Laporan ARW 4
Laporan ARW 4
PENDAHULUAN
1.1 ARIMA
ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat
baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan
jangka panjang ketepatan peramalannya kurang baik. Biasanya akan cenderung
flat (mendatar/konstan) untuk periode yang cukup panjang (sumber : http:
//daps.bps.go.id/file_artikel/77/arima.pdf)
menyatakan bahwa Model Autoregresif Integrated Moving Average (ARIMA)
adalah model yang secara penuh mengabaikan independen variabel dalam
membuat peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari
variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat.
ARIMA cocok jika observasi dari deret waktu (time series) secara statistik
berhubungan
satu
sama
lain
(dependent).
(sumber
http://daps.bps.
go.id/file_artikel/77/arima.pdf)
Model ARIMA terdiri dari tiga langkah dasar, yaitu tahap identifikasi, tahap
penaksiran dan pengujian, dan pemeriksaan diagnostik. Selanjutnya model
ARIMA dapat digunakan untuk melakukan peramalan jika model yang diperoleh
memadai.
1.1.1
Identifikasi
Proses identifikasi dari model musiman tergantung pada alat-alat statistik
berupa autokorelasi dan parsial autokorelasi, serta pengetahuan terhadap
sistem (atau proses) yang dipelajari.
(sumber : http://daps.bps. go.id/file_artikel/77/arima.pdf)
1.1.2
Penaksiran Parameter
Ada dua cara yang mendasar untuk mendapatkan parameter-parameter
tersebut:
a. Dengan cara mencoba-coba (trial and error), menguji beberapa nilai
yang berbeda dan memilih satu nilai tersebut (atau sekumpulan nilai,
apabila terdapat lebih dari satu parameter yang akan ditaksir) yang
meminimumkan jumlah kuadrat nilai sisa (sum of squared residual).
b. Perbaikan secara iteratif, memilih taksiran awal dan kemudian
membiarkan program komputer memperhalus penaksiran tersebut secara
iterative.
(sumber : http://daps.bps. go.id/file_artikel/77/arima.pdf)
1.1.3
Dimana :
Model terbaik adalah model yang memiliki nilai standard error estimate
(S) yang paling kecil. Selain nilai standard error estimate, nilai rata-rata
persentase kesalahan peramalan (MAPE) dapat juga digunakan sebagai
bahan pertimbangan dalam menentukan model yang terbaik yaitu:
2. Estimasi dan pengujian model ARIMA yang mungkin serta pemilihan model
terbaik.
3. Menentukan persamaan dan nilai ramalan model ARIMA terbaik.
(sumber : http://daps.bps. go.id/file_artikel/77/arima.pdf)
1.3 Studi Kasus
Tabel 1.1 Data IHS
Hari
1
2
3
4
5
6
7
8
9
HIS
15,520.9
9
16,381.0
5
16,430.0
8
16,834.5
7
17,217.8
9
17,389.8
7
18,203.4
0
17,979.4
1
17,862.2
7
Hari
10
11
12
13
14
15
16
17
18
HIS
17,721.0
7
17,790.5
9
17,708.4
2
19,522.0
0
19,761.6
8
20,318.6
2
20,629.3
1
21,069.8
1
20,851.0
4
Hari
19
20
21
22
23
24
25
26
27
HIS
21,620.1
9
21,240.0
6
21,614.7
7
21,479.0
8
21,829.7
2
22,207.5
5
21,823.2
8
22,279.5
8
22,416.6
7
Hari
28
29
30
31
32
33
34
35
36
HIS
22,269.4
5
22,296.7
5
22,411.5
2
21,196.8
7
21,207.5
5
21,208.2
9
21,228.2
0
21,209.7
4
21,079.1
0
Berikut ini adalah data Indeks Hang Seng (selanjutnya akan disingkat dengan
IHS) harian selama 36 hari. Selesaikan permasalahn berikut:
1.
2.
overfitting
Ramalkan nilai pada hari ke 37
BAB II
DESKRIPSI KERJA
12. Apabila data sudah stasioner, maka diferensing hanya dilakukan satu kali,
langkah selanjutnya adalah untuk melihat grafik AR dan MA dengan langkah
nomor 6 dengan data dlap4.
13. Akan muncul Output AR dan MA, dan praktikan mengambil bebrapa model
untuk uji nilai signifikansi dengan cara pilih menu Quick Estimate
Equation denga menuliskan syntax dlap4 c OK.
14. Melakukan langkah nomor 13 untuk dlap4 c ar(1) ma(1), dlap4 c ar(1),
dlap4 ar(1) ma(1), dlap4 ma(1), dan dlap4 ar(1).
15. Melakukan peramalan dapat dilakukan dengan cara double-click Range 1-36
akan tetapi pada End date dimasukkan 37 OK Yes.
16. Memilih menu Quick pada Eviews > Estimate Equation > ketik d(lap4) c >
OK.
17. Memilih menu forecast Static Forecast pilih object dlapf untuk melihat
hasil peramalan.
BAB III
PEMBAHASAN
Pada bab ini akan dijelaskan lebih detail terhadap hasil penyelesaian masalah
menggunakan
Microsoft
Excel
yang
pada
Bab
II
telah
dijelaskan
cara
penyelesaiannya.
3.1 Pembahasan Hasil Analisis Studi Kasus
1. Untuk melihat keadaan pergerakan data Tabel 1.1 maka dapat menggunakan
Grafik Garis seperti pada Gambar 3.1.
10
11
a. Hipotesis
H0
: Data berdistribusi Normal
H1
: Data tidak Berdistribusi Normal
b. Tingkat signifikansi : 5%
c. Statistik Uji = P-Value
d. Daerah kritis = P-Value < , maka tolak H0
e. Keputusan nilai P-value = 0.000 < nilai = 0.05, maka gagal tolak H0
Kesimpulan : dengan menggunakan alpha 5% data yang ada gagal tolak H0
yang artinya data berdistribusi normal setelah dilakukan diferesing.
4. Untuk melihat data stasioner atau tidak dapat dilakukan dengan cara
melakukan uji hipotesis pada Gambar 3.4
12
AIC
SSE
Adj. R Square
15.23664
8016127. 0
15.33795
7909737. -0.048399
15.34228
7945789. -0.053177
15.36599
7669578. -0.049359
15.39811
8897599. -0.143598
15.39816
8898070. -0.143658
15.42889
8653057. -0.146922
Tabel 3.1 Hasil Overfitting
13
BAB IV
PENUTUP
4.1 KESIMPULAN
Berdasarkan pembahasan yang telah dilakukan pada Bab III maka dapat
diambil beberapa kesimpulan, yaitu :
1. Data yang belum stasioner maka perlu dilakukan stasionerisasi dengan cara
differensing.
2. Data pada Tabel 1.1 hanya perlu dilakukan satu kali differensing.
3. Untuk memilih model terbaik perlu dilakukan overfitting.
4. Dari overfitting dihasilkan beberapa model, sehingga perlu dilakukan
pemilihan model terbaik dengan cara melihat nilai :
1. AIC kecil
2. SSE kecil
3. Adj R Square besar
5. Dari pemilihan didapatkan 2 model terbia, yaitu ARIMA (1,0,0) dan ARIMA
(1,1,0).
6. Dari 2 model yang didapatkan, dapat dilakukan peramalan pada periode ke-37
dengan hasil yang sama yaitu 21.237,90314285714. Sehingga dapat
disimpulkan bahwa peramalan pada periode ke-37 bahwa saham IHS
mengalami kenaikan.
14
DAFTAR PUSTAKA
BPS.
ARIMA
(Autoregressive
Integrated
Moving
Average).