Professional Documents
Culture Documents
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).
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.
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
THAILAND
12.0
11.5
11.0
10.5
10.0
9.5
0 10 20 30 40 50 60
metode seperti autocorrelation function (correlogram), uji akar-akar unit dan derajat
integrasi.
Dalam penelitian ini, untuk menguji kestasioneran data, selain melaui plot data
hubungan antara nilai variabel yang sama tetapi pada waktu yang berbeda. Correlogram
2000:183) :
n −k
∑ (Y t − Y )(Yt −k − Y )
rk = i =1
∑ (Y −Y )
n
2
t
i =1
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
± 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
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).
, , 1
[,1]
[1,] 0.2922661
> ar.yw(ASIA[, 2])$ar
, , 1
[,1]
[1,] 0.2872833
99
95
90
80
70
Percent
60
50
40
30
20
10
5
0.1
-3 -2 -1 0 1 2 3
Residu 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
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.
99
95
90
80
70
Percent
60
50
40
30
20
10
5
0.1
-2 -1 0 1 2
Residu Thailand
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
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.
dengan
> 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
nilai eigen dan h1 , h2 ,..., hn adalah vektor eigen yang bersesuaian dengan Φ , sehingga
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
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:
> eigen(pi1)
$values:
[1] 0.3375763 0.2291860
Karena nilai mutlak eigen dari matriks φ kurang dari satu yaitu x1= 0,338 <1 ,
dan x2= 0,229 <1 maka model VAR(1) dikatakan stasioner.
BAB III
KESIMPULAN
3.1 Kesimpulan
Berdasarkan hasil analisis yang sudah diperoleh pada bab sebelumnya, maka
diperoleh beberapa kesimpulan berikut:
1) Berdasarkan hasil analisis terhadap data tingkat suku bunga deposito, ternyata
data untuk negara Filipina dan Thailand bersifat stasioner, acak, tidak terdapat
komponen trend, dan tidak terdapat komponen musiman (baik secara univariat,
maupun multivariat). Sehingga bisa disimpulkan bahwa jika Jika data deret waktu
untuk masing-masing variabel stasioner maka model VAR stasioner.
Artinya:
1. Tingkat suku bunga deposito Filipina bulan ini dipengaruhi oleh Tingkat suku
bunga deposito 1 bulan sebelumnya, dari Filipina sendiri sebesar 28.3% dan dari
Thailand sebesar 0.028%.
2. Tingkat suku bunga deposito Thailand bulan ini dipengaruhi oleh Tingkat suku
bunga deposito 1 bulan sebelumnya, dari Filipina sebesar 10.7% dan dari
Thailand sendiri sebesar 28.3%.
3) Jika suatu data deret waktu memiliki model VAR(1), maka masing-masing data
deret waktu tersebut mengikuti model AR(1).
4) Besaran AIC masing-masing negara untuk model AR(1) sebagi berikut:
> ar.modelFit1$aic
[1] 3.357391 0.000000
> ar.modelFit2$aic
[1] 3.168243 0.000000
Makridakis, Spyros. 1991. Forcasting. 2th edition. John Willey & Sons, INC.
Mulyana. 2004. Analisis Data Deret Waktu. Bandung : Universitas Padjadjaran FMIPA
Statistika.
Nurani R, Budi. 2007. Pengolahan data dengan S-Plus 2000. Universitas Padjajaran
Bandung.
Nurani R, Budi. 2007. Kestasioneran Model VAR. Universitas Padjajaran Bandung.
Wei William W.S, 1994, Time Series Analysis, Addison Wesley Publishing Company,
Inc.
LAMPIRAN 1
ASIA
summary(ASIA)
cor(ASIA)
par(mfrow=c(2,1))
tsplot(ASIA[,1])
title("INA")
tsplot(ASIA[,2])
title("MALAY")
par(mfrow=c(1,1))
tsplot(ASIA[,1],xlim=c(1,60), ylim=c(8,14), xlab="waktu (bulan)",
ylab="%",col=1)
par(new=T)
tsplot(ASIA[,2],xlim=c(1,60), ylim=c(8,14), xlab="waktu (bulan)",
ylab="%",col=2)
par(new=T)
title("TSPlot FILIPINA-THAILAND")
typ.names <- c("INA", "MALAY")
legend(locator(1), legend = typ.names, fill = 1:2)
par(mfrow=c(1,2))
acf(ASIA[,1],lag.max=50,type="correlation")
acf(ASIA[,1],lag.max=50,type="partial")
par(mfrow=c(1,2))
acf(ASIA[,2],lag.max=50,type="correlation")
acf(ASIA[,2],lag.max=50,type="partial")
ar.yw(ASIA[,1])$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)
pi1<-matrix(c(0.2833167,0.1066977,0.02752735,0.2834456),2,2)
pi1
eigen(pi1)
MODEL VAR(1)
Diajukan untuk memenuhi salah satu tugas mata kuliah Analisis Data Deret Waktu
Disusun oleh :
Edmira Rivani
140720070041
UNIVERSITAS PADJADJARAN
2009