BAB III

STUDI KASUS

Berdasarkan data dari Economagic.com: Economagic Time Series Page, diperoleh data
effective federal funds rate di Amerika Serikat sebagai berikut:

Tahun

Bulan 2004 2005 2006 2007 2008 2009

Januari - 2.28 4.29 5.25 3.94 0.15

Februari - 2.50 4.49 5.26 2.98 0.22
Maret - 2.63 4.59 5.26 2.61 0.18
April - 2.79 4.79 5.25 2.28 0.15
Mei - 3.00 4.94 5.25 1.98 0.18
Juni - 3.04 4.99 5.25 2.00 0.21
Juli - 3.26 5.24 5.26 2.01 0.16
Agustus - 3.50 5.25 5.02 2.00 0.16
September - 3.62 5.25 4.94 1.81 0.15
Oktober - 3.78 5.25 4.76 0.97 0.12
November - 4.00 5.25 4.49 0.39 0.12
Desember 2.16 4.16 5.24 4.24 0.16 -

Data tersebut akan diolah menggunakan software minitab 13 agar kita dapat menentukan
model yang sesuai dengan data tersebut sehingga kita dapat meramalkan data effective federal
funds rate untuk lima bulan yang akan datang.

Berikut ouput dari data di atas:

 5

Data Ef f ectiv e Federal Funds

4

0
Index 10 20 30 40 50 60

fak Effective Federal Funds Rate

1.0
Autocorrelation

0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

5 10 15

Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ

1 0.97 7.51 59.34 8 0.58 1.38 342.34 15 0.02 0.05 391.61

2 0.93 4.24 114.83
3 0.88 3.19 165.81
4 0.83 2.59 211.78
5 0.78 2.19 252.57
6 0.72 1.88 288.08
7 0.65 1.62 318.01
9 0.51 1.17 361.14
10 0.43 0.96 374.71
11 0.34 0.76 383.60
12 0.26 0.56 388.64
13 0.17 0.37 390.91
14 0.09 0.20 391.57

fakp Effective Federal Funds Rate

Partial Autocorrelation

1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

5 10 15

Lag PAC T Lag PAC T Lag PAC T

1 0.97 7.51 8 -0.09 -0.73 15 0.11 0.87

2 -0.19 -1.44 9 -0.11 -0.88
3 -0.10 -0.81 10 -0.11 -0.82
4 -0.09 -0.71 11 -0.11 -0.83
5 -0.06 -0.45 12 -0.08 -0.62
6 -0.07 -0.51 13 -0.03 -0.22
7 -0.12 -0.95 14 0.06 0.47

Berdasarkan ketiga grafik di atas, diperoleh bahwa:

a. Pada plot data, data tidak berfluktuasi dan terdapat trend yang cukup lebar.
b. Pada fak, grafik turun secara lambat.
c. Pada fakp, hanya satu yang mendekati 1, yang lainnya tidak berbeda secara signifikan
terhadap nol.
Dengan demikian dapat disimpulkan bahwa data runtun effective federal funds rate
tersebut merupakan data non stasioner. Oleh karena itu, akan dilakukan penyelisihan data.
Sehingga diperoleh output sebagai berikut:
Data Ef f ectiv e Federal Funds_1

0.0

-0.5

-1.0
Index 10 20 30 40 50 60

fak selisih ke-1 Effective Federal Funds Rate

1.0
Autocorrelation

0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

4 9 14

Lag Corr T LBQ Lag Corr T LBQ

1 0.69 5.30 29.59 8 0.44 1.79 96.07

2 0.50 2.74 45.26 9 0.37 1.42 105.80
3 0.39 1.92 55.08 10 0.23 0.87 109.77
4 0.25 1.16 59.16 11 0.18 0.66 112.14
5 0.30 1.36 65.16 12 0.13 0.46 113.36
6 0.37 1.62 74.44 13 0.07 0.25 113.71
7 0.34 1.42 82.35 14 0.09 0.35 114.43
 fakp selisih ke-1 Effective Federal Funds Rate

Partial Autocorrelation
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

4 9 14

Lag PAC T Lag PAC T

1 0.69 5.30 8 0.26 2.01

2 0.04 0.31 9 -0.13 -1.00
3 0.06 0.48 10 -0.09 -0.70
4 -0.10 -0.76 11 -0.06 -0.44
5 0.27 2.07 12 0.05 0.41
6 0.15 1.17 13 -0.14 -1.05
7 -0.03 -0.21 14 -0.03 -0.26

Berdasarkan ketiga grafik di atas, diperoleh bahwa:

a. Pada plot data, data berfluktuasi dan tidak terdapat trend untuk selang yang cukup lebar.
b. Pada fak, turun secara eksponensial menuju nol, dan terputus setelah lag ke-2.
c. Pada fakp, turun secara eksponensial menuju nol, dan terputus setelah lag ke-1.
Maka dapat disimpulkan bahwa data yang telah diselisihkan merupakan data stasioner,
sehingga kita dapat melakukan identifikasi model yang sesuai untuk data runtun tersebut,
melakukan estimasi parameter, verifikasi, dan peramalan untuk lima bulan yang akan datang.

3.1 Identifikasi Model

Berdasarkan uraian sebelumnya mengenai grafik fak dan fakp selisih pertama runtun
waktu effective federal funds, kita akan memilih antara model AR (1), MA (1), MA (2),
ARMA (1,1), atau ARMA (1,2) sebagai model yang sesuai dengan data selisih pertama
effective federal funds.

3.2 Estimasi Parameter dan Verifikasi Model

1. AR (1)
ARIMA model for Data Effective Federal Funds_1
Estimates at each iteration
Iteration SSE Parameters
0 3.28274 0.100 0.059
1 2.57991 0.250 0.042
2 2.07859 0.400 0.026
3 1.77713 0.550 0.011
4 1.67369 0.688 -0.004
5 1.67185 0.696 -0.008
6 1.67184 0.696 -0.008
7 1.67184 0.696 -0.008
8 1.67184 0.696 -0.008
Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 0.6961 0.0951 7.32 0.000
Constant -0.00844 0.02227 -0.38 0.706
Mean -0.02776 0.07326

Number of observations: 59
Residuals: SS = 1.66639 (backforecasts excluded)
MS = 0.02923 DF = 57

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 16.8 26.5 38.6 42.5
DF 10 22 34 46
P-Value 0.078 0.231 0.269 0.620

Model AR (1): a)
ϖ t =φ1 ϖ t−1 +at atau

b) ϖ t −ϖ=φ 1 ( ϖ t−1−ϖ )+at

Analisis dari output AR (1) di atas sebagai berikut:
i) uji keberartian koefisien
|φ1|=0.6961>2 SE (φ1 )=0.1902 , sehingga φ1 berbeda secara signifikan dengan
nol.

|ϖ|=0.02776<2SE( ϖ)=0.14652 , sehingga ϖ tidak berbeda secara signifikan

dengan nol.
 Karena φ1 berbeda secara signifikan dengan nol sedangkan ϖ tidak berbeda
secara signifikan denan nol, maka model yang digunakan adalah yang a), yaitu :
ϖ t =φ1 ϖ t−1 +at
ϖ t =0 . 6961 ϖ t−1 +a t ... *)
ii) uji kecocokan model (lack of fit)
Ho : Model sesuai
H1 : Model tidak sesuai
Kriteria: Tolak Ho jika P-value < α
Ambil α = 0.05, maka uji kecocokannya dapat kita lihat pada tabel berikut ini:
Lag P-value Kesimpulan
12 0.078 model sesuai
24 0.231 model sesuai
36 0.269 model sesuai
48 0.620 model sesuai
iii) uji variansi sesatan
SS−MS 1. 66639−0 .02923
σ 2a = = =0. 0112
DF 57

2. MA (1)
ARIMA model for Data Effective Federal Funds_1

Estimates at each iteration

Iteration SSE Parameters
0 4.46643 0.100 0.065
1 3.48880 -0.050 0.060
2 2.85060 -0.200 0.053
3 2.42398 -0.350 0.041
4 2.14914 -0.500 0.022
5 2.04975 -0.649 -0.025
6 2.03253 -0.575 -0.034
7 2.03132 -0.603 -0.034
8 2.03096 -0.589 -0.034
9 2.03088 -0.596 -0.034
10 2.03086 -0.592 -0.034
11 2.03086 -0.594 -0.034
12 2.03086 -0.593 -0.034
13 2.03086 -0.594 -0.034
Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P
MA 1 -0.5935 0.1064 -5.58 0.000
Constant -0.03378 0.03904 -0.87 0.390
Mean -0.03378 0.03904

Number of observations: 59
Residuals: SS = 2.02995 (backforecasts excluded)
MS = 0.03561 DF = 57

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 43.8 54.7 92.5 100.6
DF 10 22 34 46
P-Value 0.000 0.000 0.000 0.000

Model MA (1): a)
ϖ t =θ1 a t−1 +at

b)
ϖ t −ϖ=θ1 a t−1 +at
Analisis dari output MA (1) di atas sebagai berikut:
i) uji keberartian koefisien
|θ1|=0.5935>2SE( φ1 )=0.2128 , sehingga θ1 berbeda secara signifikan dengan
nol.

|ϖ|=0.03378<2 SE(ϖ )=0.07808 , sehingga ϖ tidak berbeda secara signifikan

dengan nol.

Karena θ1 berbeda secara signifikan dengan nol sedangkan ϖ tidak berbeda

secara signifikan denan nol, maka model yang digunakan adalah yang a), yaitu :
ϖ t =θat−1 +a t
ϖ t =0 .5935 a t−1 +at ... *)
ii) uji kecocokan model (lack of fit)
Ho : Model sesuai
H1 : Model tidak sesuai
Kriteria: Tolak Ho jika P-value < α
 Ambil α = 0.05, maka uji kecocokannya dapat kita lihat pada tabel berikut ini:
Lag P-value Kesimpulan
12 0.000 model tidak sesuai
24 0.000 model tidak sesuai
36 0.000 model tidak sesuai
48 0.000 model tidak sesuai

Karena semua lag menyatakan bahwa model *) tidak sesuai dengan data selisih
pertama runtun waktu effective federal funds rate sehingga model *) bukan merupakan
model yang sesuai untuk data selisih pertama runtun waktu effective federal funds rate.

3. MA (2)
ARIMA model for Data Effective Federal Funds_1

Estimates at each iteration

Iteration SSE Parameters
0 5.18605 0.100 0.100 0.065
1 4.05771 -0.050 0.123 0.061
2 3.14122 -0.200 0.096 0.055
3 2.46924 -0.350 0.011 0.047
4 2.07231 -0.500 -0.115 0.032
5 1.92500 -0.650 -0.252 -0.001
6 1.90489 -0.615 -0.191 -0.033
7 1.90311 -0.664 -0.229 -0.033
8 1.90215 -0.639 -0.188 -0.033
9 1.90166 -0.669 -0.217 -0.033
10 1.90133 -0.649 -0.189 -0.033
11 1.90115 -0.670 -0.211 -0.033
12 1.90100 -0.655 -0.192 -0.033
13 1.90092 -0.668 -0.207 -0.033
14 1.90084 -0.657 -0.194 -0.033
15 1.90080 -0.667 -0.205 -0.033
16 1.90076 -0.659 -0.195 -0.033
17 1.90074 -0.666 -0.204 -0.033
18 1.90072 -0.660 -0.196 -0.033
19 1.90071 -0.665 -0.202 -0.033
20 1.90070 -0.661 -0.197 -0.033
21 1.90069 -0.665 -0.202 -0.033
22 1.90069 -0.661 -0.198 -0.033
23 1.90068 -0.664 -0.201 -0.033
 24 1.90068 -0.662 -0.198 -0.033
25 1.90068 -0.664 -0.201 -0.033
** Convergence criterion not met after 25 iterations

Final Estimates of Parameters

Type Coef SE Coef T P
MA 1 -0.6637 0.1310 -5.07 0.000
MA 2 -0.2008 0.1310 -1.53 0.131
Constant -0.03324 0.04469 -0.74 0.460
Mean -0.03324 0.04469

Number of observations: 59
Residuals: SS = 1.89878 (backforecasts excluded)
MS = 0.03391 DF = 56

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 32.0 43.9 72.1 78.3
DF 9 21 33 45
P-Value 0.000 0.002 0.000 0.002

Model MA (2): a)
ϖ t =θ1 a t−1 +θ2 at−2 +at

b)
ϖ t −ϖ=θ1 at−1 +θ2 a t−2 +at
Analisis dari output MA (2) di atas sebagai berikut:
i) uji keberartian koefisien

, sehingga θ1 berbeda secara signifikan dengan

|θ1|=0.6637>2SE (φ1 )=0.262
nol.
|θ2|=0 .2008<2SE (φ1 )=0. 262 , sehingga θ2 tidak berbeda secara signifikan
dengan nol.

|ϖ|=0.03324<2SE( ϖ)=0.08938 , sehingga ϖ tidak berbeda secara signifikan

dengan nol.

Karena θ1 berbeda secara signifikan dengan nol sedangkan θ2 dan ϖ tidak

berbeda secara signifikan dengan nol, maka uji keberartian koefisien gagal. Oleh
karena itu, kita tidak perlu menganalisis lebih lanjut model MA (2) ini.
4. ARMA (1,1)
ARIMA model for Data Effective Federal Funds_1

Estimates at each iteration

Iteration SSE Parameters
0 3.80906 0.100 0.100 0.059
1 2.42160 0.250 -0.050 0.039
2 2.09486 0.400 0.012 0.026
3 1.82253 0.550 0.055 0.013
4 1.67763 0.700 0.082 0.000
5 1.66666 0.740 0.088 -0.006
6 1.66658 0.742 0.088 -0.007
7 1.66658 0.742 0.088 -0.007
8 1.66658 0.742 0.088 -0.007
Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 0.7419 0.1281 5.79 0.000
MA 1 0.0881 0.1900 0.46 0.645
Constant -0.00676 0.02045 -0.33 0.742
Mean -0.02619 0.07924

Number of observations: 59
Residuals: SS = 1.66028 (backforecasts excluded)
MS = 0.02965 DF = 56

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 16.2 24.9 35.6 39.3
DF 9 21 33 45
P-Value 0.063 0.252 0.345 0.710

Model ARMA (1,1): a)

ϖ t =φ1 ϖ t−1 +at +θ1 at−1

b) ϖ t −ϖ=φ 1 +( ϖ t−1 −ϖ )+at +θ1 at−1

Analisis dari output MA (2) di atas sebagai berikut:
i) uji keberartian koefisien
|φ1|=0.7419>2SE (φ1 )=0 .2562 , sehingga φ1 berbeda secara signifikan dengan
nol.
 |θ1|=0.0881<2SE( φ1 )=0.38 , sehingga θ1 tidak berbeda secara signifikan
dengan nol.

|ϖ|=0.2619<2SE (ϖ )=0.15848 , sehingga ϖ tidak berbeda secara signifikan

dengan nol.

Karena φ1 berbeda secara signifikan dengan nol sedangkan θ1 dan ϖ tidak

berbeda secara signifikan dengan nol, maka uji keberartian koefisien gagal. Oleh
karena itu, kita tidak perlu menganalisis lebih lanjut model ARMA (1,1) ini.

5. ARMA (1,2)
ARIMA model for Data Effective Federal Funds_1

Estimates at each iteration

Iteration SSE Parameters
0 4.38718 0.100 0.100 0.100 0.059
1 2.79720 0.220 -0.050 0.103 0.043
2 2.60399 0.111 -0.200 0.053 0.047
3 2.56886 -0.032 -0.350 0.004 0.054
4 2.55279 -0.179 -0.500 -0.046 0.061
5 2.54106 -0.326 -0.650 -0.096 0.068
6 2.52975 -0.473 -0.800 -0.147 0.075
7 2.51292 -0.618 -0.950 -0.199 0.082
8 2.30539 -0.686 -1.100 -0.299 0.069
9 2.22042 -0.536 -0.988 -0.276 0.053
10 2.17797 -0.386 -0.856 -0.228 0.044
11 2.14727 -0.236 -0.717 -0.171 0.037
12 2.11736 -0.086 -0.575 -0.110 0.032
13 2.08523 0.064 -0.431 -0.047 0.026
14 2.04765 0.214 -0.288 0.016 0.021
15 1.99736 0.364 -0.147 0.077 0.016
16 1.91875 0.514 -0.013 0.132 0.011
17 1.79654 0.664 0.105 0.177 0.006
18 1.67039 0.814 0.204 0.214 0.001
19 1.63764 0.906 0.262 0.254 -0.001
20 1.63615 0.919 0.281 0.278 -0.001
21 1.63589 0.924 0.288 0.287 -0.001
22 1.63584 0.927 0.291 0.289 -0.001
23 1.63584 0.928 0.292 0.290 -0.001
 24 1.63584 0.928 0.293 0.291 -0.001
Unable to reduce sum of squares any further

Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 0.9281 0.0810 11.46 0.000
MA 1 0.2926 0.1601 1.83 0.073
MA 2 0.2907 0.1514 1.92 0.060
Constant -0.000559 0.009402 -0.06 0.953
Mean -0.0078 0.1308

Number of observations: 59
Residuals: SS = 1.62793 (backforecasts excluded)
MS = 0.02960 DF = 55

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 15.3 23.2 31.0 34.4
DF 8 20 32 44
P-Value 0.053 0.277 0.517 0.849

Model ARMA (1,2): a)

ϖ t =φ1 ϖ t−1 +at +θ1 at−1 +θ 2 at−2

b) ϖ t −ϖ=φ 1 +( ϖ t−1 −ϖ )+at +θ1 at−1 +θ2 a t−2

Analisis dari output AR (1) di atas sebagai berikut:
i) uji keberartian koefisien

, sehingga φ1 berbeda secara signifikan dengan

|φ1|=0.9281>2SE (φ1 )=0.162
nol.

, sehingga θ1 tidak berbeda secara signifikan

|θ1|=0.2926<2SE (φ1 )=0.3202
dengan nol.
|θ2|=0. 2907<2 SE (φ1 )=0 . 3028 , sehingga θ2 tidak berbeda secara signifikan
dengan nol.

|ϖ|=0.0078<2 SE(ϖ )=0.2612 , sehingga ϖ tidak berbeda secara signifikan

dengan nol.
 Karena φ1 berbeda secara signifikan dengan nol sedangkan θ1 , θ2 , dan ϖ
tidak berbeda secara signifikan dengan nol, maka uji keberartian koefisien gagal.
Oleh karena itu, kita tidak perlu menganalisis lebih lanjut model ARMA (1,2) ini.
Setelah diverifikasi, ternyata hanya ada satu model yang sesuai dengan data selisih pertama
runtun effective federal funds rate, yaitu model AR (1).

3.3 Peramalan
Setelah menentukan model yang sesuai dengan data selisih pertama runtun effective
federal funds rate, maka kita akan menentukan data untuk lima bulan yang akan datang. Di
bawah ini merupakan output dari peramalan AR (1):
Forecasts from period 60
95 Percent Limits
Period Forecast Lower Upper Actual
61 -0.008438 -0.343630 0.326754
62 -0.014312 -0.422709 0.394086
63 -0.018400 -0.457902 0.421102
64 -0.021246 -0.475052 0.432561
65 -0.023226 -0.483803 0.437351

Berdasarkan output di atas, maka data effective federal funds rate untuk lima bulan yang
akan datang yaitu:
1. Desember 2009
Z60 =0.12
Z61=0.12+ ϖ 59=0.12−0.008438=0.11
2. Januari 2010
Z62=0.11−0.014213=0.10
3. Februari 2010
Z63=0.10−0.018400=0.08
4. Maret 2010
Z64 =0.08−0.021246=0.06
5. April 2010
Z65=0.06−0.023226=0.4