PEMODELAN DATA DERET WAKTU MENGGUNAKAN MIXTURE AUTOREGRESSIVE (MAR) (Penerapan Pada Data Indeks Harga Saham Gabungan)

Abstract

Model deret waktu ARIMA yang digunakan untuk memodelkan data di bidang ekonomi sering menghasilkan ragam yang tidak homogen (heteroskedastisitas). Salah satu model deret waktu yang dapat memodelkan karakteristik data heteroskedastis dan multimodal adalah model Mixture Autoregressive (MAR). Model MAR (2; p_1,p_2 ) merupakan model alternatif yang paling sederhana dari model MAR (K;p_1,p_2 ). MAR (2;p_1,p_2 ) dapat memodelkan data deret waktu dengan memecah model tersebut menjadi dua komponen model AR yang berdistribusi normal, yaitu model AR berorde p_1 dan p_2 dengan proporsi tertentu pada masing-masing komponen. Pendugaan parameter model MAR dilakukan dengan pendekatan algoritma Expectation Maximization (EM). Tujuan dari penelitian ini adalah untuk membuat model MAR (2;p_1,p_2 ) pada data deret waktu dan meramalkan enam periode ke depan data deret waktu tersebut. Data yang digunakan dalam penelitian ini adalah data IHSG bulanan dari Juli 1997 sampai dengan September 2009. Hasil analisis menunjukkan bahwa data IHSG menghasilkan model MAR (2;1,1) dan hasil ramalan menunjukkan bahwa data IHSG selama lima periode ke depan mengalami kenaikan.