Williamson, Estimating Equilibrium Exchange Rates, h. 93-132. Washington, D.C.: Institute for International Economics. Franke, G.; R. Olsen; W. Pohlmeier. 2002. Overview of Forecasting Models. Seminar on High Frequency Finance. University of Konstanz Gandolfo, Giancarlo dan Alberto Felettigh. 1998. The NATREX: an Alternative and Empirical Verifications. No. 52, University "La sapienza". Rome.

Approach Theory

Gibson, Heather G. 1996. International Finance: Exchange Rates and Financial Flows in the International System. London and New York: Longman. Hanke, John E., Arthur G. Reitsch dan Dean W. Wichren. Hall. Harris, R. 1. D. 1995. Using Cointegration

1986. Business Forecasting, Prentice

Analysis in Econometric Modelling. Prentice Hall.

Harris, Richard dan Robert Sollis. 2003. Applied Time Series Modelling and Forecasting. John Wiley & Son, INC. Kurniati, Yati, dan A.V. Hardiyanto. 1999. Perilaku Nilai Tukar Rupiah dan Alternatif Perhitungan Nilai Tukar Riil Keseimbangan. Buletin Ekonomi Moneter dan Perbankan. Volume 2. Bank Indonesia. Kusmurtanto, Eko. 2003. Determinan Fundamental Nilai Tukar Riil Rupiah: Pendekatan NATREX. Thesis (tidak dipublikasikan). Program Pascasarjana Ilmu Ekonomi-Universitas Indonesia. Makridakis, S. dan Wheelwright, Sons. New York.

S.c. 1978. Forecasting, Methods and Application.

Mc.Kinnon, Ronald 1. 1979. Money in International New York: Oxford University Press. Montiel,

John Wiley &

Exchange-The Convertible Currency System.

Peter J. 1999. "Determinants of the Long-Run Equilibrium Real Exchange Rate: An Analytical Model" dalam Lawrence E. Hinkle, dan Peter J. Montiel, Exchange Rate Misalignment Concepts and Measurement for Developing Countries, h. 264-290. A World Bank Research Publication. Oxford: University Press.

Mulyono, Sri. 2000. Peramalan Bisnis dan Ekonometrika.

Edisi nertama. BPFE: Yogyakarta.

Pindyck, Robert S and Daniel L. Rubinfeld. 1998. Economet. Fourth edition. Mc.Graw-HiII: Singapore.

:odels and Economic Forecasts.

Rajan, Ramkishen 5., RahuJ Sen dan Reza Siregar. 2000. "Misalignment of tha Baht, Trade Imbalances and the Crisis in Thailand". Centre for International Economic Studies. Discussion Paper, nomor 0045. Rivera-Batiz, Francisco L. dan Louis A. Rivera-Batiz. 1994. International Economy Macroeconomics. Edisi ke dua. New Jersey: Prentice-Hall.

42

JURNALhttp://www.univpancasila.ac.id EKUBANK, Volume 1 Edisi Maret 2007

Finance and Open

7/31

.Peramalan Nilai Tukar Rupiah; Pendekatan ARIMA

Rosenberg, Michael R. 1996. Currency Forecasting: Methods and Models for Predicting Exchange Rate Movements. McGraw-HilI. Tucker, Alan L., Jeff Madura, dan Thomas C. Chiang. 1991. International Publishing Company. Waluyo,

Finandal Market. West

Doddy Budi, dan Benny Siswanto. 1998. Peran Kebijakan Nilai Tukar dalam Era Deregulasi dan Globalisasi. Buletin Ekonomi Moneter dan Perbankan, Volume 1. Bank Indonesia.

Williamson, John. 1994. Estimates of Fundamental Equilibrium Exchange Rates. Dalam John Williamson. Estimating Equilibrium Exchange Rates, h. 177-244, Washington, D.C.: Institute for International Economics . ................. , EViews User's Guide. Edisi ke dua, Quantitative ................. , International

Micro Software .

Financial Statistics. CD-Room. International


Monetary Fund.

43 7/31

~

I'


7/31

Peramalan Nilai Tukar Rupiah; Pendekatan ARIMA

Recommend Documents