ESTIMASI PARAMETER BOOTSTRAP PADA PROSES ARMA DAN APLIKASINYA PADA HARGA SAHAM

Yuliyanti Karomah; Putriaji Hendikawati

doi:10.15294/ujm.v3i2.4343

Efron, B. & Tibshirani, R. J. 1993. An Introduction Bootstrap. CRC press LCC: Washington D. C.

Mulyana, D. 2011. Analisis Likuiditas Saham serta Pengaruhnya terhadap Harga Saham pada Perusahaan yang Berada pada Indeks LQ45 di Bursa Efek Indonesia. Jurnal Magister Manajemen, 4(1): 77-96.

Rosadi, D. 2009. Pengantar Analisa Data Runtun Waktu Dengan Eviews 4.0 : Yogyakarta.

Shao, J. & Tu, D. 1995. The Jacknife and Bootstrap. New York: Springer.

Soejoeti, Z. 1987. Materi Pokok Analisis Runtun Waktu. Karunika: Jakarta.

Wei, W.W.S. 1994. Time Series Analysis: Univariate and Multivariate Methods.United State of America: Addison-Wesley Publishing Company.

Abstract viewed - 847 times
PDF downloaded - 1608 times

Affiliations

Yuliyanti Karomah
Semarang State University

Putriaji Hendikawati
Semarang State University

Content Top

ESTIMASI PARAMETER BOOTSTRAP PADA PROSES ARMA DAN APLIKASINYA PADA HARGA SAHAM

Yuliyanti Karomah ,
Putriaji Hendikawati

Vol 3 No 2 (2014)

DOI 10.15294/ujm.v3i2.4343

Submitted: Nov 25, 2014

Published: Nov 16, 2014

Abstract

Peramalan adalah salah satu cara yang dapat digunakan untuk memperkirakan harga saham waktu mendatang. Agar sebuah peramalan memberikan hasil yang akurat diperlukan residual yang white noise dan berdistribusi normal.Namun kadangkala data tidak memenuhi asumsi-asumsi dalam analisis statistik klasik. Untuk mengatasi masalah tersebut diperlukan suatu pendekatan non parametrik yang bebas asumsi, salah satunya adalah metode bootstrap.Tujuan dari penelitian ini adalah mengetahui cara mengestimasi parameter bootstrap pada proses ARMA serta membandingkannya dengan model ARMA.Estimasi parameter dalam penelitian ini adalah dengan menggunakan program R. Cara yang digunakan untuk mengestimasi adalah dengan melakukan pemusatan pada data,mengestimasi berdasarkan model ARMA, mencari dan meresampling residual untuk mendapatkan nilai data bootstrap serta melakukanÂ pemusatan kedua dari data bootstrap yang diperoleh agar data lebih stasioner, dari data baru tersebut dicariestimasi parameter berdasarkan model ARMA. Berdasarkan hasil penelitian kedua metode yaitu ARMA maupun bootstrap pada proses ARMA diperoleh hasil yang signifikan. Namun jika dilihat dari nilai , log likelihood, dan AIC nya, diperoleh estimasi parameter bootstrap ARMA lebih baik. Hal ini akan berdampak untuk hasil peramalan data saham AALI.JK dimana hasil peramalan bootstrap pada proses ARMA cenderung lebih mendekati data asli jika dibanding model ARMA.