BAB I

PENDAHULUAN

1.1 Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder mengenai
tingkat suku bunga deposito (bulanan) negara-negara Asia Tenggara. Asia Tenggara
biasa dipilah dalam dua kelompok: Asia Tenggara Daratan (ATD) dan Asia Tenggara
Maritim (ATM).

• Negara-negara yang termasuk ke dalam ATD adalah

1. Kamboja
2. Laos
3. Myanmar
4. Thailand
5. Vietnam
• Negara-negara yang termasuk ATM adalah
1. Brunei
2. Filipina
3. Indonesia
4. Thailand
5. Singapura
6. Timor Leste
 Gambar Peta Wilayah Asia Tenggara

Dimana yang menjadi objek penelitian ini adalah tingkat suku bunga deposito
negara Filipina dan Thailand dari Januari 1990 sampai dengan Desember 1994.
Data dikumpulkan dari internet melalui situs yang beralamat www.ifs.go.id. IFS
(International Financial Statistic) merupakakan situs penyedia data keuangan
international yang resmi.
Dari data yang diperoleh lewat intenet dipilihlah variabel yang sesuai dan
dibutuhkan dalam penelitian. Data yang diperlukan adalah data tingkat suku bunga
deposito negara Filipina dan Thailand. Sehingga dipisahkanlah data tingkat suku bunga
negara Filipina, dan Thailand dari tahun 1990 bulan Januari sampai dengan 1994 bulan
Desember.

1.2 Definisi Operasional Variabel

Tingkat bunga (Interest) merupakan masalah yang pokok dan selalu menjadi
perhatian dalam bidang ekonomi baik internasional maupun nasional. Tingkat suku
bunga sendiri dibagi menjadi dua yaitu tingkat suku bunga jangka panjang dan tigkat
suku bunga jangka pendek.
Tingkat suku bunga jangka panjang biasanya berlaku dalam pasar surat berharga
seperti saham dan obligasi. Hal ini terlihat dari masa berlakunya yang mencapai 1–5
tahun. Karena masa berlakunya yang lama maka bisa dikatakan tingkat suku bunga ini
tidak menunjukkan keadaan pasar uang suatu negara sebab suku bunganya yang tetap.
Meskipun demikian tingkat suku bunga dalam surat berharga berpengaruh dalam
bergeraknya surat berharga tersebut. Jadi secara tidak langsung
tingkat suku bunga jangka panjang juga mempengaruhi bergeraknya modal yang berarti
juga mempengaruhi pergerakan pasar uang.
Tingkat suku bunga yang kedua adalah tingkat suku bunga jangka pendek. Bentuk
tingkat suku bunga jangka pendek yang paling sering dibicarakan adalah tingkat suku
bunga deposito. Tingkat suku bunga deposito cepat sekali berubah dan sangat sensitif
untuk menyesuaikan pasar keuangan baik dalam negeri maupun luar negeri. Hal ini pula
yang membuat likuiditas dari deposito menjadi tinggi di bandingkan dengan saham atau
obligasi. Tingkat suku bunga jangka pendek kerap dijadikan pedoman dalam mengetahui
keadaan perekonomian suatu negara.
Dalam penelitian ini, variabel yang digunakan adalah tingkat suku bunga
deposito. Dari variabel deposito inilah ingin diketahui model peramalan deret waktu
antara Filipina dan Thailand yang mengikuti model VAR(p).
 BAB II
HASIL ANALISIS DAN PEMBAHASAN

2.1 Statistik Deskriptif

> summary(ASIA)
Filipina Thailand
Min.:10.18 Min.: 9.52
1st Qu.:11.03 1st Qu.:10.37
Median:11.55 Median:10.84
Mean:11.62 Mean:10.78
3rd Qu.:12.32 3rd Qu.:11.27
Max.:13.20 Max.:11.95

Dari output diatas dapat kita lihat bahwa tingkat suku bunga deposito Thailand
lebih rendah dibandingkan Filipina(kondisi perekonomian Thailand lebih baik
dibandingkan Filipina, karena semakin tingginya tingkat suku bunga deposito membuat
para nasabah tertarik untuk menyimpan uangnya dalam bentuk deposito yang akan
digunakan pemerintah sebagai cadangan simpanan negara, sehingga semakin tinggi
tingkat suku bunga deposito menggambarkan kondisi perekonomian negara yanag tak
menentu), hal ini bisa dilihat dari nilai rata-rata, kuartil pertama, median, kuartil ketiga
dan nilai maksimum Filipina yang lebih kecil. Berdasarkan hasil di atas, diperoleh
informasi bahwa tingkat suku bunga deposito bulanan terbesar di Filipina adalah 13.20
sedangkan tingkat suku bunga bulanan terbesar di Thailand adalah 11.95.

> cor(ASIA)
Filipina Thailand
Filipina 1.0000000 0.1081373
Thailand 0.1081373 1.0000000

Dari output diatas dapat kita lihat bahwa besarnya hubungan antara Filipina dan
Thailand adalah sebesar 0.108. Hal ini menunjukkan hubungan tingkat suku bunga
deposito antara Filipina dengan Thailand positif, artinya ketika tingkat suku bunga
deposito Filipina naik, maka tingkat suku bunga Thailand juga naik, meskipun
hubungannya cukup lemah (karena R=0.108 < 0, 5). Hal ini mungkin dikarenakan
Filipina merupakan kepulauan dan Thailand merupakan daratan serta kondisi, dan
kebijakan ekonomi antara dua negara tersebut yang berbeda.
2.2 Plot Data Tingkat Suku Bunga Deposito Filipina dan Thailand
Langkah awal yang baik untuk menganalisis data deret berkala adalah dengan
memetakan nilai data tersebut atas waktu secara grafis. Bentuk visual dari suatu plot deret
berkala seringkali cukup untuk mengetahui apakah data tersebut adalah stasioner atau
tidak. Kestasioneran data merupakan kondisi yang diperlukan dalam analisis data deret
waktu, karena dapat memperkecil kekeliruan model. Selain itu, plot data deret berkala
dapat menelaah keberadaan komponen musiman, ataupun trend.

FILIPINA
13.0
12.5
12.0
11.5
11.0
10.5

0 10 20 30 40 50 60

Grafik Pola Tingkat Suku Bunga Deposito Untuk Negara Filipina

THAILAND
12.0
11.5
11.0
10.5
10.0
9.5

0 10 20 30 40 50 60

Grafik Pola Tingkat Suku Bunga Deposito Untuk Negara Thailand

Plot di atas menunjukkan bahwa :
• Data pada tingkat suku bunga Filipina dan tingkat suku bunga Thailand stasioner
dalam rata-rata dan varians Hal ini ditunjukkan oleh pola trend yang mendatar
(sejajar sumbu waktu) dan tidak membentuk pola melebar.
2.3 Fungsi autokorelasi (ACF) dan PACF
Untuk keperluan pengujian stasioneritas, dapat dilakukan dengan beberapa

metode seperti autocorrelation function (correlogram), uji akar-akar unit dan derajat

integrasi.

Dalam penelitian ini, untuk menguji kestasioneran data, selain melaui plot data

asli digunakan autocorrelation function (correlogram).

Pengujian stasioneritas berdasarkan correlogram merupakan suatu pengujian

sederhana terhadap stasioneritas data adalah dengan menggunakan fungsi koefisien

autokorelasi (autocorrelation function / ACF). Koefisien ini menunjukkan keeratan

hubungan antara nilai variabel yang sama tetapi pada waktu yang berbeda. Correlogram

merupakan peta / grafik dari nilai ACF pada berbagai lag.

Secara matematis rumus koefisien autokorelasi adalah (Sugiharto dan Harijono,

2000:183) :

n −k

∑ (Y t − Y )(Yt −k − Y )
rk = i =1

∑ (Y −Y )
n
2
t
i =1

Untuk menentukan apakah nilai koefisien autokorelasi berbeda secara statistik

dari nol dilakukan sebuah pengujian. Suatu runtun waktu dikatakan stasioner atau

menunjukkan kesalahan random adalah jika koefisien autokorelasi untuk semua lag

secara statistik tidak berbeda signifikan dari nol atau berbeda dari nol hanya untuk

berberapa lag didepan. Untuk itu perlu dihitung kesalahan standard dengan rumus :

serk = 1
n
 Dimana n menunjukkan jumlah observasi. Dengan interval kepercayaan yang

dipilih, maka batas signifikansi koefisien autokorelasi adalah :

± Z α xSerk
2

Suatu koefisien autokorelasi disimpulkan tidak berbeda secara signifikan dari nol

apabila nilainya berada diantara rentang tersebut dan sebaliknya. Apabila koefisien

autokorelasi berada diluar rentang, dapat disimpulkan koefisien tersebut signifikan, yang

berarti ada hubungan signifikan antara nilai suatu variabel dengan nilai variabel itu

sendiri dengan time lag 1 periode.

Tabel Identifikasi Model Time Series: AR(p), MA(q), dan ARMA(p,q)

AR(p) MA(q) ARMA(p,q)

Eksponensial Cut off pada lag Eksponensial menurun
ACF menurun ke-q mulai lag ke-p
Cut off pada lag Eksponensial Eksponensial menurun
PACF ke-p menrun mulai lag ke-q

Series : ASIA[, 1] Series : ASIA[, 1]

0.3
1.0
0.8

0.2
0.6

0.1
Partial ACF
0.4
ACF

0.0
0.2

-0.1
0.0

-0.2
-0.2

0 10 20 30 40 50 0 10 20 30 40 50
Lag Lag

Gambar Korelogram ACF dan PACF Tingkat Suku Bunga Deposito Negara Filipina
 Series : ASIA[, 2] Series : ASIA[, 2]

0.3
1.0
0.8

0.2
0.6

0.1
Partial ACF
0.4
ACF

0.0
0.2

-0.1
0.0

-0.2
-0.2

0 10 20 30 40 50 0 10 20 30 40 50
Lag Lag

Gambar Korelogram ACF dan PACF Tingkat Suku Bunga Deposito Negara Thailand

Berdasarkan korelogram di atas, dapat kita simpulkan bahwa data tingkat suku
bunga deposito Filipina dan Thailand stasioner hal ini dapat dilihat dari nilai-nilai
autokorelasi yang menurun hingga nol sesudah time lag ketiga. Dari plot ACF dan PACF
juga dapat diidentifikasikan bahwa model yang digunakan adalah model autoregresif,
AR. Hal ini dikarenakan bentuk dari plot ACF adalah eksponensial, sedangkan plot
PACF memberikan bentuk cut-off. Ini merupakan cirri dari model autoregresi. Pada plot
PACF, terlihat bahwa cut-off terjadi pertama kali pada lag pertama dan setelah lag-1,
nilai autokorelasi tidak ada yang di luar batas. Maka model yang digunakan untuk negara
Filipina dan Thailand adalah model autoregresi orde satu, AR(1).

2.4 Penaksiran Model AR(1)

Model AR(1) merupakan model time series univariat paling sederhana, karena
menyatakan pengamatan waktu sekarang dipengaruhi pengamatan satu waktu
sebelumnya dan unsur galat.
Model AR(1) dituliskan sebagai:
iid
Z(t) = φ Z(t-1) + e(t) , dengan e(t) ~ N(0,σ 2)
Di mana:
• Z(t) adalah hasil pengamatan ke-t
• t adalah waktu pengamatan
• φ adalah parameter model
• e(t) adalah galat

> ar.yw(ASIA[, 1])$ar

, , 1
[,1]
[1,] 0.2922661
> ar.yw(ASIA[, 2])$ar

, , 1
[,1]
[1,] 0.2872833

Berdasarkan hasil di atas, diperoleh model AR(1) untuk masing-masing negara

sebagai berikut.
Filipina : Zˆ1 (t ) = 0.292 Z (t −1)
Artinya:
Tingkat suku bunga deposito Filipina bulan ini dipengaruhi oleh tingkat suku bunga
deposito 1 bulan sebelumnya, sebesar 29.2%
Thailand : Zˆ 2 (t ) = 0.287 Z (t −1)
Artinya:
Tingkat suku bunga deposito Thailand bulan ini dipengaruhi oleh tingkat suku bunga
deposito 1 bulan sebelumnya, sebesar 28.7%
Menurut Wei, apabila −1 < φ1 < 1 maka model AR(1) stasioner. Dilihat dari
taksiran model diatas maka dapat kita simpulkan bahwa tingkat suku bunga deposito
Filipina dan Thailand stasioner.
Model time series yang dapat dibangun dan baik digunakan untuk peramalan, bisa
lebih dari satu buah. Sehingga untuk menentukan model terbaik bisa didasarkan pada
nilai residu, salah satunya adalah Kriteria Akaike (Akaike’s information criterion,
AIC(M)).
AIC(M) = n ln s2r + 2M
Dengan:
 n = ukuran sampel
s2r = varians residu
M = banyaknya parameter model
Didapat masing-masing besaran AIC sebagi berikut:
> ar.modelFit1$aic
[1] 3.357391 0.000000
> ar.modelFit2$aic
[1] 3.168243 0.000000

Untuk Filipina sebesar 3.357. Sedangkan untuk Thailand sebesar 3.168.

2.5 Analisis Residual

Analisis residual diperlukan untuk menelaah besarnya kekeliruan jika model yang
telah dibangun digunakan sebagai model peramalan. Besaran yang digunakan sebagi
acuan untuk menyimpulkan bahwa model yang dibangun cocok dan baik untuk
peramalan adalah residu.
Berikut ini disajikan QQ-plot serta plot ACF dan PACF residual untuk masing-
masing negara.

Probability Plot of Residu FILI PI NA

Normal - 95% CI
99.9

99

95
90
80
70
Percent

60
50
40
30
20
10
5

0.1
-3 -2 -1 0 1 2 3
Residu FILIPINA

QQ-plot residu untuk Tingkat Suku Bunga Deposito Negara Filipina

Dari grafik QQ plot diatas dapat dilihat bahwa sebaran titik-titik diatas
membentuk pola yang hampir linier, Sehingga dari gambar diatas dapat disimpulkan
bahwa asumsi residu normal untuk data tingkat suku bunga deposito Filipina terpenuhi.
 A R IM A M o d e l D ia g n o s tic s : A S IA [, 1 ]
P lo t o f S ta n d a rd iz e d R e s id u a ls

2
1
0
-1
0 10 20 30 40 50 60

A C F P lo t o f R e s id u a ls
1.0
0.5
ACF
0.0 -1.0

0 5 10 15

P A C F P lo t o f R e s id u a ls
0.3
0.1
PACF
-0.1 -0.3

5 10 15

P -v a lu e s o f L ju n g -B o x C h i-S q u a re d S ta tis tic s

0.15
p-value
0.05
0.0

4 6 8 10 12 14
L ag

A R IM A (1 ,0 ,1 ) M o d e l w ith M e a n 0

Diagnostik Model AR(1) untuk Tingkat Suku Bunga Deposito Negara Filipina

Berdasarkan plot diatas dapat dilihat bahwa residu data tingkat suku bunga Filipina
berdistribusi normal dan independen, karena pada korelogram ACF dan PACF residu
tidak ada yang keluar batas.

Probability Plot of Residu Thailand

Normal - 95% CI
99.9

99

95
90
80
70
Percent

60
50
40
30
20
10
5

0.1
-2 -1 0 1 2
Residu Thailand

QQ-plot residu untuk Tingkat Suku Bunga Deposito Negara Thailand

Dari grafik QQ plot diatas dapat dilihat bahwa sebaran titik-titik diatas membentuk pola
yang hampir linier, Sehingga dari gambar diatas dapat disimpulkan bahwa asumsi residu
normal untuk data tingkat suku bunga deposito Thailand terpenuhi.

A R IM A M o de l D iag n o stic s: A S IA [, 2]
P lo t o f S ta nd a rd iz ed R e s idu a ls

2
1
0
-1
-2

0 10 20 30 40 50 60

A C F P lo t o f R es id ua ls
1.0
0.5
ACF
0.0 -1.0

0 5 10 15

P A C F P lo t o f R e sidu a ls
0.30.1
PACF
-0.1 -0.3

5 10 15

P -v alu e s of L ju ng -B o x C h i-S q u are d S tatistics

0.6
0.4
p-value
0.2 0.0

4 6 8 10 12 14
Lag

A R IM A (1,0,1 ) M od e l w ith M ea n 0

Diagnostik Model AR(1) untuk Tingkat Suku Bunga Deposito Negara Thailand

Berdasarkan plot diatas dapat dilihat bahwa residu data tingkat suku bunga Thailand
berdistribusi normal dan independen, karena pada korelogram ACF dan PACF residu
tidak ada yang keluar batas.
2.6 Time Series Plot Multivariat

TSPlot FILIPINA-THAILAND

14
FILIPINA
THAILAND

13
12
11
%

10
9
8

0 10 20 30 40 50 60

waktu (bulan)

Grafik Pola Tingkat Suku Bunga Deposito Untuk Negara Filipina dan Thailand

Berdasarkan plot di atas, hasil tingkat suku bunga Filipina dan Thailand
berhimpit. Sehingga dapat disimpulkan bahwa secara bersama dua negara tersebut
mempunyai hubungan dan dapat dibangun model VAR untuk kedua kelompok negara
trsebut. Secara bivarit, tingkat suku bunga Filipina dan Thailand bersama-sama telah
stasioner.

2.7 Penakisran Model VAR(1)

Model bivariat VAR(1) dinyatakan sebagai:
z ( 2 x1) (t ) = Φ( 2 x 2 ) z ( 2 x1) (t −1) + e ( 2 x1) (t )

atau dapat dituliskan sebagai berikut:

 z1 (t )   φ11 z1 (t −1) + φ12 z 2 (t −1) + e1 (t ) 
  =  
 z 2 (t )  φ21 z1 (t −1) + φ22 z 2 (t −1) + e2 (t ) 

dengan

 z (t)  φ 12φ iid

z (t) =  1 ,Φ =  , e(t) ~(0, I ) 2 σ
11 2
(2 
21φ 22φ
x2)
 z2 (t) 
 Misalkan vektor bivariat autoregresi {z (t)}={z1(t), z2(t)}' diamati pada t=1,…,
T. Elemen diagonal dari Φ menunjukkan taksiran parameter untuk masing-masing
negara. Sedangkan elemen lainnya merupakan parameter interaksi dua pengamatan.
Berikut ini merupakan matriks taksiran koefesien parameter untuk model VAR(1)
dengan menggunakan metode Momen Yule Walker.

> ar.yw(ASIA)$ar

, , 1
[,1] [,2]
[1,] 0.2833167 0.02752735

, , 2
[,1] [,2]
[1,] 0.1066977 0.2834456

> Matrik.Var$aic
[1] 2.658508 0.000000

Untuk setiap negara dapat dituliskan model VAR dengan interaksi yang
bersesuaian sebagai berikut:
Zˆ 1 (t ) = 0.283 Z 1 (t −1) + 0.028 Z 2 (t −1)
Zˆ (t ) = 0.107 Z (t −1) + 0.283 Z (t −1)
2 1 2

Dengan AIC sebesar 2.658

Artinya:
1. Tingkat suku bunga deposito Filipina bulan ini dipengaruhi oleh Tingkat suku bunga
deposito 1 bulan sebelumnya, dari Filipina sendiri sebesar 28.3% dan dari Thailand
sebesar 0.028%.
2. Tingkat suku bunga deposito Thailand bulan ini dipengaruhi oleh Tingkat suku
bunga deposito 1 bulan sebelumnya, dari Filipina sebesar 10.7% dan dari Thailand
sendiri sebesar 28.3%.

2.8 Kestasioneran Model VAR(1)

Kestasioneran model AR(1) diperoleh melalui xu sebagai solusi persamaan xu-
φ = 0. Karena xu terletak di dalam lingkaran satuan atau xu<1, maka untuk u = 1
didapat syarat kestasioneran, yaitu φ <1.
(Wei,1994, h.339) menyatakan bahwa proses VAR(1) dikatakan stasioner, jika

akar-akar B dari Ι − ΦB = 0 terletak di luar lingkaran satuan.

 Misalkan λ = B −1 , maka didapat Ι − ΦB = 0 ⇔ λΙ − Φ = 0 . Kriteria

Ι − ΦB = 0 bersesuaian dengan mencari nilai eigen Φ . Misalkan λ1 , λ2 ,..., λn adalah

nilai eigen dan h1 , h2 ,..., hn adalah vektor eigen yang bersesuaian dengan Φ , sehingga

Φhi = λi hi untuk i = 1, 2,..., m .

Persamaan Ι − ΦB = 0 memiliki akar-akar B di luar lingkaran satuan jika dan

hanya jika semua nilai eigen λi terletak di dalam lingkaran satuan. Pernyataan tersebut
ekuivalen untuk kestasioneran proses VAR, bahwa jika semua nilai eigen Φ terletak di

dalam lingkaran satuan, maka λi < 1 untuk i = 1, 2,..., m .

Untuk model VAR(1) dengan matriks parameter dari permasalahan diatas
terbentuk persamaan:
z ( 2 x1) (t ) = Φ( 2 x 2 ) z ( 2 x1) (t −1) + e ( 2 x1) (t )

 Z 1 (t )   0.283 0.028  Z 1 (t − 1)   e1 (t ) 
  =   + 
 Z 1 (t )   0.107 0.283  Z 2 (t − 1)   e2 (t ) 

 0.283 0.028 
Dimana Φ( 2 x 2 ) =   diperoleh nilai eigen matriks parameter Φ sebagai
0.107 0.283 

berikut:

> pi1 <- matrix(c(0.2833167, 0.1066977, 0.02752735, 0.2834456), 2, 2)

> pi1
[,1] [,2]
[1,] 0.2833167 0.02752735
[2,] 0.1066977 0.28344560

> eigen(pi1)
$values:
[1] 0.3375763 0.2291860

Karena nilai mutlak eigen dari matriks φ kurang dari satu yaitu x1= 0,338 <1 ,
dan x2= 0,229 <1 maka model VAR(1) dikatakan stasioner.
 BAB III
KESIMPULAN

3.1 Kesimpulan

Berdasarkan hasil analisis yang sudah diperoleh pada bab sebelumnya, maka
diperoleh beberapa kesimpulan berikut:
1) Berdasarkan hasil analisis terhadap data tingkat suku bunga deposito, ternyata
data untuk negara Filipina dan Thailand bersifat stasioner, acak, tidak terdapat
komponen trend, dan tidak terdapat komponen musiman (baik secara univariat,
maupun multivariat). Sehingga bisa disimpulkan bahwa jika Jika data deret waktu
untuk masing-masing variabel stasioner maka model VAR stasioner.

2) Model AR(1) untuk masing-masing negara sebagai berikut.

Filipina : Zˆ1 (t ) = 0.292 Z (t −1)
Artinya:
Tingkat suku bunga deposito Filipina bulan ini dipengaruhi oleh tingkat suku
bunga deposito 1 bulan sebelumnya, sebesar 29.2%
Thailand : Zˆ 2 (t ) = 0.287 Z (t −1)
Artinya:
Tingkat suku bunga deposito Thailand bulan ini dipengaruhi oleh tingkat suku
bunga deposito 1 bulan sebelumnya, sebesar 28.7%.
Sedangkan Model Var(1) untuk interaksi yang bersesuaian antara Filipina dan
Thailand adalah:
Zˆ 1 (t ) = 0.283 Z 1 (t −1) + 0.028 Z 2 (t −1)
Zˆ (t ) = 0.107 Z (t −1) + 0.283 Z (t −1)
2 1 2

Artinya:
1. Tingkat suku bunga deposito Filipina bulan ini dipengaruhi oleh Tingkat suku
bunga deposito 1 bulan sebelumnya, dari Filipina sendiri sebesar 28.3% dan dari
Thailand sebesar 0.028%.
 2. Tingkat suku bunga deposito Thailand bulan ini dipengaruhi oleh Tingkat suku
bunga deposito 1 bulan sebelumnya, dari Filipina sebesar 10.7% dan dari
Thailand sendiri sebesar 28.3%.
3) Jika suatu data deret waktu memiliki model VAR(1), maka masing-masing data
deret waktu tersebut mengikuti model AR(1).
4) Besaran AIC masing-masing negara untuk model AR(1) sebagi berikut:
> ar.modelFit1$aic
[1] 3.357391 0.000000
> ar.modelFit2$aic
[1] 3.168243 0.000000

Untuk Filipina sebesar 3.357. Sedangkan untuk Thailand sebesar 3.168.

Sedangkan besaran AIC negara Filipina dan Thailand untuk model VAR(1)
sebagi berikut:
> Matrik.Var$aic
[1] 2.658508 0.000000
Dengan AIC sebesar 2.658
Karena AIC model VAR(1) lebih kecil dibandingkan dengan nilai AIC model
AR(1) maka untuk data ini model VAR(1) lebih baik digunakan untuk estimasi
dan peramalan dibandingkan model AR(1).
 DAFTAR PUSTAKA

Makridakis, Spyros. 1991. Forcasting. 2th edition. John Willey & Sons, INC.
Mulyana. 2004. Analisis Data Deret Waktu. Bandung : Universitas Padjadjaran FMIPA
Statistika.
Nurani R, Budi. 2007. Pengolahan data dengan S-Plus 2000. Universitas Padjajaran
Bandung.
Nurani R, Budi. 2007. Kestasioneran Model VAR. Universitas Padjajaran Bandung.
Wei William W.S, 1994, Time Series Analysis, Addison Wesley Publishing Company,
Inc.
 LAMPIRAN 1

Data Tingkat Suku Bunga Negara Filipina dan Thailand

Periode Januari 1990 - Desember1995

t Bulan INA MALAY 31 Juli'92 10.34 11.56

1 Januari'90 12.98 11.29 32 Agustus'92 11.57 10.45
2 Februari'90 12.5 11.62 33 September'92 10.34 10.45
3 Maret'90 12.6 11.68 34 Oktober'92 10.97 10.27
4 April'90 13.2 10.72 35 November'92 12.99 9.79
5 Mei'90 12.76 11.53 36 Desember'92 11.57 10.99
6 Juni'90 11.45 10.78 37 Januari'93 11.3 10.84
7 Juli'90 11.78 11.41 38 Februari'93 11.55 10.69
8 Agustus'90 11.03 11.56 39 Maret'93 12.43 10.9
9 September'90 12.11 11.29 40 April'93 12.32 10.3
10 Oktober'90 12.92 11.56 41 Mei'93 11.03 10.03
11 November'90 11.24 10.57 42 Juni'93 11.03 9.73
12 Desember'90 11.71 10.9 43 Juli'93 10.83 11.2
13 Januari'91 11.33 11.56 44 Agustus'93 10.27 10.66
14 Februari'91 12.27 10.27 45 September'93 11.66 11.71
15 Maret'91 11.42 9.73 46 Oktober'93 11.48 11.35
16 April'91 12.16 10.99 47 November'93 12.5 11.11
17 Mei'91 11.56 11.26 48 Desember'93 11.55 9.94
18 Juni'91 11.32 10.84 49 Januari'94 10.47 10.45
19 Juli'91 12.32 10.27 50 Februari'94 10.54 11.71
20 Agustus'91 11.17 11.2 51 Maret'94 10.18 11.95
21 September'91 11.55 10.72 52 April'94 11.89 11.02
22 Oktober'91 12.32 9.85 53 Mei'94 11.26 9.61
23 November'91 10.83 10.93 54 Juni'94 12.5 10.27
24 Desember'91 10.8 9.85 55 Juli'94 12.97 10.99
25 Januari'92 10.65 10.39 56 Agustus'94 11.78 10.63
26 Februari'92 11.96 11.35 57 September'94 10.43 9.79
27 Maret'92 11.48 10.93 58 Oktober'94 11.03 9.52
28 April'92 10.83 10.69 59 November'94 12.5 10.45
29 Mei'92 11.89 10.9 60 Desember'94 12.72 10.96
30 Juni'92 11.33 10.63 Sumber: www.ifs.go.id
 Lampiran 2
Syntak Software S-Plus 2000

ASIA
summary(ASIA)
cor(ASIA)

par(mfrow=c(2,1))
tsplot(ASIA[,1])
title("INA")
tsplot(ASIA[,2])
title("MALAY")

par(mfrow=c(1,1))
tsplot(ASIA[,1],xlim=c(1,60), ylim=c(8,14), xlab="waktu (bulan)",
ylab="%",col=1)
par(new=T)
tsplot(ASIA[,2],xlim=c(1,60), ylim=c(8,14), xlab="waktu (bulan)",
ylab="%",col=2)
par(new=T)
title("TSPlot FILIPINA-THAILAND")
typ.names <- c("INA", "MALAY")
legend(locator(1), legend = typ.names, fill = 1:2)

par(mfrow=c(1,2))
acf(ASIA[,1],lag.max=50,type="correlation")
acf(ASIA[,1],lag.max=50,type="partial")

par(mfrow=c(1,2))
acf(ASIA[,2],lag.max=50,type="correlation")
acf(ASIA[,2],lag.max=50,type="partial")

ar.yw(ASIA[,1])$ar
ar.yw(ASIA[,2])$ar
ar.modelFit1<-ar.yw(ASIA[,1], aic=T, order=1)
ar.modelFit2<-ar.yw(ASIA[,2], aic=T, order=1)
ar.modelFit1$aic
ar.modelFit2$aic

ASIA2.arma<-arima.mle(ASIA[,1],model=list(ar=0,ma=0))
arima.diag(ASIA2.arma)

ASIA3.arma<-arima.mle(ASIA[,2],model=list(ar=0,ma=0))
arima.diag(ASIA3.arma)

Matrik.Var<-ar.yw(ASIA, aic=T, order=1)

Matrik.Var$ar
Matrik.Var$aic

pi1<-matrix(c(0.2833167,0.1066977,0.02752735,0.2834456),2,2)
pi1
eigen(pi1)
 MODEL VAR(1)

TINGKAT SUKU BUNGA DEPOSITO FILIPINA DAN THAILAND

Diajukan untuk memenuhi salah satu tugas mata kuliah Analisis Data Deret Waktu

Disusun oleh :

Edmira Rivani

140720070041

MAGISTER STATISTIKA TERAPAN

PROGRAM PASCA SARJANA

UNIVERSITAS PADJADJARAN

2009