naljdljaflkanfkafljafjlablfa

1. PEMODELAN DERET WAKTU
IHSG DENGAN ARIMA DAN
INTERVENSI OUTLIER
TERHADAP DAMPAK RUU TNI
Rahul Fikri Alamsyah
Rafif Faheem
Zikri Hamdi

2. PENDAHULUAN
Indeks Harga Saham Gabungan (IHSG) mencerminkan kinerja pasar saham Indonesia dan
dipengaruhi oleh faktor ekonomi, kebijakan pemerintah, serta peristiwa sosial-politik. Salah
satu contohnya adalah penurunan tajam IHSG setelah disahkannya RUU perubahan UU TNI
pada 20 Maret 2025.
Untuk menganalisis dampak semacam ini, digunakan metode peramalan deret waktu
seperti ARIMA, namun model standar ini kurang efektif dalam menangani data yang
mengandung outlier atau gangguan akibat intervensi. Oleh karena itu, penelitian ini
membandingkan kinerja ARIMA standar, ARIMA dengan outlier, dan ARIMA intervensi
menggunakan data IHSG harian dari 2 Januari 2024 hingga 9 April 2025. Tujuannya adalah
untuk mengukur pengaruh kebijakan tersebut terhadap IHSG dan mengevaluasi efektivitas
masing-masing model dalam menangkap dinamika pasar.

3. TINJAUAN PUSTAKA
Model ARIMA merupakan salah satu
metode yang paling banyak digunakan
dalam analisis dan peramalan deret
waktu. Model ini terdiri dari tiga
komponen utama, yaitu autoregressive
(AR), differencing (I), dan moving average
(MA).
Identifikasi orde model biasanya
dilakukan melalui analisis plot ACF dan
PACF, dan model terbaik dipilih
berdasarkan kriteria informasi seperti AIC
atau BIC.
Model ARIMA
(Autoregressive Integrated Moving
Average)
Stasioneritas merupakan prasyarat
penting dalam pemodelan ARIMA. Suatu
data dikatakan stasioner jika memiliki
rata-rata dan variansi yang konstan
sepanjang waktu. Pengujian stasioneritas
dapat dilakukan melalui uji Augmented
Dickey-Fuller (ADF) untuk rata-rata, dan
transformasi Box-Cox atau metode
differencing untuk variansi. Jika data tidak
stasioner, maka perlu dilakukan
transformasi terlebih dahulu sebelum
membangun model ARIMA
Stasioneritas dalam Deret Waktu
Outlier merupakan nilai ekstrem yang
menyimpang dari pola umum data.
terdapat beberapa jenis outlier seperti
Additive Outlier (AO), Innovative Outlier
(IO), dan Level Shift (LS). Deteksi outlier
dalam analisis ARIMA sangat penting
karena keberadaan outlier dapat
mengganggu parameter model dan
menurunkan akurasi prediksi. Paket
tsoutliers dalam R dapat digunakan untuk
mengidentifikasi dan mengakomodasi
efek outlier dalam model.
Deteksi Outlier dalam Deret Waktu

4. TINJAUAN PUSTAKA
Model ini digunakan untuk mengevaluasi dampak dari peristiwa yang diketahui waktu
terjadinya, seperti kebijakan pemerintah atau bencana alam. Fungsi intervensi dapat
berbentuk pulse (dampak sesaat), step (dampak permanen), atau ramp (dampak
bertahap).
Model ARIMA Intervensi
Indeks Harga Saham Gabungan (IHSG)
IHSG mencerminkan kinerja seluruh saham yang tercatat di Bursa Efek Indonesia dan
menjadi indikator utama dalam menganalisis kondisi pasar modal. Nilai IHSG sangat
dipengaruhi oleh faktor fundamental ekonomi, sentimen pasar, dan kebijakan
pemerintah.

5. METODE PENELITIAN
01
Metode
Pengumpulan
Data
Jenis Penelitian
Penelitian kuantitatif
dengan pendekatan
deskriptif-analitik. Fokus
utama adalah analisis deret
waktu terhadap data
Indeks Harga Saham
Gabungan (IHSG) dengan
tujuan mengidentifikasi
pola, mendeteksi outlier,
serta mengukur dampak
intervensi kebijakan (RUU
Sumber dan
Jenis Data
Data yang digunakan
adalah data sekunder
berupa data harian harga
penutupan IHSG yang
diperoleh dari situs resmi
Investing.com. Rentang
data yang digunakan
mencakup periode 2
Januari 2024 hingga 9 April
2025.
Data dikumpulkan
dengan cara
mengunduh file
historis IHSG.
02 03 04
Teknik Analisis
Data
• Pra-Pemodelan
• Identifikasi Model
• Deteksi dan
Penanganan
Outlier
• Pemodelan
Intervensi
• Evaluasi Model

6. Plot deret waktu ISHG
Harga IHSG stabil pada awal hingga pertengahan
2024, naik pada Juli–Oktober 2024, lalu menurun
dari akhir 2024 hingga awal 2025. Penurunan
tajam terjadi setelah pertengahan Maret 2025,
bertepatan dengan pengesahan RUU TNI yang
memicu sentimen negatif pasar.
Hal ini menunjukkan adanya intervensi, sehingga
pemodelan ARIMA Intervensi dan ARIMA Outlier
dapat digunakan. Untuk fokus pada pengaruh RUU
TNI, model ARIMA intervensi menggunakan data
sebelum intervensi, yaitu 2 Januari 2024 hingga 19
Maret 2025.
METODE PENELITIAN

7. METODE PENELITIAN
Stasioneritas Terhadap Data
Grafik hasil differencing orde pertama pada data IHSG yang telah ditransformasi Box-Cox menunjukkan
bahwa data telah stasioner terhadap rata-rata, ditandai dengan fluktuasi acak di sekitar garis nol tanpa
pola yang jelas. Meski demikian, fluktuasi masih cukup tinggi karena skala data yang besar. Terdapat
lonjakan ekstrem menjelang Maret–April 2025 yang mengindikasikan adanya outlier atau intervensi
struktural. Oleh karena itu, analisis lanjutan dengan model ARIMA yang mempertimbangkan Additive
Outlier (AO) atau fungsi intervensi diperlukan.

8. METODE PENELITIAN
Indetifikasi Model Arima
Berdasarkan ACF dan PACF, dipilih model ARIMA([7,10,19], 0, 0) dan ARIMA(0, 0, [7,19]).
Kedua model lolos uji autokorelasi sisaan (Ljung-Box), tetapi tidak lulus uji normalitas (Jarque-
Bera)
Model ARIMA([7,10,19], 0, 0) terpilih karena nilai AIC-nya paling rendah.

9. METODE PENELITIAN
Deteksi Outlier (Additive Outlier/AO)
Pada analisis lanjutan, ditemukan satu Additive Outlier (AO) pada periode ke-286, yang menandakan
adanya lonjakan nilai IHSG secara mendadak. Model ARIMA([7,10,19], 0, 0) kemudian disesuaikan dengan
memasukkan outlier sebagai variabel eksternal. Meskipun parameter outlier tidak signifikan secara
statistik, model tetap digunakan karena keberadaannya terlihat memengaruhi data secara visual.
Evaluasi asumsi model menunjukkan bahwa tidak terdapat autokorelasi sisaan (Ljung-Box), namun sisaan
tidak berdistribusi normal (Jarque-Bera). Hal ini masih dapat ditoleransi dalam pemodelan deret waktu.
Sayangnya, baik model ARIMA standar maupun model dengan outlier belum mampu menggambarkan
fluktuasi ekstrem IHSG secara akurat. Prediksi keduanya cenderung datar dan tidak merepresentasikan
dinamika pasar yang nyata.

10. METODE PENELITIAN
Pemodelan dengan intervensi
Pemodelan dengan intervensi dilakukan sebagai respons atas peristiwa penting, yaitu disahkannya RUU
TNI pada 20 Maret 2025, yang diduga kuat memicu penurunan tajam IHSG dalam waktu singkat. Untuk
menganalisis dampak tersebut secara lebih akurat, digunakan pendekatan ARIMA intervensi dengan
membangun model hanya pada data sebelum intervensi, yaitu dari 2 Januari 2024 hingga 19 Maret 2025.
Pendekatan ini bertujuan agar estimasi parameter model tidak terdistorsi oleh dampak kebijakan yang
terjadi setelahnya.
Berdasarkan hasil analisis ACF dan PACF, dua model yang dipertimbangkan adalah ARIMA([19], 0, 0) dan
ARIMA(0, 0, [19]), dengan model terbaik ditentukan melalui nilai AIC. Model ARIMA(0, 0, [19]) dipilih karena
memiliki nilai AIC yang lebih rendah.

11. METODE PENELITIAN
Untuk menentukan bentuk fungsi intervensi, dilakukan analisis terhadap sisaan model ARIMA pra-intervensi.
Ditemukan dua titik sisaan yang signifikan keluar dari batas ±3 standar deviasi, menunjukkan adanya dua
kejadian intervensi. Namun, karena tidak ada efek berkelanjutan setelah titik tersebut, intervensi dimodelkan
dengan fungsi pulse, yang menggambarkan dampak sesaat. Nilai parameter fungsi intervensi ditetapkan
sebagai b = 0, s = 1, dan r = 0 untuk masing-masing titik intervensi.
Hasil prediksi dari model intervensi menunjukkan bahwa garis prediksi (warna merah) cukup berhasil
mengikuti pola dasar data IHSG aktual (warna biru), meskipun belum mampu menangkap seluruh fluktuasi
ekstrem. Model ini dinilai lebih representatif dibanding model sebelumnya dalam menggambarkan pengaruh
intervensi kebijakan terhadap IHSG.
Pemodelan dengan intervensi

12. Hasil analisis menunjukkan bahwa pergerakan IHSG sangat dipengaruhi oleh dinamika
politik, terutama pengesahan RUU TNI pada 20 Maret 2025 yang memicu penurunan tajam
IHSG. Untuk memahami fluktuasi ini, digunakan tiga pendekatan model deret waktu: ARIMA
standar, ARIMA dengan outlier, dan ARIMA intervensi. Model ARIMA([7,10,19],0,0) tampil baik
secara statistik namun kurang mampu menangkap perubahan ekstrem. Model dengan
outlier menambahkan informasi, tetapi efek outlier-nya tidak signifikan secara statistik.
Sementara itu, ARIMA intervensi dengan pendekatan pulse menghasilkan prediksi paling
mendekati data aktual dan lebih responsif terhadap perubahan akibat intervensi. Secara
keseluruhan, model intervensi dianggap paling representatif untuk menjelaskan dampak
kebijakan terhadap IHSG, sekaligus menekankan pentingnya mempertimbangkan faktor
kejutan dalam analisis pasar yang sensitif terhadap isu politik.
Kesimpulan

13. TERIMA
KASIH