PENDAHULUAN
Keterangan:
1. Title Bar : Merupakan window untuk sistem aplikasi EViews.
2. Main Menu : Beberapa perintah untuk menjalankan aplikasi ini menggunakan
menu
b. Di dalam kotak Frequency, pilih salah satu frekwensi data berupa series.
Terdapat 8 pilihan, yaitu: Tahunan (Annual), Setengah Tahunan (Semi-annual),
Quartal (Quarterly), bulanan (Monthly), Mingguan (Weekly), Harian 5 hari kerja
(Daily [5 day weeks]), Harian (Daily [7 day weeks]), dan tidak beraturan
(Undated or irregular).
Dalam latihan ini digunakan data dalam series bulanan, sehingga frequency
yang dipilih adalah Monthly.
c. Pada kotak Range, tentukan waktu mulai dan waktu akhir. Aturan yang berlaku
dalam penulisan range untuk frequency tertentu adalah sebagai berikut:
Annual
Tahun antara 1930-2029 dapat diidentifikasikan menggunakan angka dalam
2-4 digit (contoh 30 atau 1930). Eviews tidak menangani tahun sebelum
tahun 100 M.
Semi-annual
Setelah tahun diikuti dengan tanda titik dua (:) dan diakhiri dengan
angka 1 atau 2. Contoh : 1930:1 2029:2
Quarterly
Setelah tahun diikuti dengan tanda titik dua (:) dan diakhiri dengan
angka 1 - 4. Contoh : 1930:1 2029:4
Monthly
Setelah tahun diikuti dengan tanda titik dua (:) dan diakhiri dengan
angka 1 atau 12. Contoh : 1930:1 2029:12
Weekly dan Daily
Secara default
mm/dd/yyyy.
Jika pada kotak isian hanya dituliskan tahun, maka secara implisit frequency
series dituliskan untuk satu tahun penuh. Sebagai contoh jika range ditulis
sebagai 60 90, maka workfile secara implisit range adalah sebagai berikut:
1960-1990
untuk annual
1960:1-1990:2
untuk semi-annual
1960:1-1990:4
untuk quarterly
1960:01-1990:12
untuk monthly
1/01/1960-12/28/1990
untuk weekly
1/01/1960-12/31/1990
untuk daily
60-90
Dalam latihan ini masukkan pada kotak Start date dengan 2001 dan End date
dengan 2005
d. Tekan OK, maka Workfile telah siap untuk diisi dengan objek-objek lainnya.
Objek yang secara otomatis diciptakan adalah objek c (merupakan objek vektor
koefisien) dan resid (merupakan objek series sisaan).
Sampai dengan langkah ini, maka Workfile telas siap digunakan untuk
memasukkan data. Agar dapat digunakan pada setiap saat, maka Workfile ini
perlu disimpan dalam sebuah file. Untuk menyimpan Workfile lakukan melalui
menu File > Save.
Pada
latihan
ini
simpan
Workfile
yang telah
dibuat
dengan
nama
SukuBunga.wf1.
Suku
Bunga
18,48
18,44
18,47
18,52
18,62
18,64
18,73
18,82
18,91
19,1
19,15
19,15
OBS
2002:1
2002:2
2002:3
2002:4
2002:5
2002:6
2002:7
2002:8
2002:9
2002:10
2002:11
2002:12
Suku
Bunga
19,08
19,05
18,99
18,99
19,02
19,12
19,07
19,02
19,01
18,97
18,98
18,85
OBS
2003:1
2003:2
2003:3
2003:4
2003:5
2003:6
2003:7
2003:8
2003:9
2003:10
2003:11
2003:12
Suku
Bunga
18,87
18,81
18,8
18,73
18,67
18,43
18,03
17,37
17,16
16,86
16,52
16,18
OBS
2004:1
2004:2
2004:3
2004:4
2004:5
2004:6
2004:7
2004:8
2004:9
2004:10
2004:11
2004:12
Suku
Bunga
16,03
15,94
15,79
15,65
15,38
15,03
14,92
14,77
14,65
14,59
14,51
14,32
OBS
2005:1
2005:2
2005:3
2005:4
2005:5
2005:6
2005:7
2005:8
2005:9
2005:10
2005:11
2005:12
Suku
Bunga
14,32
14,28
14,22
14,26
14,21
14,24
14,21
14,2
15,17
15,46
15,59
15,71
b. Masukkan data pada setiap sel, seperti dalam aplikasi worksheet (Misal:
Microsoft Excel), atau jika data telah ada dalam aplikasi lain dapat dilakukan
dengan operasi Copy-Paste ke dalam sel tersebut.
Penting : Bilangan di EViews menggunakan format standar Amerika. Untuk
penulisan koma dilakukan dengan menggunakan titik.
c. Secara default nama dari data akan diberikan dengan nama SER01 dalam kolom
yang bersangkutan dan dituliskan setelah nama obs. Nama ini secara otomatis
akan menjadi objek series dengan nama yang sama.
d. Untuk setiap kolom yang diisi akan dibuatkan objek series dalam Workfile sesuai
dengan nama yang diberikan. Untuk mengubah nama variabel default, klik pada
nama kolom kemudian tuliskan nama objek yang diinginkan. Pengubahan ini akan
diikuti pengubahan nama objek yang terdapat pada Workfile.
Dalam data latihan ini terdapat dua kolom, yaitu kolom A diberi nama OBS dan kolom
B diisi dengan SukuBunga. Untuk memasukkan data ini ke dalam EViews (pastikan
Workfile telah diaktifkan/dibuka), lakukan langkah sebagai berikut:
a. Pilih menu File > Import > Read Text-Lotus-Excel
b. Pada kotak dialog Open File pilih, file data tersebut. Dalam latihan ini pilih file
Data.xls
c. Karena data dimulai pada sel B2, maka kotak isian Upper-left data cell tidak
perlu diganti. Demikian juga kotak isian Excel 5+ sheet name tidak perlu
diubah, karena data yang ada pada file Data.xls hanya terdiri dari satu sheet
saja. Kotak yang diubah hanya kotak Names for series or Number if named in
file, yaitu dengan mengisi angka satu (1), karena data yang dimiliki hanya terdiri
dari satu variabel. Kemudian klik OK. Setelah klik OK maka pada Workfile akan
terdapat objek sukubunga.
d. Untuk meverifikasi isinya, lakukan klik double pada objek series sukubunga.
BAB 2
TEKNIK PEMULUSAN
moving average.
Untuk melakukan pemulusan menggunakan Moving Average pada data berdasarkan Suku
Bunga, lakukan langkah-langkah sebagai berikut:
a. Pilih menu Quick > Generate Series sehingga muncul kotak dialog berikut:
10
c. Setelah di klik OK, maka pada Workfile terdapat objek series sukubungama. Jika
di klik double pada objek tersebut, maka akan tampil series yang dibentuk
seperti terlihat pada gambar berikut:
d. Cara lain untuk menghasilkan seperti diatas adalah dengan menuliskan perintah
series sukubungama = @movav(sukubunga,3) pada window command, kemudian
tekan ENTER.
e. Untuk menampilkan series sukubunga dengan sukubungama dalam satu grafik,
pada Workfile pilih kedua objek ini dengan cara mengklik objek ini sambil
menekan tombol CTRL pada keyboard.
11
f. Kemudian melalui menu, pilih Quick > Graph > Line graph yang akan
menampilkan kotak dialog seperti terlihat pada Gambar di bawah ini.
g. Klik tombol
OK,
sukubungama dalam satu grafik. Contoh hasil diberikan pada Gambar berikut di
bawah ini (Hasil operasi Copy-Paste).
20
19
18
17
16
15
14
2002
2003
SUKUBUNGA
2004
2005
SUKUBUNGAMA
<Tekan ENTER>
<Tekan ENTER>
<Tekan ENTER>
<Tekan ENTER>
Pada Workfile akan didapatkan empat objek tambahan, yaitu galat, galat2
(objek series), mse dan sqrtmse (objek scalar). Untuk melihat nilai mse atau
12
sqrtmse, lakukan klik dua kali pada objek tersebut. Hasilnya akan disajikan pada
Status Line yang ada di bagian bawah (dalam Gambar di bawah tertulis Scalar
SQRTMSE = 0.187142746072.
b. Isi dalam kotak Series name dengan sukubunga yang merupakan objek series yang
terdapat pada Workfile Sukubunga.wf1.
13
c. Dari kotak dialog ini tentukan metode dan nama series yang akan dihasilkan.
Untuk itu di kotak Smoothing method, pilih Single dan pada kotak Smoothed
series berikan nama series sukubungasg. Pemberian nama ini boleh bebas untuk
tetapi disarankan menggunakan nama yang mudah dan sesuai untuk metodenya.
Peramalan (forecasting) untuk metode single ini akan konstan, sehingga pada
kotak Estimation sample tidak diperlukan perubahan. Bagian lainnya biarkan
dengan nilai default, kerena EViews akan mencari nilai yang terbaik untuk
parameter.
14
e. Untuk melihat objek series pemulusan yang dihasilkan menggunakan metode ini,
lakukan klik dua kali pada objek sukubungasg.
15
20
19
18
17
16
15
14
2002
2003
SUKUBUNGA
2004
2005
SUKUBUNGASG
16
Hasil yang diperoleh untuk metode Double Exponential adalah seperti terlihat pada
Gambar di bawah ini.
Berbeda dengan metode Moving Average dan Single Exponential, nilai forecasting
pada akhir periode untuk metode Double Exponential tidak konstan.
Untuk
membuat forecasting sampai dengan akhir tahun 2006, maka sebelumnya harus
dilakukan perubahan pada Range Workfile melalui menu Procs > Change Workfile
Range. Pastikan sebelumnya window Workfile telah aktif dengan cara klik bagian
17
dari window Workfile atau dari menu Window > Workfile : SUKUBUNGA
(c:\sukubunga.wf1).
Setelah kita memilih menu Procs > Change Workfile Range akan ditampilkan kotak
dialog seperti terlihat pada Gambar di bawah ini.
Karena kita akan melakukan forecasting sampai dengan bulan Desember 2006, maka
pada kotak End date ganti dengan 2006:12. Akan terjadi perubahan Range pada
Workfile seperti ditunjukan pada bagian atas di window Workfile.
Ulangi kembali langkah sebelumnya dengan melakukan pengubahan sewaktu mengisi
kotak dialog Exponential Smoothing pada bagian Estimation sample dengan tahun
yang akan diramal.
Tidak ada perbedaan yang diperoleh dari summary, tetapi pada objek series
sukubungadb akan terdapat penambahan forecasting untuk tahun 2006.
Untuk
menampilkan hasil forecating ini pada grafik, maka diperlukan juga pengubahan
Range sample pada Workfile juga harus diubah sesuai dengan yang diingikan melalui
menu Quick > Sample yang akan menampilkan kotak dialog sebagai berikut:
18
Pada kotak sample range pairs (or sample object to copy) ganti dengan 2001:01
2006:12.
Grafik plot series dari series sukubunga dan sukubungadb jika telah
dilakukan perubahan ini, maka akan didapatkan grafik seperti pada Gambar berikut.
20
19
18
17
16
15
14
2002
2003
SUKUBUNGA
2004
2005
2006
SUKUBUNGADB
19
Metode Holt-Winter ini dibagi tiga model (tergantung adanya trend linear dan musiman
dalam seriesnya), yaitu:
1. No Seasonal (mirip dengan Double Exponential tanpa adanya musiman)
2. Additive (Series mengandung musiman yang aditif (penambahan) dan adanya
trend linier)
3. Multiplicative (Series mengandung musiman yang aditif (penambahan) dan
adanya trend linier)
Langkah-langkah yang diperlukan untuk mendapatkan pemulusan ini adalah sama
dengan langkah-langkah pada metode Double Exponential di atas dengan melakukan
pengubahan pada kotak dialog Exponential Smoothing.
Berikut disajikan ringkasan hasil dari ketiga metode metode Holt-Winter ini sebagai
berikut.
20
21
Untuk Grafik plot series sukubunga dan ketiga hasil pemulusan menggunakan metode
Holt Winter disajikan pada Gambar di bawah ini.
20
19
18
17
16
15
14
13
2002
2003
2004
SUKUBUNGA
SUKUBUNGAWT1
2005
2006
SUKUBUNGAWT2
SUKUBUNGAWT3
Dari metode-metode pemulusan di atas manakah yang terbaik digunakan untuk kasus
data series Suku Bunga? Untuk menjawab ini, kita tinggal membangdingkan nilai Root
Mean Square Error (MSE) yang dihasilkan oleh metode-metode ini. Nilai Root MSE yang
kecil menunjukkan metode pemulusan yang digunakan semakin baik. Pada kasus data
latihan ini, metode Holt Winter tanpa musiman adalah metode pemulusan yang terbaik
dengan memberikan Root MSE sebesar 0,166660.
22
BAB 3
Metode Box-Jenkins (ARIMA) sangat baik digunakan untuk mengkombinasikan pola trend,
faktor musim dan faktor siklus dengan lebih komprehensif.
mampu meramalkan data historis dengan kondisi yang sulit dimengerti pengaruhnya
terhadap data secara teknis. Salah satu kunci dalam merumuskan model Box-Jenkins
adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1
sampai 1.
23
3. Lakukan plot data melalui menu Quick > Graph > Line graph untuk data series
penjualan.
24
52
50
48
46
44
42
40
10
20
30
40
50
60
PENJUALAN
Dari data series penjualan ini terlihat bahwa data belum menunjukkan pola tren
karena terbatasnya data diakhir periode data cenderung menurun. Jika dianggap
data telah stasioner, maka kita perlu melakukan differencing untuk menjadikan
data stasioner.
Sebagai catatan langkah untuk differncing dilakukan dengan cara pada Window
Command tuliskan perintah : series dpenjualan = d(penjualan) diikuti dengan
menekan ENTER. EViews menyediakan fungsi untuk differencing, yaitu d (jika
terjadi trend) dan dlog (terjadi trend dan ragam tidak sama).
4. Langkah berikutnya adalah menentukan p dan q untuk parameter ARIMA dengan
cara melihat pola fungsi autokorelasi dan autokorelasi parsial dari data series
dpenjualan. Untuk itu melalui menu Quick pilih Series Statistics > Correlogram
sehingga tampil kotak dialog seperti pada Gambar di bawah.
25
5. Pada kotak Series name isikan nama series, yaitu penjualan, kemudian klik OK.
Berikutnya akan ditampilkan kotak dialog seperti pada Gambar berikut:
6. Setelah klik OK, maka akan ditampilkan plot autokorelasi dan autokorelasi
parsial untuk dpenjualan sebagai berikut:
7. Dari pola ini, maka model awal ditetapkan sebagai ARIMA (1,0,0). Untuk
mendapatkan penduga model tersebut tuliskan dalam Window Command
perintah sebagai berikut:
equation hasil.ls penjualan c ar(1)
<Tekan ENTER>
26
8. Setelah menekan ENTER, secara otomatis akan diciptakan objek equation dengan
nama hasil yang merupakan hasil analisis model untuk ARIMA (1,0,0) seperti
terlihat pada Gambar di bawah.
Jika objek ini di klik double, maka akan keluar model yang diperoleh dengan
model ARIMA (1,0,0) untuk data series penjualan seperti ditunjukkan oleh
Gambar di bawah ini.
27
2. Lakukan plot data melalui menu Quick > Graph > Line graph untuk data series
penjualan.
28
20
16
12
0
10
20
30
40
50
60
70
PENJUALAN
3. Dari data series penjualan ini terlihat bahwa data tidak menunjukkan pola tren.
Selain itu simpangan lokal data tidak menunjukkan adanya keheterogenan.
Dengan demikian data series penjualan ini telah stasioner.
4. Langkah berikutnya adalah menentukan p,d,q untuk parameter ARIMA dengan
cara melihat pola fungsi autokorelasi dan autokorelasi parsial dari data series
penjualan.
Untuk itu lakukan melalui menu Quick > Series Statistics >
Correlogram yang akan tampil kotak dialog seperti pada Gambar di bawah.
5. Pada kotak Series name isikan nama series, yaitu penjualan, kemudian klik OK.
Berikutnya akan ditampilkan kotak dialog seperti pada Gambar berikut:
29
7. Dari pola diatas terlihat adanya musiman, sehingga data series harus di
differencing terhadap musiman. Langkah selanjutnya adalah Tuliskan dalam
Window Command perintah
series dpenjualan = d(penjualan,0,12)
Kemudian buat kembali grafik autokorelasi dan autokorelasi parsialnya terhadap
series dpenjualan. Hasilnya dapat dilihat pada Gambar di bawah ini.
30
8. Dengan demikian hasil identifikasi model awal pada kasus ini adalah ARIMA
(1,0,1) (1,1,1)12
9. Untuk mendapatkan dugaan dari model tuliskan perintah berikut pada Window
Command:
equation hasilbaru.ls d(penjualan,0,12) c ar(1) ma(1) sar(12) sma(12)
Hasil yang didapat adalah seperti terlihat pada Gambar di bawah ini.
31
10.
Karena AR(1) tidak signifikan pada model di atas, lakukan penghapusan AR(1)
pada model. Untuk itu tuliskan dalam Window Command:
equation hasilbaru2.ls d(penjualan,0,12) c ma(1) sar(12) sma(12).
Hasil yang diperoleh menunjukkan semua parameter model telah signifikan,
seperti terlihat pada Gambar di bawah ini. Oleh karena itu untuk peramalan
gunakan model ARIMA (0,0,1) x (1,1,1)12
32
33