ANALITIK DATA DAN MATEMATIKA TERAPAN (DAAM)

e-ISSN: 2773-4854
VOL. 2, EDISI 1, 038 – 051
DOI: https://doi.org/10.15282/daam.v2i1.6837

ARTIKEL ASLI

Meramalkan suku bunga antarbank syariah semalam Malaysia menggunakan model Box-Jenkins
NSM Radzi1 dan SR Yaziz1,*
1Pusat Ilmu Matematika, Sekolah Tinggi Ilmu Komputasi dan Terapan, Universiti Malaysia Pahang, Lebuhraya Tun Razak, 26300 Gambang, Kuantan, Pahang, Malaysia.

SEJARAH PASAL
ABSTRAK – Pemodelan suku bunga antar bank syariah semalam (IIR) sangat penting untuk menentukan kinerja IIR karena Diterima: 02/06/2021
akan membantu bank syariah untuk menyesuaikan biaya pendanaannya secara efektif dan memfasilitasi para pengambil Revisi: 15/06/2021
kebijakan untuk mengatur kebijakan moneter yang komprehensif di Malaysia. Kerangka kerja IIR yang telah diatur oleh Bank Diterima: 29/06/201
Negara Malaysia berdasarkan sistem perbankan dan keuangan ganda selalu diabaikan dalam sebagian besar penelitian
sebelumnya dalam memodelkan suku bunga instrumen keuangan. KATA KUNCI

Oleh karena itu, sangat penting untuk memilih model yang sesuai dengan fitur IIR. Studi ini menilai kinerja peramalan IIR Kotak-Jenkins
ARIMA
semalam menggunakan model Box-Jenkins. Model Box-Jenkins yang disarankan telah diterapkan pada IIR semalam
Semalam IIR
Malaysia (dalam persentase) dari 01/02/2001 hingga 31/12/2020. Hasil empiris menentukan bahwa ARIMA (0,1,1)
merupakan model yang paling tepat dalam peramalan IIR overnight karena model tersebut memberikan Mean Absolute
Error (MAE), Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE) terkecil. . Dalam peramalan
multilangkah ke depan, dapat disimpulkan bahwa model ARIMA (0,1,1) mampu menelusuri tren data aktual IIR semalam
Malaysia harian hingga 5 hari ke depan dalam interval prediksi 95%.

PERKENALAN
Di Malaysia, sistem perbankan dan keuangan ganda telah diterapkan secara bersamaan sejak tahun 1963 yang terdiri dari sistem perbankan Islam dan konvensional.
Dalam sistem perbankan syariah, kerangka Overnight Policy Rate (OPR) memberikan pengaruh yang signifikan terhadap suku bunga Pasar Uang Antarbank Islam (IIMM)
atau disebut dengan Islamic Interbank Rate (IIR).
Menurut IIMM di situs resminya, IIR dikenal sebagai rata-rata tertimbang tingkat investasi antar bank Mudharabah dalam sehari di IIMM di Kuala Lumpur, yang masing-
masing tingkat ditimbang sesuai dengan volume transaksi pada tingkat tersebut. IIR telah diakui kepatuhannya terhadap prinsip Syariah untuk memastikan lembaga
keuangan Islam dan konvensional melakukan transaksi surplus dan defisit dana sesuai dengan Hukum Islam. Segala saran dan persetujuan mengenai tata kelola,
metodologi dan perhitungan IIR dilakukan oleh dua komite independen yaitu Islamic Benchmark Committee dan Shariah Committee [1].

Dalam studi ini, suku bunga PUAB syariah overnight Malaysia dicatat setiap hari selama bulan Januari 2001 hingga Desember 2020. Analisis time series pada
time series IIR overnight dilakukan untuk menggambarkan komponen-komponennya dalam hal kinerja tren, siklus, musiman dan tingkat volatilitas terhadap suku
bunga PUAB syariah overnight Malaysia. memberikan analisis peramalan yang tepat [2].
Oleh karena itu, memahami pola data IIR sangat penting bagi Bank Negara Malaysia (BNM) untuk memastikan apakah tekanan pada suku bunga timbul dari
permintaan, pasokan atau elemen eksternal lainnya dan apakah intervensi pemerintah diperlukan untuk menurunkan suku bunga khususnya pada tahun 2018. pasar
uang.
Kini, Malaysia dengan penuh perhatian membendung wabah COVID-19 dan pemerintah telah mengambil beberapa langkah untuk mengakomodasi kebijakan
moneter dengan memotong OPR untuk menghidupkan kembali perekonomian. Kelonggaran yang lebih besar dalam kebijakan moneter yang diberikan selama masa
pembendungan COVID-19 akan melindungi pendapatan masyarakat serta memastikan bisnis tetap bertahan. Namun terdapat
kekhawatiran yang muncul terhadap tingkat profitabilitas perbankan karena bank memperoleh pendapatan bunga atau keuntungan yang lebih rendah pada periode ini.
Dengan mengevaluasi dan memperkirakan kinerja IIR, hal ini mengingatkan bank untuk membuat strategi di awal sehingga mereka dapat mengendalikan biaya
pendanaan dengan baik dan mengenakan suku bunga dasar dan simpanan yang tepat untuk memastikan mereka tetap memperoleh keuntungan.
Oleh karena itu, kebutuhan untuk menyediakan model yang tepat yang dapat memprediksi pola IIR Malaysia di masa depan sangat penting dalam penelitian ini.
Perlu diperhatikan bahwa sifat data IIR adalah data deret waktu keuangan univariat. Salah satu metode deret waktu yang terkenal dalam berbagai praktik penelitian
adalah model Box-Jenkins [3]. Model Box-Jenkins biasanya diterapkan dalam praktik penelitian yang berkaitan dengan tingkat suku bunga suatu negara baik sebagai
peramalan, acuan, maupun sebagai model terintegrasi [4-7]. Secara umum, penelitian-penelitian sebelumnya berfokus pada peramalan tingkat suku bunga domestik atau
konvensional suatu negara, tanpa secara khusus berfokus pada suku bunga antar bank syariah. Oleh karena itu, dengan melihat sudut pandang ini dan mempersempit
kesenjangan, permasalahan utama dalam penelitian ini adalah membangun model peramalan kinerja IIR Malaysia menggunakan model Box-Jenkins. Salah satu masalah
yang terkait dengan model Box-Jenkins adalah perlengkapannya yang melibatkan perkiraan satu langkah ke depan, yang tidak terlalu berdampak pada data nyata karena
keterbatasan periode perkiraan. Oleh karena itu, permasalahan selanjutnya yang dibahas dalam penelitian ini adalah mengevaluasi peramalan multistep forward pada data
IIR menggunakan model Box- Jenkins. Oleh karena itu, penelitian ini mengusulkan peramalan ekstensif IIR semalam Malaysia menggunakan model Box-Jenkins.

*PENULIS SESUAI | SR Yaziz | ÿ roslindar@ump.edu.my © Penulis 2019. Diterbitkan 38

oleh Universiti Malaysia Pahang Publishing. Ini adalah artikel akses terbuka di bawah lisensi CC BY.
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 1 (2021)

TINJAUAN LITERATUR

Kajian data ekonomi dan keuangan untuk tujuan pemodelan dan peramalan dengan menggunakan model Box-Jenkins didukung
oleh banyak peneliti. Beberapa penelitian terbaru dirinci pada Tabel 1.

Tabel 1. Studi terpilih di bidang ekonomi dan keuangan menggunakan model Box-Jenkins.
Peneliti Data
Mallick dan • Data bulanan mengenai tingkat
Mishra, 2019
suku bunga yang berbeda di India
(surat perbendaharaan hingga 14
hari/15-91 hari/92-182 hari/183-
364 hari, hubungi tingkat uang,
1 tahun/2- tahun/4 tahun/5
tahun/10- tahun/15 tahun
keamanan bertanggal
pemerintah)
• Data selama 219 bulan
(Jan 2000 hingga Maret
2018)
Rossetti dkk., • Harian tahunan dalam semalam
2017 suku bunga antar bank
dari 11 negara
• Data Jan 2000 - Des
2011 (untuk 252 pekerja hari)
• Brasil, India, Rusia,
Cina, Selatan, Afrika,
Argentina, Chili,
Metode/Prosedur Model
• Teknik reduksi variabel: PCA
Autoregresif Pergerakan
• Statistik deskriptif (mean, varians, skewness,
Terintegrasi Rata-rata
kurtosis, Uji JB dan analisis korelasi
(ARIMA)
• Uji stasioneritas dan musiman: x2 kebaikan-of-
uji kecocokan, uji ADF, PP, KPSS
• Estimasi parameter: AIC, BIC, OLS, MLE
• Peramalan: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 dan 13
langkah ke depan, RMSE, MSE, MAPE,
RMSE/Deviasi Standar
• Pemilihan periode stres: metode rata-rata bergulir pada
indeks volatilitas India (VIX)
ARIMA-ARCH, • Seri perilaku dan statistik deskriptif
(kurtosis, skewness dan distribusi)
ARIMA-GARCH,
• Uji normalitas : Uji JB
ARIMA-
• Uji stasioneritas: Uji ADF, Uji KPSS
EGARCH,
ARIMA- • Semua data dibedah satu kali, kecuali Arica Selatan,
berbeda dua kali
TGARCH,
ARIMA- • Estimasi parameter: BIC, HQ, AIC, standar
PGARCH kesalahan

Meksiko, AS, Jepang, • Uji diagnostik : ARCH-LM, normal, distribusi t

Jerman
• Tarif KIBOR 6 bulan • Tidak ada diskusi pada bagian peramalan
Ahmed dkk., • Data periode tahun 2012 • Analisis grafis, analisis deskriptif
ARMA, ARIMA
2017 – 2015 • Uji stasioneritas: Uji ADF, perbedaan pertama
• 927 observasi • Estimasi parameter: Durbin Watson, AIC, SIC,
Kriteria HQ, kemungkinan log
• Iklan bulanan • Peramalan: 1 langkah, RMSE, MAE, MAPE, TIC
Omekara dkk., data suku bunga bank • Identifikasi model: Uji Diferensiasi & ADF
ARIMA,
2016 pada deposito berjangka di • Estimasi parameter: MLE, AIC
Intervensi
Nigeria • Pemeriksaan diagnostik: ACF, PACF
ARIMA, Negara
• Data tahun 2005 – 2015
Ruang angkasa
• Perkiraan: Hingga 12 langkah ke depan, RMSE
• Dalam sampel: 2005 – 2014 • Intervensi ARIMA : Tiba-tiba / Permanen
• Di luar sampel: 2015 perubahan – durasi dan sifat dampak pengamatan
Gough et al., • Bulanan dan mingguan
Waktu diskrit • Uji stasioneritas: Perbedaan pertama, standar
2014 Suku bunga Inggris, Jerman, penyimpangan, Tes ADF, Tes PP, KPSS
ARMA,
Jepang dan Amerika • Estimasi parameter: Model diskrit, Gaussian
ARFIMA
• Data Inggris: 15, 20 dan 25- fungsi kemungkinan, MLE, AIC, BIC
tahun imbal hasil Treasury • Peramalan: prakiraan 1 langkah ke depan, rata-rata dan varian
menyebar relatif terhadap 1- kesalahan perkiraan, MAPE, RMSE,
hasil bulan CDIR, penerapan Vasicek dan Merton Model
• Analisis rasio keuangan – dasar analisis kesenjangan
Dinh, 2020 • Tahunan Vietnam dan
(rasio kredit –terhadap PDB)
pertumbuhan kredit Tiongkok ARIMA • Pemulusan tren dan musiman-eksponensial
ke Domestik Bruto Produk
• Identifikasi model: Diagram korelasi, the
(PDB) ketergantungan linier dari nilai jeda waktu, acak
• Data periode 1996 kesalahan
– 2017
• Uji stasioneritas: beda 3 derajat
• 44 observasi
• Estimasi parameter: R-squared, BIC, RMSE
• Di luar sampel: PDB • Perkiraan: Hingga 5 langkah ke depan, RMSE
rasio tahun 2018
• Ko-Integrasi Johansen, model Koreksi Kesalahan

39 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 1 (2021)

Tabel 1. Studi terpilih di bidang ekonomi dan keuangan menggunakan model Box-Jenkins (lanjutan).
Metode/Prosedur Peneliti Data Model
Nyoni, 2019 • Tahunan India Pertukaran • Statistik deskriptif: mean, median, maksimum,
ARIMA
rupee/USD minimum, standar deviasi, skewness, kurtosis
kecepatan
• Uji stasioneritas: grafis, ADF, perbedaan pertama
• Data 1960 – 2017 • Identifikasi model: model jalan acak
• Perkiraan di luar sampel: • Estimasi parameter dan pemeriksaan diagnostik: AIC,
2018 – 2027 Uji ADF, uji stabilitas
• Perkiraan: 1 & 10 langkah ke depan, ME, MAE, RMSE,
MAPE, Statistik Theil's U
Nyoni, 2018 • Naira/USD Tahunan • Statistik deskriptif: mean, median, maksimum,
ARIMA
nilai tukar masuk Nigeria minimum, standar deviasi, skewness, kurtosis
• Data untuk periode 1960 • Uji stasioneritas: grafis, ADF, perbedaan pertama
– 2017 • Identifikasi model: plot ACF, PACF
• 57 observasi • Estimasi parameter dan pemeriksaan diagnostik: AIC,
• Perkiraan di luar sampel: sisa korelogram dan Uji ADF
2018 – 2022 • Perkiraan: 1 & 5 langkah ke depan, MSE, RMSE, MAE,
MPE, MAPE, Theil's U, Keyakinan Ellipse
Yildiran dan • Sehari-hari Nilai tukar • Statistik deskriptif: minimum, Q1, median, mean, Q3,
ARIMA
Fettahoglu, USDTRY di Turki maksimum, plot deret waktu
2017 • Data 1/3/2005- 3/8/2017 • Uji stasioneritas: pengujian hipotesis, perbedaan
• Pemeriksaan diagnostik: Tes ADF
• 3.069 observasi • Perkiraan: 1, 6 & 12 langkah ke depan, berarti absolut,
deviasi absolut rata-rata

Ada banyak model perkiraan dalam menangani data suku bunga atau suku bunga antar bank seperti model ruang negara [7-
8], model Cox-Ingersoll-Ross [9-10] dan model Nelson-Siegel [5] dan [11]. Model tiga faktor Nelson-Siegel banyak dipraktikkan oleh bank sentral dan
pembuat kebijakan moneter karena kinerjanya yang luar biasa, namun model ini menyebabkan banyak masalah estimasi karena hasil non-liniernya yang
ekstrim [5] dan [12]. Meskipun model-model ini mencapai efek tertentu dalam pemodelan dan peramalan data suku bunga atau suku bunga antar bank,
banyak penelitian dalam beberapa tahun terakhir menerapkan model Box-Jenkins karena kinerjanya yang baik dalam menandakan berbagai kemungkinan
model yang perlu dipertimbangkan untuk memberikan wawasan yang memadai terhadap rangkaian model tersebut. [4], [6], [7] dan [13]. Oleh karena itu,
penelitian ini mengusulkan model univariat dan mengevaluasi kinerja peramalan multilangkah ke depan dari data IIR semalam Malaysia menggunakan
model Box-Jenkins dengan menggunakan metode Estimasi
Kemungkinan Maksimum (MLE) untuk mendapatkan estimasi parameter yang lebih kuat sebagaimana diuraikan lebih lanjut pada bab berikutnya.

METODOLOGI
Bab ini secara teoritis menjelaskan konsep dan metodologi yang digunakan dalam penelitian untuk mengembangkan univariat model
peramalan untuk data IIR semalam Malaysia.

Model Kotak Jenkins

Model Box-Jenkins terdiri dari lima jenis model yang terbagi dalam dua kategori yaitu model stasioner dan model nonstasioner [14].
Stasioneritas dalam model deret waktu melibatkan kelas khusus proses stokastik yang berpusat pada asumsi bahwa proses tersebut tetap berada
dalam keadaan keseimbangan statistik. Model dikatakan stasioner bila sifat probabilistiknya tidak menunjukkan adanya tren atau kemusiman dan
model telah mencapai mean dan varians yang konstan [14].

Oleh karena itu model stasioner terdiri dari tiga model yaitu autoregressive (AR), moving average (MA) dan autoregressive moving average
(ARMA). Sedangkan model nonstasioner terdiri dari dua model yaitu rata-rata pergerakan terintegrasi autoregresif (ARIMA) dan rata-rata
pergerakan terintegrasi autoregresif musiman (SARIMA). Model stasioner (AR, MA, dan ARMA) akan diterapkan pada data deret waktu yang
memiliki perilaku in-mean dan in-varian yang stasioner serta tidak menunjukkan pola musiman apa pun dalam deret tersebut. Jika tidak, model
nonstasioner akan diterapkan pada pemodelan data deret waktu yang menunjukkan beberapa tren (ARIMA) atau kemusiman (SARIMA) dalam deret
tersebut.
Model AR terkait dengan nilai dari deret waktu yang telah mengalami kemunduran pada nilai-nilai sebelumnya
ÿ ÿ1 , ÿ2, … , ÿ ÿ dari deret waktu yang sama. Secara umum model AR (p) didefinisikan oleh Persamaan 1,
=+ 1 ÿ1 + ÿ2 +ÿ+2 -
+ , | | < 1, = 1,2, … , di (1)
mana dan adalah nilai pengamatan dan kesalahan acak pada waktu t, ÿ1, ÿ2, … , ÿ orde adalah prediktor hingga lag p, p
autoregresi, = ÿ1 ÿ parameter. Model -
12 ÿ ÿ ÿ ÿ adalah konstanta dan
1, 2, …, adalah p orde autoregresif
AR (p) menggunakan nilai masa lalu dari variabel perkiraan dalam regresi.
Model MA menggunakan kesalahan perkiraan masa laluÿ ÿ1, ÿ2, … , ÿ ÿ dalam model mirip regresi. Model orde MA (q) q
diberikan oleh Persamaan 2,
=+ÿ -
ÿ, ÿ < 1, = 1,2, … , (2)
ÿÿÿ

1 ÿ1 2 ÿ2

40 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 1 (2021)

dimana dan adalah nilai observasi dan kesalahan acak pada waktu t, µ adalah mean dari model MA, MA (q) parameter
1, 2, …, adalah
orde q dan ARMA dengan model orde
ÿ1, ÿ2, …, ÿ adalah prediktor kesalahan hingga lag q (nilai sebelumnya).
p dan q adalah kombinasi antara AR (p) dan MA ( q) model. Model ARMA (p,q) ÿ ÿ ÿ ÿ.
-
diberikan oleh Persamaan 3, dimana = ÿ1 ÿ 1 2
=+ + +ÿ+2 +ÿ
-
1 ÿ1 ÿ2 (3)
ÿÿÿ

- 1 ÿ1 2 ÿ2 -

Rata-rata pergerakan terintegrasi autoregresif orde p dan q dengan orde diferensiasi d ditulis sebagai model ARIMA (p,d,q) . Model ARIMA
(p,d,q) menggunakan operator backshift diberikan oleh Persamaan 4, ( )(1 ÿ ) = ( ) ÿ < 1, = 1,2, … ,
(4)
ÿ untuk || d<a1n, ÿ= 01,d2a, n…ÿ ,= (1 ÿ ); ddai nmana dan adalah nilai yang
diamati
dan kesalahan acak pada waktu t, p dan q masing-masing adalah orde model AR dan MA, d adalah orde pembedaan, B
adalah operator backshift dan yang mana ( ) = 1 ÿ ÿ=1 untuk model AR dan ( ) = 1 ÿ ÿ untuk model MA.
=1

Rata-rata pergerakan terintegrasi autoregresif musiman, model SARIMA (p,d,q)(P,D,Q)S merupakan perpanjangan dari ARIMA
model untuk menangani tren musiman data deret waktu. Persamaan model SARIMA diberikan oleh Persamaan 5, ÿ ( ) ( )(1 ÿ ) (1
ÿ ) = ÿ ( ) ( ) dimana dan adalah nilai pengamatan dan kesalahan
(5)
acak pada waktu t, ÿ ( ) dan ( ) adalah AR untuk musiman dan nonmusiman, (1 ÿ ) dan (1 ÿ ) adalah operator selisih untuk musiman dan
nonmusiman, ÿ ( ) dan ( ) adalah MA untuk musiman dan nonmusiman, p, d dan q adalah ordo untuk nonmusiman Istilah AR, perbedaan dan istilah MA
masing-masing. Kemudian, P, D , dan Q masing-masing merupakan orde dari suku AR musiman, suku diferensiasi, dan suku MA. S mengacu pada jumlah
langkah waktu untuk satu periode musiman. Perhatikan bahwa, kesalahan acak, untuk semua persamaan di atas diasumsikan sebagai barisan independen
yang terdistribusi identik (iid) yang diambil dari distribusi kontinu dengan mean nol yang dapat
dinotasikan sebagai ~ (0, 2). dan varians konstan
2

Tahapan dalam pemodelan dan peramalan menggunakan model Box-Jenkins

Pemodelan Box-Jenkins mencakup prosedur berulang empat tahap deret waktu yaitu identifikasi model, estimasi parameter,
pemeriksaan diagnostik, dan terakhir peramalan. Prosedur pemodelan Box-Jenkins telah divisualisasikan secara grafis pada
Gambar 1 dimana Box-Jenkins disingkat BJ. Sementara itu, validasi silang deret waktu diterapkan
pada data IIR semalam Malaysia dengan menggunakan rasio estimasi terhadap perkiraan yang khas yaitu 90 berbanding 10 [15].

Gambar 1. Prosedur pemodelan yang diusulkan menggunakan model Box-Jenkins.

41 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 1 (2021)

Tahap I: Identifikasi model

Langkah pertama dalam identifikasi model melibatkan transformasi dan pembedaan data. Transformasi Box-Cox digunakan untuk
stasioner data in-varian. Plot fungsi autokorelasi (ACF) dan ACF parsial (PACF) dari data dalam sampel digunakan sebagai alat dasar
dalam memeriksa stasioneritas rata-rata serta dalam mengidentifikasi urutan model deret waktu. Plot ACF mencerminkan hubungan
linier antara observasi deret waktu yang dipisahkan oleh lag k dan mewakili orde q untuk model MA, sedangkan plot PACF mewakili
orde p untuk model AR.
Kemudian, data dalam sampel dibedakan untuk mencapai rata-rata yang stasioner. Uji unit-root yang dikenal dengan uji Augmented
Dickey-Fuller (ADF) digunakan untuk membuktikan stasioneritas data deret waktu yang berbeda. Hipotesis nol dari uji ADF adalah data
deret waktu memiliki mean nonstasioner. Tsay dan Tiao (1984) menyarankan pendekatan baru dengan menggunakan fungsi autokorelasi
yang diperluas (EACF) untuk menentukan orde p dan q . Keluaran EACF berupa tabel dua arah yang baris-barisnya mewakili orde p
(AR) dan kolom-kolomnya mewakili orde q (MA) [2]. Atribut utama EACF untuk model ARMA adalah segitiga “O” yang memiliki titik
sudut kiri atas pada posisi (p,q) . Tabel EACF menunjukkan simbol
“X” dan “O” dimana “X” berarti nilai absolut dari EACF yang bersangkutan lebih besar atau sama dengan dua kali kesalahan standarnya.
Sementara itu, “O” berarti EACF yang bersangkutan kurang dari dua kali kesalahan standarnya dalam modulus. Kesalahan standar EACF
dapat dihitung sebagai 2/ÿ , dengan T adalah jumlah data deret waktu dalam sampel.

Tahap II: Estimasi parameter

Metode MLE banyak diterapkan dalam pemodelan Box-Jenkins untuk mencari nilai parameter yang mengoptimalkan
kemungkinan diperolehnya data yang telah dipelajari. Dalam MLE, ini meminimalkan jumlah kesalahan kuadrat (SSE) yang diberikan oleh
= ÿ ÿ P=e1n.e2rapan estimasi model dalam memilih model Box-Jenkins signifikan terbaik harus memenuhi syarat sebagai berikut:
dua kali nilai standard error < nilai koefisien model dan p- value ÿ ÿ. Selanjutnya model dipilih dalam uji Information Criterion (IC)
yang diukur dengan nilai Akaike's Information Criterion (AIC) dan Schwarz's Bayesian Information Criterion (BIC/SIC). Dalam
kriteria pemilihan model, model yang mempunyai nilai AIC/BIC terkecil adalah yang paling disukai.

Tahap III: Pemeriksaan diagnostik

Pada tahap pemeriksaan diagnostik, model terpilih diuji pada aspek korelasi serial, heteroskedastisitas atau efek ARCH dan mean
nol pada data residual time series. Model yang dipilih dikatakan well-fited jika nilai residunya relatif kecil, tidak
ÿ

ada efek A,RCH atau variansnya konstan dan terbatas serta mean nol. Jika model tidak memenuhi asumsi kriteria white noise, maka
proses Tahap I hingga Tahap III diulangi dengan menggunakan model baru terpilih hingga dapat diidentifikasi model yang
memuaskan.

Tahap IV: Peramalan

Tahap peramalan dilanjutkan setelah model yang memuaskan diidentifikasi. Data deret waktu di luar sampel digunakan dalam model
untuk mendapatkan hasil perkiraan. Dalam penelitian ini, metode one-step dan multistep ahead digunakan dalam evaluasi peramalan. Pada
tahap ini, kesalahan rata-rata absolut minimum (MAE), kesalahan kuadrat rata-rata akar (RMSE) dan kesalahan persentase absolut rata-rata
(MAPE) diukur masing-masing untuk tujuan validasi silang seperti yang diberikan oleh
ÿ

Persamaan 6-8, di mana dan adalah nilai yang diamati dan diperkirakan pada waktu t dan n adalah jumlah waktu t.
1
= ÿ| (6)
ÿ | - =1

=1 ÿ)2
(7)
= ÿÿ ( ÿ ÿ

100%
= (8)
ÿ ÿ ÿ=1 ÿ

Keakuratan prakiraan dapat dinyatakan dengan menghitung batas probabilitas di kedua sisi setiap prakiraan atau disebut juga
interval prediksi (PI). Menghitung interval prediksi (PI) adalah bagian penting dari proses peramalan karena berguna untuk
mengukur keakuratan data perkiraan [15]. Batasan ini dapat dihitung untuk serangkaian probabilitas yang
sesuai, seperti 95%. PI 95% untuk ramalan satu langkah ke depan +1 untuk kesalahan acak pada waktu periode t ,

depan yang berdistribusi normal, diberikan oleh sebesar [ (1)] adalah varian kesalahan ramalan satu langkah ke
Persamaan 9, yang didefinisikan s+e1bagai Persamaan 10. Hal ini mengacu pada sebagai kejutan terhadap deret di +1, yang juga dikenal
sebagai kesalahan ramalan satu langkah di depan pada asal ramalan T. Dalam praktiknya, nilai taksiran [ (1)] dapat diperoleh dari
variansi satu- sisa perkiraan selangkah lebih maju dari model yang dipertimbangkan. PI pada Persamaan 9 juga berlaku untuk
peramalan mu, ltilangkah ke depan, yaitu ÿ = 2,3, …, dimana h dan n adalah horizon
peramalan dan jumlah data deret waktu di luar sampel. Oleh karena itu, horizon peramalan yang diterapkan dalam penelitian ini adalah
2, 3, 4, 5, 7, 10, 15, 20, 25, 30 dan 45 hari ke depan dari IIR semalam [6-7] dan [16- 19]. Akibatnya, (1 ÿ )100% PI untuk peramalan
h-langkah ke depan dan mengikuti distribusi normal diberikan oleh Persamaan 11. Prosedur dalam mengevaluasi kinerja peramalan
multilangkah ke depan seperti yang diusulkan oleh Yaziz,
Zakaria dan Boland (2020) (9)
2
diberikan pada Gambar (10)
0,025ÿ [ (1)] [ 2(1. )ÿ] (=1() +±1) = ÿ [ (ÿ)] ÿ (11)
(ÿ) ± 2ÿ

42 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 1 (2021)

HASIL DAN DISKUSI

Kumpulan data

Sebanyak 4.305 data IIR semalam Malaysia mulai dari 2 Januari 2001 hingga 31 Desember 2020 yang mencakup Periode kinerja
20 tahun digunakan dalam penelitian ini. Data disajikan dalam persentase (%). Data mengacu pada harian
rata-rata tertimbang suku bunga investasi antarbank Mudharabah pada IIMM di Kuala Lumpur yang masing-masing suku bunganya berlaku ditimbang
dengan tepat berdasarkan volume transaksi pada kurs masing-masing. Data IIR semalam Malaysia diambil dari
Situs web resmi IIMM1 . Rasio estimasi data in-sample dengan peramalan data out-of-sampel yang digunakan dalam penelitian ini adalah 90:10. Periode
sampel yang digunakan untuk menentukan model Box-Jenkins adalah dari 2 Januari 2001 hingga 25 Maret 2019, meliputi 3.875 data IIR semalam setiap
hari dan menghasilkan 3.875 nilai pengembalian harian. Sedangkan periode out-of-sample biasanya memvalidasi prakiraan mulai 27 Maret 2019 hingga
31 Desember 2020, mencakup 430 data IIR semalam setiap hari dan menghasilkan 430 nilai pengembalian harian.

Tahap I: Identifikasi model Box-Jenkins

Gambar 3 menunjukkan plot deret waktu IIR semalam Malaysia dalam sampel dari 2 Januari 2001 hingga 25 Maret 2019.
Gambar tersebut menunjukkan bahwa terdapat pola deret yang acak, tidak teratur, dan non-musiman pada seluruh periode yang dipilih dalam penelitian ini. Dari periode
awal performa seri, kemungkinan besar seri akan stabil hingga melampaui hari ke 1.000 (sekitar Januari 2005) dimana seri mulai menunjukkan tren fluktuasi rendah dan
tinggi. Penurunan drastis dalam seri ini
tercatat setelah 2.000 hari yang terjadi pada awal tahun 2009 akibat dampak Krisis Keuangan tahun 2008. Setelah itu, serial ini menunjukkan tren kenaikan yang moderat
sebelum kembali ke tren penurunan yang signifikan karena wabah COVID-19 pada tahun 2020.

Tabel 2 menyajikan statistik deskriptif untuk data dalam sampel. Seperti yang ditunjukkan pada tabel, mean dari deret tersebut adalah positif. Perbedaan dua kali lipat
antara nilai maksimum dan minimum menegaskan volatilitas IIR semalam di Malaysia yang kemungkinan besar dipicu oleh ketidakstabilan ekonomi dan peristiwa lain yang
belum pernah terjadi sebelumnya yang menjadi ciri nilai tukar tersebut selama bertahun-tahun. Skewness bernilai negatif yang berarti distribusi deret tersebut tidak simetris dan
condong ke kiri, seperti terlihat pada Gambar 3. Kurtosis positif sebesar 0,5870 menunjukkan bahwa distribusi tersebut memiliki ekor yang lebih berat dan puncak yang lebih
tajam dibandingkan distribusi normal. .

1 Dataset dapat diambil dari https:// iimm.bnm.gov.my.

43 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 2 (2021)

Tabel 2. Statistik deskriptif data dalam sampel.

Deskripsi Statistik
Jumlah Pengamatan 3.875
Minimal 1,7500
Maksimum 3,5000
Berarti 2,8832
Standar Deviasi 0,3783
Kemiringan -0,5859
Kurtosis 0,5870

Dalam pengujian hipotesis mean untuk data dalam sampel, statistik uji yang dihasilkan adalah 474.43 dengan p-value sama dengan 0.
Karena, ( ÿ = 0) < ( = 0.05), maka hipotesis nol mean nol ditolak pada tingkat signifikansi 5%.
Oleh karena itu, meannya tidak sama dengan nol. Sedangkan untuk pengujian hipotesis terhadap skewness data, statistik uji yang dihasilkan sebesar 14.8896
dengan p-value sama dengan 0. Karena ( ÿ = 0) < ( = 0.05), maka hipotesis nol zero skewness ditolak pada 5 % tingkat signifikansi. Oleh karena itu,
kemiringannya tidak sama dengan nol dan distribusi deretnya tidak simetris serta miring secara negatif. Pada pengujian kurtosis data, statistik uji yang
dihasilkan adalah sebesar 7.4588 dengan p-value sama dengan 0. Karena, ( ÿ = 0) < ( = 0.05), maka hipotesis nol kurtosis nol ditolak pada tingkat 5 %
tingkat signifikansi. Oleh karena itu, kurtosis tidak sama dengan nol dan kurtosis positif atau leptokurtik menunjukkan bahwa sebaran data mempunyai ekor
yang lebih berat dan puncak yang lebih tajam dibandingkan dengan sebaran data normal. Temuan kurtosis negative skewed dan leptokurtik pada data sampel
telah dibuktikan pada Gambar 4.

Gambar 4. Histogram suku bunga antar bank syariah semalam di Malaysia.

Uji Jarque Bera (JB) digunakan untuk menguji normalitas deret. Nilai p yang dihasilkan sama dengan 0 dan karena, ( ÿ = 0) < ( = 0,05), maka hipotesis
nol deret yang terdistribusi normal ditolak pada tingkat signifikansi 5%. Oleh karena itu, distribusi IIR semalam tidak mengikuti distribusi normal.
Gambar 5 menunjukkan plot deret waktu IIR semalam Malaysia dalam sampel setelah melalui pembedaan orde pertama. Metode diferensiasi membuat deret
tersebut menjadi stasioner dalam mean karena deret tersebut terletak berdekatan satu sama lain, dan tren deret tersebut ditampilkan pada garis yang sama dan
statis. Sekali lagi, plot ACF dan PACF dibuat dengan menggunakan seri yang berbeda untuk memeriksa stasioneritas rata-rata, seperti yang disajikan pada
Gambar 6.

Gambar 5. Plot rangkaian perbedaan suku bunga antar bank syariah semalam di Malaysia.

44 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 2 (2021)

Gambar 6. Plot ACF dan PACF untuk deret terdiferensiasi orde pertama.

Gambar 6 mengilustrasikan bahwa deret tersebut mendekati nol dengan cepat dan sebagian besar kelambatan berada dalam garis korelogram atau interval
kepercayaan. Dengan demikian, deret tersebut stasioner dalam mean. Uji ADF dilakukan untuk memastikan stasioneritasnya. Nilai p tes sama dengan 0,01.
Karena ( ÿ = 0) < ( = 0,05), hal ini menunjukkan hipotesis nol dari data deret waktu IIR semalam yang berbeda tidak stasioner dalam mean ditolak pada
tingkat signifikansi 5%. Oleh karena itu, uji ADF memberikan hasil yang sama dengan plot ACF-PACF setelah dilakukan pembedaan yang serinya sekarang
stasioner dalam rata-rata.
Tabel 3 menyajikan statistik deskriptif stasioneritas data dalam sampel. Hal ini menggambarkan bahwa mean deret stasioner adalah positif. Kemiringan
dipertahankan dalam nilai negatif yang berarti sebaran deret tersebut asimetris dan miring ke kiri. Dengan kata lain, ekor distribusinya lebih panjang di sebelah
kiri. Nilai kurtosis positif yang tinggi sebesar 212,5994 menunjukkan bahwa distribusi tersebut mempunyai ekor yang lebih berat dan puncak yang lebih tajam
dibandingkan distribusi normal.

Tabel 3. Statistik deskriptif data stasioner.

Statistik deskriptif
Jumlah Pengamatan 3.874
Minimum -0,9100
Maksimum 0,9100
Berarti 0,0001
Deviasi Standar 0,0396
Kecondongan -1.7420
Kurtosis 212.5994

Pada pengujian hipotesis mean untuk data stasioner, uji statistik sebesar 0,1572 dengan p-value sebesar 0,8751, menunjukkan hipotesis nol mean nol tidak
ditolak pada tingkat signifikansi 5%. Sedangkan statistik uji skewness data sebesar 44,2642 dengan p-value sama dengan 0, menunjukkan hipotesis nol zero
skewness ditolak pada tingkat signifikansi 5%. Oleh karena itu, distribusi deret stasioner tidak simetris dan condong negatif. Pada pengujian stasioneritas data
kurtosis dihasilkan statistik uji sebesar 2701.0720 dengan p-value sama dengan 0, maka hipotesis nol kurtosis nol ditolak pada taraf signifikansi 5%. Oleh
karena itu, kurtosis leptokurtik menunjukkan bahwa sebaran data stasioner mempunyai ekor yang lebih berat dan puncak yang lebih tajam dibandingkan
sebaran data normal sebagaimana dibuktikan pada Gambar 7.

Gambar 7. Histogram rangkaian perbedaan tingkat pertama suku bunga antar bank syariah semalam di Malaysia.

45 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 2 (2021)

Uji JB digunakan dalam rangkaian stasioner untuk mendukung hasil ketidaknormalan data. Nilai p yang dihasilkan menunjukkan nilai sama dengan 0, maka
hipotesis nol deret stasioner berdistribusi normal ditolak pada tingkat signifikansi 5%. Oleh karena itu, distribusi IIR semalam stasioner tidak mengikuti distribusi
normal.

Uji Ljung-Box (LBQ) telah digunakan untuk menguji korelasi serial deret stasioner. Seri IIR semalam hanya dapat dimodelkan setelah datanya stasioner dalam rata-
rata dan berkorelasi serial [2]. Nilai p yang dihasilkan pada lag 10 [20] menetapkan bahwa nilainya sama dengan 0, maka hipotesis nol tidak adanya korelasi serial pada
deret stasioner ditolak pada tingkat signifikansi 5%. Hal ini dapat disimpulkan bahwa rangkaian stasioner IIR semalam berkorelasi serial satu sama lain, dan Box-Jenkins
dapat diterapkan pada data.

Analisis sebelumnya pada deret IIR Malaysia menunjukkan nonmusiman dan stasioner pada deret pembeda pertama.
Oleh karena itu, hasil ini kemudian mencerminkan ARIMA(p,1,q). Berdasarkan plot PACF dan ACF dari deret stasioner seperti yang diilustrasikan pada Gambar 6, dapat
disarankan bahwa nilai masing-masing = 0,1,2,3,4 dan = 0,1, yang merupakan kesalahan standar untuk ACF dan ACF. PACF masing- masing sebesar 0,0161. Oleh
karena itu, terdapat sepuluh kemungkinan model ARIMA yang dapat diidentifikasi yaitu ARIMA (0,1,0), ARIMA (1,1,0), ARIMA (2,1,0), ARIMA (3,1,0), ARIMA
(4,1,0), ARIMA (0,1,1), ARIMA (1,1,1), ARIMA (2,1,1), ARIMA (3,1,1) dan ARIMA (4,1, 1). Sebagai alternatif, Tabel
EACF menyarankan bahwa ARIMA (0,1,1) adalah kemungkinan model Box-Jenkins untuk deret stasioner, seperti yang diilustrasikan pada Tabel 4.

Tabel 4. Tabel EACF untuk model ARIMA (0,1,1).

AR/MA 0 0 1 2 3 4 5 6
1 X HAI HAI HAI HAI HAI HAI

X X HAI HAI HAI HAI HAI

X X X HAI HAI HAI HAI

X X X HAI HAI HAI HAI

234 X X X HAI X HAI HAI

5 X X X HAI X X HAI

6 X X X X X X X

Tahap II: Estimasi parameter model ARIMA (0,1,1).

Pada tahap estimasi parameter model Box-Jenkins, MLE diterapkan untuk mencari nilai parameter yang mengoptimalkan probabilitas diperolehnya data IIR
semalam yang telah dipelajari. Penerapan estimasi model dalam pemilihan model IIR signifikan terbaik telah memenuhi syarat dua kali nilai standard error (SE)
lebih kecil dari nilai koefisien model dan ÿ ÿ . Statistik estimasi parameter menggunakan kriteria pemilihan model telah dirangkum pada Tabel 5.

Dengan menggunakan metode MLE untuk memperkirakan parameter, ARIMA (0,1,1) ditemukan signifikan pada = 0,05 karena nilai kesalahan standar dua kali
lebih rendah dari nilai koefisien dan model lebih disukai karena memberikan AIC dan BIC terkecil nilai masing-masing -14,575.45 dan
-14,556.67. Berdasarkan prinsip parsimony bahwa model sederhana lebih disukai dibandingkan dengan model kompleks ketika semua hal dianggap sama, maka
model ARIMA (0,1,1) adalah yang paling disukai untuk tahap berikutnya. Selain itu, hasil Tabel EACF pada Tabel 4 juga sesuai dengan ARIMA (0,1,1).

Tabel 5. Estimasi parameter menggunakan kriteria pemilihan model.

TIDAK Model 2*SE < AIC BIC Makna
Koefisien
ARIMA (0,1,0) TIDAK -14,011.38 -13,998.86 Penting
1 ARIMA (1,1,0) Ya -14,485.20 -14,466.41 Penting
2 ARIMA (2,1,0) Ya -14,545.88 -14,520.83 Penting
34 ARIMA (3,1,0) Ya -14,567.74 -14,536.43 Penting
5 ARIMA (4,1,0) Ya -14,573.31 -14,535.74 Penting
6 ARIMA (0,1,1) Ya -14,575.45 -14,556.67 Penting
7 ARIMA (1,1,1) TIDAK -14,575.11 -14,550.06 Tidak signifikan
ARIMA (2,1,1) TIDAK -14,575.63 -14,544.32 Tidak signifikan
8 ARIMA (3,1,1) TIDAK -14,574.07 -14,536.50 Tidak signifikan
9 10 ARIMA (4,1,1) TIDAK -14,572.27 -14,528.44 Tidak signifikan

Tahap III: Pemeriksaan diagnostik model ARIMA (0,1,1).

Pada tahap pemeriksaan diagnostik Box-Jenkins, model ARIMA (0,1,1) terpilih telah diverifikasi dan diuji pada aspek korelasi serial,
homoskedastisitas dan mean nol pada residu deret IIR. Tabel 6 menunjukkan statistik deskriptif residu deret IIR model ARIMA (0,1,1) yang
menunjukkan mean dan varians nol sebesar 0,0014. Skewness bernilai positif yang berarti sebaran residu deret tersebut asimetris dan condong
ke kanan. Dengan kata lain, ekor distribusinya lebih panjang di sebelah kanan. Nilai kurtosis positif yang tinggi sebesar 189,9865
menunjukkan bahwa sebaran residu mempunyai ekor yang lebih berat dan puncak yang lebih tajam dibandingkan sebaran normal.

46 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 2 (2021)

Tabel 6. Statistik deskriptif seri residu model ARIMA (0,1,1).

Uraian Statistik
Jumlah Pengamatan 3.874
Minimum -0,7019
Maksimum 0,9251
Rata- 0,0000
rata Standar Deviasi 0,0369
Skewness 2.7489
Kurtosis 189.9865

Plot residu seperti yang ditunjukkan pada Gambar 8 membuktikan bahwa kesalahan model ARIMA (0,1,1) tidak berkorelasi karena
tanda residu terdistribusi secara acak dan korelasi hampir mendekati nol. Uji LBQ telah digunakan untuk memvalidasi dan menguji korelasi serial
dari deret sisa. ÿ = 0,5260 yang dihasilkan pada lag 10 [20] menunjukkan bahwa hipotesis nol tidak adanya korelasi
serial dalam rangkaian residu tidak ditolak pada tingkat signifikansi 5%. Oleh karena itu, dapat disimpulkan bahwa rangkaian residu IIR
semalam bersifat independen dan terdistribusi secara acak.

Gambar 8. Plot sisa model ARIMA (0,1,1).

Gambar 9 menunjukkan plot residu standar, ACF untuk residu dan nilai p untuk statistik Ljung-Box. Berdasarkan Gambar 9, plot residu
terstandar untuk ARIMA (0,1,1) dari rangkaian stasioner dalam sampel menggambarkan keacakan dalam residu dengan beberapa lonjakan yang
mewakili pengelompokan volatilitas yang dimulai di tengah plot residu. Sedangkan ACF dari residunya relatif kecil dan kurang lebih sama dengan
nol hingga lag 35 yang mendukung independensi
dalam residu. Nilai p-value Uji LBQ sebesar 0,5260 menunjukkan tidak adanya korelasi serial pada residu hingga lag 10 pada tingkat signifikansi
5%. Hal ini mencerminkan bahwa mean model ARIMA (0,1,1) terhadap deret IIR ditentukan dengan benar hingga lag 10. Oleh karena itu, deret
sisa model berperilaku sebagai white noise karena deret tersebut memiliki mean nol, varians konstan sebesar 0,0014 dan tidak berkorelasi serial.

Gambar 9. Plot residu terstandar, ACF untuk residu dan nilai p untuk statistik Ljung-Box model ARIMA (0,1,1).

47 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 2 (2021)

Tahap IV: Peramalan menggunakan model ARIMA (0,1,1).

Model ARIMA (0,1,1) yang telah diseleksi dari Tahap I hingga Tahap III telah digunakan pada bagian peramalan dengan menggunakan pemodelan Box-
Jenkins. Pada tahap ini, data IIR di luar sampel telah digunakan untuk mendapatkan hasil perkiraan karena keakuratan perkiraan hanya dapat ditentukan dengan
mempertimbangkan seberapa baik kinerja model pada data baru yang belum digunakan saat menyesuaikan model [17 ]. Model ARIMA (0,1,1) dalam bentuk
stasioner diberikan oleh Persamaan 12, dimana dan merupakan deret stasioner, nilai observasi, prediktor
, , ÿ1 hingga lag 1 (atau nilai sebelumnya) dan
kesalahan acak pada waktu t, masing-masing dan 2
adalah varian bersyarat dari .
=ÿ

ÿ1
(12)
= 0,0001 + ÿ 0,4046 2 = 0,0014
ÿ1,

Tabel 7 menunjukkan nilai stasioner data aktual dan one-step-ahead Forecast 10 hari terakhir data out-of-sample dengan menggunakan model ARIMA (0,1,1).
Nilai MAE dan RMSE untuk data stasioner masing-masing sebesar 0,0162 dan 0,0382. Tidak ada nilai MAPE yang dihasilkan di sini karena terdapat nilai nol
dalam data stasioner. Sedangkan nilai MAE, RMSE dan MAPE untuk data out-of-sample Forecast IIR Malaysia adalah sebesar 0.0162, 0.0382 dan 0.6940.
Berdasarkan nilai tersebut, model ARIMA (0,1,1) disimpulkan sebagai model yang sesuai untuk pemodelan IIR overnight dengan menggunakan
model Box-Jenkins karena menghasilkan kesalahan prediksi yang sangat kecil dengan MAPE di bawah 5%.

Tabel 7. Data IIR stasioner prakiraan aktual dan selangkah lebih maju selama 10 hari terakhir menggunakan model ARIMA (0,1,1).
Data IIR Stasioner Aktual 0,0000 Data IIR Stasioner Prakiraan
Tanggal 0,0000 0,0026
17/12/2020 0,0100 0,0025
18/12/2020 -0,0100 0,0025
21/12/2020 0,0100 -0,0015
22/12/2020 -0,0100 0,0049
23/12/2020 0,0100 -0,0006
24/12/2020 -0,0200 0,0053
28/12/2020 -0,0100 -0,0004
29/12/2020 0,0200 0,0094
30/12/2020 31/12/ 2020 0,0094

Gambar 10 mengilustrasikan plot deret waktu dari nilai aktual data di luar sampel versus nilai prakiraan satu langkah ke depan dari IIR semalam pada
prakiraan satu langkah ke depan menggunakan model ARIMA (0,1,1). Secara umum, pola data IIR out-of-sample menunjukkan tren menurun karena adanya risiko
penurunan global yang terus-menerus pada paruh pertama tahun 2019 dan dampak buruk dari munculnya pandemi virus corona pada akhir tahun 2019. Dari segi
peramalan , garis ramalan yang diberi warna merah hampir sejajar dengan garis sebenarnya yang diberi warna biru. Kinerja model Box-Jenkins yang menjanjikan
dalam meramalkan data IIR Malaysia didukung secara numerik oleh Tabel 8. Perhatikan bahwa, terdapat masalah jeda satu hari sehingga data IIR kolom kedua
(perkiraan) dapat diperoleh dari kolom pertama ( aktual) Data IIR dengan menggeser kolom pertama satu baris ke bawah atau data IIR hari ini merupakan ramalan
yang baik untuk data IIR besok. Hal ini umumnya
merupakan hipotesis pasar efisien yang sedang berjalan, dan merupakan keadaan umum untuk perkiraan satu langkah ke depan.

Tabel 8 merangkum nilai data aktual, data prakiraan, PI bawah dan atas 95% dari IIR semalam selama 10 hari terakhir menggunakan model ARIMA
(0,1,1). Tabel tersebut menunjukkan bahwa semua nilai data prakiraan one-step-ahead berada dalam PI 95% yang berarti model ARIMA
(0,1,1) yang disukai akan menghasilkan hasil peramalan IIR semalam yang baik seperti yang diilustrasikan oleh Gambar 11 .

Gambar 10. Plot data aktual versus data prakiraan satu langkah ke depan IIR semalam menggunakan model ARIMA (0,1,1).

48 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 2 (2021)

Tabel 8. Data aktual dan perkiraan, interval 95% lebih rendah dan 95% atas selama 10 hari terakhir menggunakan model ARIMA (0,1,1).
Tanggal
Data IIR Aktual Data Ramalan IIR Turunkan 95% 95% atas
(%) (%) (%) (%)
17/12/2020 1.7500 1.7526 1.6526 1.7500 1.7525 1.6526 1.7600 1.7525 1.8525
18/12/2020 1.6526 1.7500 1.7585 1.6585 1.7600 1.7549 1.6550 1.7500 1.8525
21/12/2020 1.7594 1. 6595 1,7600 1,7553 1,6554 1,7400 1,7596 1,6597 1.8525
22/12/2020 1,7300 1,7494 1,6495 1,7500 1,7394 1,6394 1.8584
23/12/2020 1.8549
24/12/2020 1.8594
28/12/2020 1.8553
29/12/2020 1.8595
30/12/2020 1.8494
31/12/2020 1.8393

Gambar 11. Plot model ARIMA (0,1,1) dengan PI 95%.

Dalam peramalan multilangkah ke depan, performa model telah dinilai pada beberapa horizon 2, 3, 4, 5, 7, 10, 15, 20, 25, 30, dan 45 hari ke depan dengan PI
95% [6-7] dan [16-19]. Tabel 9 menunjukkan hasil evaluasi peramalan 1 langkah hingga 45 langkah ke depan dengan jumlah data yang berada pada PI 95% dan
kesalahan perkiraan di bawah 5% dengan menggunakan model ARIMA (0,1,1). Dari tabel tersebut, nilai RMSE meningkat tidak lebih dari kesalahan perkiraan
yang memadai sebesar 5% yang selaras dengan penambahan cakrawala perkiraan hingga 45 langkah ke depan. Namun, sulit untuk memilih cakrawala perkiraan
yang tepat untuk model yang disukai karena nilai kesalahan perkiraan, khususnya MAPE, sedikit meningkat antara satu sama lain. Oleh karena itu, dengan
mempertimbangkan jumlah maksimum 420 dari 430 data aktual di luar sampel atau 97,67% yang terletak di dalam PI 95%, seperti yang disorot pada Tabel 9,
maka hasilnya menyatakan bahwa cakrawala perkiraan 5 hari ke depan melakukan hal yang sama. yang terbaik dalam peramalan Box-Jenkins dibandingkan dengan
cakrawala ramalan multilangkah ke depan lainnya. Dapat disimpulkan bahwa model ARIMA (0,1,1) dapat dipertimbangkan untuk peramalan hingga 5 langkah
lebih maju dari IIR semalam harian.

Tabel 9. Evaluasi error peramalan pada interval prediksi 95% untuk peramalan multilangkah ke depan menggunakan ARIMA (0,1,1).
Ramalan Evaluasi Kesalahan Ramalan Data Di Dalam 95% PI
Cakrawala (h) MAE RMSE PETA Jumlah %
Data

1 hari ke depan 0,0162 0,0382 0,6940 419 97.4419

2 hari ke depan 0,0183 0,0461 0,7904 419 97.4419
3 hari ke depan 0,0211 0,0508 0,8874 419 97.4419

4 hari ke depan 0,0230 0,0538 0,9884 416 96.7442

5 hari ke depan 0,0215 0,0442 0,9126 420 97.6744

7 hari ke depan 0,0284 0,0686 1,2495 416 96.7442

10 hari ke depan 0,0347 0,0772 1,5518 406 94.4186

15 hari ke depan 0,0432 0,0956 1,9268 398 92.5581

20 hari ke depan 0,0522 0,0948 2,2388 390 90.6977
25 hari ke depan 0,0646 0,0987 2,6767 375 87.2093

30 hari ke depan 0,0695 0,1333 3,2783 402 93.4884

45 hari ke depan 0,1049 0,1684 4,6875 389 90.4651

Gambar 12 menyajikan plot deret waktu dari data aktual di luar sampel dan data perkiraan pada 5 langkah ke depan menggunakan model Box-
Jenkins yang diusulkan pada PI 95%. Performa peramalan model ARIMA(0,1,1) hingga peramalan 5 langkah ke depan
dibuktikan secara grafis dengan plot karena hampir semua data aktual IIR semalam berada dalam PI 95% kecuali pada beberapa kejadian

49 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 2 (2021)

penurunan IIR yang signifikan. Hal ini menunjukkan bahwa tren ramalan IIR semalam 5 hari ke depan meniru tren IIR semalam sebenarnya untuk periode di
luar sampel. Tabel 10 membandingkan data aktual IIR pada bulan Mei 2020 yang berasal dari data out-of-sample dengan IIR peramalan 5 langkah ke depan dan
telah dikaitkan dengan PI 95%-nya menggunakan model ARIMA (0,1,1). Berdasarkan Tabel 10, hanya terdapat 1 dari 15 data IIR aktual yang tidak berada
dalam PI 95%. Hal ini menandakan bahwa model Box-Jenkins yang dipilih mengikuti tren performa data IIR aktual hingga 5 hari ke depan.

Gambar 12. Plot data aktual versus perkiraan 5 langkah ke depan menggunakan model ARIMA (0,1,1) pada PI 95%.

Tabel 10. IIR aktual, prakiraan 5 langkah ke depan, dan PI 95% menggunakan model ARIMA (0,1,1).
Tanggal Aktual IIR (%) Ramalan
(%)IIR IntervalInterval
Bawah Prediksi 95%.
Interval Atas
5/4/2020 2,44 2,5393 2,4516 2,3640
5/5/2020 2,00 2,5372 2,4496 2,3619
5/6/2020 1,97 2,0856 1,9979 1,9103
5/8/2020 1,95 2,0835 1,9958 1,9082
5/12/2020 1,95 2,0814 1,9937 1,9061
13/5/2020 1,96 2,0793 1,9916 1,9040
14/5/2020 1,97 2,0772 1,9896 1,9019
15/5/2020 1,96 2,0556 1,9679 1,8803
18/5/2020 1,96 2,0535 1,9658 1,8782
19/5/2020 1,97 2,0514 1,9637 1,8761
20/5/2020 1,93 2,0493 1,9616 1,8740
21/5/2020 1,93 2,0472 1,9596 1,8719
22/5/2020 1,95 2,0156 1,9279 1,8403
27/5/2020 1,95 2,0135 1,9258 1,8382
29/5/2020 1,95 2,0114 1,9237 1,8361

KESIMPULAN
Penelitian ini bertujuan untuk menguji kinerja model Box-Jenkins dalam meramalkan IIR semalam Malaysia dalam imbal hasil harian.
IIR semalam di Malaysia terus berubah seiring waktu karena perubahan konstan dalam kebijakan moneter yang ditetapkan oleh pemerintah
berdasarkan peristiwa tertentu yang terjadi pada periode tersebut. Oleh karena itu, kumpulan data rangkaian waktu IIR semalam Malaysia dipilih
dalam periode kinerja 20 tahun dari tahun 2001 hingga 2020 untuk mendapatkan pengamatan yang lebih baik mengenai dampak krisis keuangan
tahun 2008, wabah COVID-19, dan/atau peristiwa lain yang belum pernah terjadi sebelumnya yang terjadi selama ini. tahun terhadap kinerja IIR
semalam Malaysia menggunakan model Box-Jenkins.
Berdasarkan hasil temuan yang dibahas menunjukkan bahwa model ARIMA (0,1,1) menghasilkan RMSE, MAE dan MAPE terkecil.
Artinya model ARIMA (0,1,1) merupakan model Box-Jenkins yang paling tepat untuk meramalkan IIR semalam Malaysia karena menghasilkan
akurasi ramalan yang sangat tinggi dengan kesalahan marjinal di bawah 5%. Hasil yang menggembirakan dari peramalan satu langkah ke depan
dengan menggunakan model ARIMA (0,1,1) mengarahkan penelitian ini untuk melakukan peramalan multilangkah ke depan pada IIR semalam
Malaysia. Dapat disimpulkan bahwa model ARIMA (0,1,1) dapat dipertimbangkan untuk peramalan hingga
5 hari ke depan selama 20 tahun rangkaian data IIR harian semalam di Malaysia. Oleh karena itu, model yang diusulkan dalam penelitian ini dapat
bermanfaat bagi pihak-pihak yang diuntungkan khususnya lembaga keuangan untuk memprediksi nilai IIR overnight di masa depan dalam jangka
waktu mingguan.
Ada beberapa rekomendasi yang dapat dipertimbangkan untuk penelitian masa depan seperti berbagai frekuensi pengambilan sampel data IIR
semalam (yaitu mingguan, bulanan, atau triwulanan) harus diukur dan dibandingkan untuk menghasilkan model peramalan IIR semalam Malaysia
yang komprehensif. Selain itu, peneliti juga dapat membuat model peramalan IIR semalam dengan menguji model tersebut pada periode waktu dan
partisi in-sample yang berbeda terhadap data out-of-sample karena dapat memberikan kecenderungan arah dan hasil yang berbeda.

50 jurnal.ump.edu.my/daam ÿ
 Radzi dkk. ÿ Analisis Data dan Matematika Terapan ÿ Vol. 2, Edisi 2 (2021)

REFERENSI
[1] Suku Bunga Tolok Ukur Antar Bank Islam: Denyut Pasar Modal Islam, Thomson Reuters dan Akuntansi dan Audit
Organisasi Lembaga Isulnatumk (AAOIFI), Keuangan [On line]. Tersedia:
2011.
https://www.thomsonreuters.com/content/dam/openweb/documents/pdf/tr-com-financial/fact-sheet/iibr.pdf.
[2] RS Tsay, Pengantar Analisis Data Keuangan bersama R. Hoboken, New Jersey: Wiley, 2013.
[3] JG De Gooijer dan RJ Hyndman, "25 tahun peramalan rangkaian waktu," International Journal of Forecasting, vol. 22, tidak. 3, hal.443-
473, 2006.
[4] RR Ahmed, J. Vveinhardt, N. Ahmad dan D. Streimikiene, "Perkiraan suku bunga yang ditawarkan antar bank di Karachi (KIBOR): pendekatan pengujian
Box-Jenkins (ARIMA)," E&M Economics and Management, vol. 20, tidak. 2, hal.188-198, 2017.
[5] S. Van Dellen, JA Juneja, KB Nowman dan G. Zhao, "Struktur suku bunga jangka waktu AS dan Kanada: Perkiraan
perbandingan," dalam Proc. Konferensi Tahunan Masyarakat Keuangan Multinasional ke-23, Swedia, 2016, hal. 1–44.
[6] AK Mallick dan AK Mishra, "Perkiraan suku bunga dan stress test di India: pendekatan PCA-ARIMA," Palgrave
Komunikasi, jilid. 5, tidak. 32, hal.1-17, 2019.
[7] CO Omekara, OE Okereke dan SE Ehighibe, "Analisis deret waktu suku bunga di Nigeria: perbandingan ARIMA dan
model ruang negara," International Journal of Probability and Statistics, vol. 5, no. 2, pp. 33-47, 2016.
[8] S. Hwang dan M. Salmon, "Stress pasar dan penggembalaan," Journal of Empirical Finance, vol. 11, tidak. 4, hal.585-616, 2004.
[9] G. Orlando, RM Mininni dan M. Bufalo, "Pendekatan baru untuk memperkirakan suku bunga pasar melalui model CIR," Studi di bidang
Ekonomi dan Keuangan, vol. 37, tidak. 2, 2019.
[10] G. Orlando, RM Mininni dan M. Bufalo, "Kalibrasi suku bunga dengan model CIR," Journal of Risk Finance, vol. 20, tidak. 4,
hal.370-387, 2019.
[11] B. Guo, Q. Han dan B. Zhao, "Model Nelson-Siegel dari istilah struktur opsi menyiratkan volatilitas dan volatilitas
komponen," Jurnal Pasar Berjangka, vol. 34, no. 8, hlm. 788-806, 2014.
[12] J. Annaert, AGP Claes, MJK de Ceuster dan H. Zhang, "Memperkirakan kurva imbal hasil menggunakan model Nelson-Siegel: pendekatan regresi ridge,"
International Review of Economics & Finance, 2012.
[13] N. Rossetti, MS Nagano dan JLF Meirelles, "Analisis perilaku volatilitas suku bunga antar bank di negara maju dan berkembang," Jurnal Ekonomi, Keuangan
dan Ilmu Administrasi, vol. 22, tidak. 42, hal.99-128, 2017.
[14] GEP Box, GM Jenkins dan GC Reinsel, Analisis Time Series, edisi ke-4, Hoboken, New Jersey: Wiley, 2008.
[15] C. Chatfield, "Interval prediksi untuk peramalan deret waktu," dalam Prinsip Peramalan: Buku Panduan untuk Peneliti dan Praktisi, vol. 30. JS
Armstrong, Eds. Boston: Springer, hal.475-494, 2001.
[16] DV Dinh, "Memperkirakan pertumbuhan kredit domestik berdasarkan model ARIMA: bukti dari Vietnam dan Tiongkok," Manajemen Surat
Sains, vol. 10, tidak. 5, hal.1001-1010, 2020.
[17] T.Nyoni (2019, November, 3). Analisis ARIMA Nilai Tukar Rupee India/USD di India. [On line]. Tersedia:
https://mpra.ub.uni-muenchen.de/96908/.
[18] SR Yaziz, R. Zakaria dan J. Boland, "Perkiraan multilangkah untuk data yang sangat fluktuatif menggunakan Box-Jenkins dan GARCH baru prosedur,”
Jurnal Sains ASM, vol.13, 2020.
[19] CU Yÿldÿran dan A. Fettahoÿlu, "Memperkirakan nilai USDTRY dengan metode ARIMA," Cogent Economics & Finance, vol. 5, tidak. 1, 2017.
[20] RJ Hyndman dan G. Athanasopoulos, Peramalan: Prinsip dan Praktek. Melbourne: OTeks, 2018.

51 jurnal.ump.edu.my/daam ÿ
 REVIEW JURNAL
MERAMALKAN SUKU BUNGA ANTARBANK SYARIAH SEMALAM MALAYSIA MENGGUNAKAN
MODEL BOX-JENKINS

REVIEWER
1. A s l a m A b d u l H a r i s h A l f a j r i NIM : 2236090014
2. Maria Yuliasti Kalan NIM : 223

Judul Meramalkan Suku Bunga Antarbank Syariah Semalam Malaysia

Menggunakan Model Box-Jenkins
Nama Penulis Radzi, M., Yaziz, R.
Nama Journal Analisis Data dan Matematika Terapan
Volume, No, dan halaman Volume 3, Edisi 1, Halaman 038 - 051
Tahun 2021
Link Download https://journal.ump.edu.my/daam/article/view/6837/1827

Latar Belakang Masalah Membahas pentingnya Kerangka Islamic Interbank Money Market
(IIMM) dalam sistem perbankan syariah dan bagaimana kerangka
Overnight Policy Rate (OPR) memperngaruhi kurs pasar uang antar
bank syariah di Malaysia

Tujuan Penelitian Meramalkan suku bunga antar bank syariah semalam Malaysia
menggunakan model Box-Jenkins dan memberikan wawasan tentang
perilaku suku bunga pasar uang antar bank Islam dan untuk
mengembangkan model peramalan yang dapat diandalkan dan
digunakan oleh lembaga keuangan untuk mengambil keputusan yang
tepat.
Metode Penelitian Metode Kuantitatif, menggunakan data historis suku bunga antar
bank syariah semalam di Malaysia.

Subyek dan Objek Penelitian  Subyek penelitian dalam artikel di atas adalah suku bunga
antarbank syariah semalam di Malaysia
 Objek penelitian dalam artikel ini adalah pengembangan model
peramalan kinerja IRR menggunakan model Box-Jenkins.

Hasil Penelitian Menunjukan bahwa model ARIMA (0,1,1) merupakan model yang
paling tepat dalam meramalkan kinerja IRR Overnight di Malaysia.
 Model ARIMA (0,1,1) ini dapat memberikan hasil peramalan yang
akurat dan dapat membantu bank syariah untuk menyesuaikan
biaya pendanaan secara efektif.
 Penelitian juga memperlihatkan bahwa model Box-Jenkins dapat
digunakan sebagai alat peramalan yang efektif untuk suku bunga
antarbank syariah semalam di Malaysia.
Kelebihan Penelitian 1. Menggunakan metode kuantitatif yang dapat memberikan hasil
yang akurat dan dapat diuur secara obyetif.
2. Menggunakan data historis yang lengkap dan terperinci
mengenai suku bunga antarbank syariah semalam di Malaysia
selama 20 Tahun.
3. Menggunakan model Box-Jenkins yang merupakan salah satu
metode peramalan yang terkenal dan telah terbukti efektif dalam
berbagai praktik penelitian.
4. Dapat membantu lembaga keuangan, khususnya bank syariah.

Kekurangan Penelitian
1. Hanya berfokus pada suku bunga antarbank syariah semalam di
Malaysia, sehingga hasil penelitian tidak dapat digeneralisasi ke
negara lain.
2. Hanya menggunakan satu model peramalan, yaitu Box-Jenkins,
sehingga hasil penelitian ini tidak dapat dibandingkan dengan
model peramalan lain.
 3. Hanya menggunakan data historis yang tersedia, sehingga tidak
mempertimbangkan faktor-faktor eksternal yang dapat
mempengaruhi kinerja IIR di masa depan.
4. Tidak memberikan rekomendasi praktis bagi bank syariah dalam
mengelola risiko suku bunga.
Diskusi / Rekomendasi Penelitian ini memberikan kontribusi yang penting dalam
pengembangan metode peramalan suku bunga antarbank syariah
semaalam di Malaysia.

Rekomendasi :
 Untuk penelitian selanjutnya agar bisa mempertimbangkan
faktor-faktor eksternal yang dapat mempengaruhi kinerja IIR,
seperti perubahan kebijakan pemerintah atau perubahan
kondisi ekonomi global.
 Penelitian selenajutnya dapat membandingkan model
peramalan yang berbeda untuk menentukan model yang paling
akurat dalam meramalkan kinerja IRR overnight di Malaysia.
 Penelitian selanjutnya dapat mempertimbangkan pengambilan
sampel data IIP semalam dengan berbagai frekuensi
(mingguan, bulanan, atau triwulan) yang dapat diukur dan
dibandingkan.