PERAMALAN DENGAN METODE ARIMA MELALUI PROGRAM SPSS 17 Tulisan ini hanyalah teknik peramalan dengan metode ARIMA

yang menggunakan Aplikasi SPSS 17. Untuk teorinya silahkan baca buku Ekonometrika

1. 2. 3. 4.

Buka Aplikasi SPSS 17 Buka File \Ekonometrika\data\arima_indeks_trans.xls Lakukan uji stasioneritas dengan mengklik: Analyze-Forecasting-Autocorrelation Masukkan variable closing ke dalam kolom variable, hilangkan tanda centang partial correlation pada parameter display lalu klik Ok

5. Hasilnya

6. Dari gambar di atas menunjukkan bahwa data tidak stasioner, oleh karena itu harus dilakukan differencing.

7. Lakukan lagi langkah ke-3 kali ini pada parameter transform beri tanda centang pada difference dan isi kolom dengan 1, hasilnya:

8. Hasil pengolahan menunjukkan data telah stasioner, berarti siap untuk permodelan dengan ARIMA. 9. Untuk menentukan ordo pada model ARIMA, lakukan lagi langkah ke-3 tapi kali ini beri tanda centang pada partial autocorrelations sehingga hasilnya menjadi:

10. Dari hasil-hasil di atas, maka dapat dibuat model ARIMA (p,d,q) sebagai ARIMA (1,1,1) 11. Langkah untuk membuat model klik Analyze-create model, pilih ARIMA pada parameter methods, buat ordo (1,1,1) pada tombol criteria.

12. Pada Tabs Statistik beri centang Parameter estimates pada Statistic for Individual Model.

13. Pada Tabs Save beri centang Noise Residual lalu OK

14. Hasilnya sebagai berikut:

ARIMA Model Parameters Estimate Closing-Model_1 Closing No Transformation Constant AR Lag 1 1.022 .838 1 .653 .261 2.499 .015 SE .492 .192 t 2.078 4.368 Sig. .042 .000

Difference MA Lag 1

Model ARIMA yang dibuat: Yt = 1,022 + 0,838 Yt-1 0,653e t-1 Yt (Yt-1 ) = 1,022 + 0,838(Yt-1 - Yt-2) - 0,653e t-1 Yt = 1,022 + 1,83 Yt-1 0,83 Yt-2 - 0,653e t-1

15. Apakah model sudah baik? Model baik jika: a. Semua koefisien signifikan kecuali intercept (konstant), Pada kolom sig menunjukkan syarat pertama terpenuhi. b. Errornya White Noise (pure random), artinya error tidak dipengaruhi oleh error-error waktu yang lalu.

16. Untuk mengetahui apakah error white noise atau tidak ikuti langkah analyze forecasting autocorrelation. Kali ini variabelnya noise residual from closing lalu, hilangkan centang partial correlation lalu OK. Hasilnya:

17. Hasil di atas menunjukkan bahwa error tidak white noise. Untuk itu model ARIMA harus diturunkan dengan metode trial error misalnya ARIMA (1,1,0) atau ARIMA (0,1,1) Untuk itu ulangi langkah ke-11 hingga ke-16. 18. Jika tidak ditemukan model yang baik yang memenuhi 2 syarat di atas, maka dilakukan permodelan dengan ARCH/GARCH

TUNGGU MODUL BERIKUTNYA