MAKALAH ANALISIS RUNTUN WAKTU

PERAMALAN TERHADAP DATA TIME SERIES :

DATA SAHAM PT INDOFOOD PERIODE 30 AGUSTUS 22 NOVEMBER 2016
DENGAN METODE ARIMA

Disusun Oleh :
1. Trisnawati Gusnawati Berutu (24010214120035)
2. Farhah Izzatul Jannah (24010214120039)
3. Affan Hanafie (24010214120079)

DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2016
 PERAMALAN TERHADAP DATA TIME SERIES : DATA SAHAM PT INDOFOOD
PERIODE 30 AGUSTUS 22 NOVEMBER 2016 DENGAN METODE ARIMA

I. LATAR BELAKANG
PT. Indofood Sukses Makmur Tbk. (IDX: INDF) merupakan produsen berbagai jenis
makanan dan minuman yang bermarkas di Jakarta, Indonesia. Perusahaan ini didirikan pada
tanggal 14 Agustus 1990 oleh Sudono Salim dengan nama PT. Panganjaya Intikusuma yang
pada tanggal 5 Februari 1994 menjadi Indofood Sukses Makmur. Perusahaan ini mengekspor
bahan makanannya hingga Australia, Asia, dan Eropa.
Dalam beberapa dekade ini Indofood telah bertransformasi menjadi sebuah
perusahaan total food solutions dengan kegiatan operasional yang mencakup seluruh
tahapan proses produksi makanan, mulai dari produksi dan pengolahan bahan baku
hingga menjadi produk akhir yang tersedia di rak para pedagang eceran.
Dari data saham yang diperoleh dari yahoo finance ingin di ramalkan untuk 6
periode kedepan data saham pt indofood periode 30 agustus 22 november 2016
sahamnya meningkat atau mengalami penurunan, dengan menggunakan metode analisis
runtun waktu.

II. TUJUAN
Tujuan yang ingin dicapai dalam penulisan makalah Peramalan Data Time Series :
data saham pt indofood periode 30 agustus 22 november 2016 Metode ARIMA
adalah:
1. Mengetahui tahapan analisis data runtun waktu menggunakan model ARIMA
2. Mendapatkan model terbaik dari data data saham pt indofood periode 30 agustus
22 november 2016
3. Meramalkan data saham pt indofood periode 30 agustus 22 november 2016
untuk 6 periode ke depan.
III. TINJAUAN PUSTAKA
3.1 Analisis Runtun Waktu
Analisis Runtun waktu atau time series analysis dikenalkan pada tahun 1970 oleh
George E.P Box dan Gwilym M. Jenkins melalui bukunya Time Series Analysis :
Forecasting and Control. Sejak saat itu, runtun waktu mulai banyak dikembangkan.
Dasar pemikiran runtun waktu adalah pengamatan sekarang (Zt) tergantung pada 1 atau
beberapa (k) pengamatan sebelumnya (Zt-k). Dengan kata lain, model runtun waktu
dapat dibuat karena secara statistik ada korelasi (dependen) antar deret pengamatan.
Untuk melihat adanya deret dependensi antar pengamatan, dilakukan uji korelasi antar
pengamatan yang sering dikenal dengan autocorrelation function (ACF) (Makridakis,
1999). Tujuan analisis runtun waktu antara lain memahami dan menjelaskan
mekanisme tertentu, meramalkan suatu nilai masa depan, dan mengoptimalkan sistem
kendali. Analisis runtun waktu dpat diterapkan di bidang ekonomi, bisnis, industri,
teknik, dan ilmu-ilmu sosial.
Model-model Autoregressive Integrated Moving Average (ARIMA) telah
dipelajari secara mendalam oleh George Box dan Gwilym Jenkins, dan nama mereka
sering disinonimkan dengan proses ARIMA yang biasa disebut sebagai metode Box-
Jenkins. Metode Box-Jenkins untuk analisis runtun waktu menggunakan operator
backshift (B) yang didefinisikan sebagai (Soejoeti, 1987) :
BZt = Zt-1 (1)

dan operator diferensi () yang didefinisikan sebagai :

Zt = Zt Zt-1 = (1-B)Zt

sehingga kedua operator ini mempunyai hubungan :

= (1 B)

dengan persamaan (1) dikembangkan definisi operator backshift sebagai :

BjZt = Zt-j

Model proses statistik menurut metode Box Jenkins yaitu :

(B)Zt = (B)at (2)

Model (2) dapat ditulis menjadi :

Zt = (B)at

()
dengan () = , maka {Zt} dapat dipandang sebagai runtun waktu yang dihasilkan
()

denagn melewatkan proses White Noise {at} melalui suatu linier filter dengan fungsi
transfer (B).

3.2 Asumsi Analisis Runtun Waktu

 Stasioneritas
Runtun waktu statistik (stokastik) tidak dapat mengulangi kembali keadaan
himpunan observasi yang telah lalu. Denagan demikian smebarang Zt dapat dipandang
sebagai suatu realisasi dari suatu variabel ransom Zt yang mempunyai distribusi dengan
fungsi kepadatan probabilitas (fkp) tertentu misalnya f(Zt). Jika suatu proses statistik
mempunyai fkp bersama (Zt+n1, ..., Zt-nm) yang independen denagn t, sembaraang
bilangan bulat m dan sembarang pilihan n1, ..., nm, struktur probabilitasnya tidak
berubah dengan berubahnya waktu, maka proses runtun waktu ini tidak stasioner.
Jadi, secara visual konsep stasioneritas adalah (Soejoeti, 1987) :
a. Apabila suatu runtun waktu diplot dan tidak terbukti adanya perubahan nilai
tengah dari waktu ke waktu, maka dapat dikatakan bahwa runtun waktu tersebut
stasioner pada nilai tengahnya (mean)
b. Apabila runtun wkatu tidak memperlihatkan adanya perubahan varian yang jelas
dari waktu ke waktu, maka dapat dikatakan data runtun waktu tersebut stasioner
pada variannya.
c. Apabila dalam plot ACF (autocorrelation function) dan PACF (partial
autocorrelation function) terdapat lag yang keluar dari batas standar residual atau
menurun cepat, maka dapat dikatakan data runtun waktu tersebut stasioner.
Model ARIMA mengasumsikan bahwa data masukan harus stasioner. Apabila
data masukan tidak stasionerperlu dilakukan penyesuaian untuk menghasilkan data
yang stasioner. Salah sau cara yang umum dipakai adalah metode pembedaan
(differencing). Metode ini dilakukan dengan cara mengurangi nilai data pada suatu
periode deangan nilai data periode sebelumnya.

Residual mengikuti proses White Noise

Dalam suatu runtun waktu, residual yang dihasilkan oleh model harus mengikuti
proses White Noise. Proses White Noise merupakan proses stasioner. Proses dimana at ~
NID (0, a2) artinya residual independen berdistribusi normal dengan mean 0 dan
varian konstan (Soejoeti, 1987). Untuk mengetahui apakah residual mengikuti proses
White Noise maka dilakukan Uji Normalitas Residual dan Uji Independensi Residual.

Uji Normalitas Residual

 Ada beberapa uji normalitas yang ada, diantaranya secara formal uji Anderson-
Darling, Ryan-Joiner dan Kolmogorov-Smirnov, secara visual dapat dilihat melalui
normal probability plot. Dalam pengujian formal Kolmogorov-Smirnov hiptesis awal
yang diambil yaitu residual berdistribusi normal (H0) dan residual tidak berdistribusi
normal (H1) , sedangkan taraf signifikansi yang digunakan sebesar , untuk statistik uji
yang digunakan DN = maks [Fo(X) F(X)] atau p-value denagn kriteria uji menolak
H0 jika DN > DN() atau p-value < dimana DN adalah nilai absolut maksimum antara
distribusi kumulatif sampel (observasi) dengan distribusi kumulatif hipotesa (yaitu
distribusi normal), Fo(X) adalah distribusi frekuensi kumulatif data sampe, F(X) adalah
distribusi kumulatif dari distribusi normal, dan DN() adalah nilai kritis yang diperoleh
dari Tabel Kolmogorov-Smirnov. Dapat juga dilakukan secara uji visual dengan
melihat plot sebaran data. Jika sebaran data membentuk pola garis lurus maka
dikatakan residual tersebut berdistribusi normal.

Uji Independensi Residual

Uji independensi dilakukan untuk mendeteksi independensi residual antar-lag.
Dua lag dikatakan tidak berkorelasi apabila antar-lag tidak ada korelasi cukup berarti.
Dalam runtun waktu, uji dilakukan dengan menggunakan statistik Ljung-Box-Pierce.
Dalam pengujian independensi residual hoipotesis awal yang diambil yaitu k = 0 atau
tidak ada korelasi residual antar-lag (H0) dan paling sedikit ada satu k 0 atau ada
korelasi residual antar-lag (H1), sedangkan taraf signifikansi yang digunakan sebesar ,
untuk statistik uji yang digunakan = ( + 2)
1( )
1 2
atau p-value
2
dengan kriteria uji menerima H0 jika Q < (,) atau p-value > dimana m adalah
lag maksimum dan s adalah jumalah parameter yang diestimasi.

3.3 Model-Model Runtun Waktu Nonmusiman

Model Autoregresif (AR)

Bentuk umum suatu autoregresif tingkat p {AR(p)} adalah (Soejoeti, 1987) :

Zt = 1Zt-1 + 2Zt-2 + ... + pZt-p + at (3)
definisi persamaan (3) adalah nilai sekarang suatu proses dinyatakan sebagai jumlah
tertimbang nilai-niali yang lalu ditambah satu sesatan sekarang. Persamaan (3) dapat
ditulis dengan :
(B)Zt = at
B merupakan operator backshift yang dipasang pada Zt dan berpengaruh terhadap
pergeseran data beberapa periode sebelumnya.
BZt = Zt-1 maka Bm(Zt) = Zt-m
dengan
(B) = 1 1B 2B2 ... pBp
dimana :
(B) = operator AR(p)
j = parameter autoregresive ke-j untuk j=1, 2, 3, ..., p
at = nilai kesalahan pada saat t
at ~ NID (0, a2), at independen dengan Zt-p, model dianggap stasioner.

Contoh mpdel AR(1) dan AR(2) sebagai berikut :

1. AR(1)

(B) Zt = at

(1 1B) Zt = at

Zt 1B Zt = at

Zt = 1B Zt + at

Zt = 1Zt-1 + at

2. AR(2)

(B) Zt = at

(1 1B 2B2) Zt = at

Zt 1B Zt 2B2Zt = at

Zt = 1B Zt + 2B2Zt +at

Zt = 1Zt-1 + 2Zt-2 + at
 Sebagai contoh disebut model AR(1) karena plot PACF terputus setelah suku ke-
1, atau dapat dikatakan hanya pada lag pertama yang melebihi batas 2SE (standard
error), sedangkan untuk plot ACF turun secara lambat.

Model Moving-Average (MA)

Bentuk umum model Moving-Average tingkat q atau MA(q) adalah (Soejoeti, 1987) :
Zt = at + 1at-1 + 2at-2 + ... + qat-q (4)
persamaan (4) dapat ditulis menjadi :
Zt = (B)at
dengan (B) = 1 + 1B + ... + qBq adalah operator MA(q) at ~ NID (0, a2) maka
dianggap modelnya stasioner
-1(B) Zt = at
bentuk panjangnya
Zt 1Zt-1 2Zt-2 ... = at
contoh model MA(1) sebagai berikut :

Zt = (B)at

Zt = (1 1B)at

Zt = at + 1B at

Zt = at + 1Bat-1

Sebagai contoh, disebut model MA(1) karena plot ACF terputus setelah suku ke-
1, atau dapat dikatakan hanya pada lag pertama yang melebihi batas 2SE (standard
error), sedangkan untuk plot PACF turun secara lambat.

Model ARMA (p,q)

Suatu perluasan yang dapat dipeoleh dari model AR dan MA adalah model
campuran yang berbentuk (Soejoeti, 1987) :
Zt = 1Zt-1 + 2Zt-2 + ... + pZt-p + at at + 1at-1 + 2at-2 + ... + qat-q
(B)Zt = (B)at
contoh model ARMA(1,1) sebagai berikut :
(B)Zt = (B)at

(1 1B)Zt = (1 1B)at
 Zt = 1Zt -1 + 1at-1 + at

Model ARIMA (p,d,q)

Dalam praktiknya model runtun waktu yang statsioner sangat dukar sekali
dijumpai untuk itu perlu proses differensi agar data menjadi stasioner. Model umum
Autoregressive orde p, Integrate orde d, dan Moving Average orde q (ARIMA(p,d,q))
merupakan hasil penggabungan antara proses nonstasioner yang telah distasionerkan.
Dalam hal ini, d merupakan orde dari differensi.
Persamaan umum :
p(B)(1-B)dZt = q(B)at
Suatu runtun waktu yang dihasilkan oleh proses ARIMA(p,d,q) dapat dinyatakan
dalam bentuk observasi yang lalu, sesatan yang lalu dan sekarang. Cotoh model
ARIMA(1,1,1,) sebagai berikut :
p(B)(1-B)dZt = q(B)at

(1 1B) (1-B)Zt = (1 + 1B)at

Zt 1BZt BZt + 1B2Zt = 1Bat + at

Zt = BZt + 1BZt 1B2Zt + 1Bat + at

Zt = Zt-1 + 1Zt-1 1Zt-2 + 1at-1 + at

3.4 Tahapan Analisis Runtun Waktu

Suatu model runtun waktu dikatakan baik apabila telah sesuai dengan kenyataan.
Dengan kata lain, apabila kesalahan (error) model semakin kecil, maka model bisa
dikatakan baik. Oleh karena itu, perlu berhati-hati dalam mengidentifikasi model runtun
waktu. Tahap-tahap dalam analisis runtun waktu sebagai berikut :
Identifikasi Model
Identifikasi merupakan tahapan awal dari pemodela secara kasar. Identifikasi
dilakukan untuk melihat apakah data runtun waktu stasioner atau tidak.
Identifikasi dapat dilihat dari :
a. Plot runtun waktu. Data runtun waktu dikatakan stasioner apabila struktur
probabilitas pada plot time series tidak berubah untuj setiap waktu (mean dan
varian konstan untuk setiap waktu)
b. Plot ACF. Jika plot ACF menunjukkan bahwa perubahan nilai korelasi antar lag
cepat dan tidak kelihatan linier, maka proses runtun waktu dikatakan stasioner.
c. Plot PACF. Jika plot PACF menunjukkan bahwa perubahan nilai korelasi antar
lag cepat dan tidak kelihatan linier, maka proses runtun waktu dikatakan
stasioner.
Apabila data runtun waktunya nonstasioner, maka data yang ada harus diubah
menjadi stasioner. Stasioneritas dapat diperoleh dengan melakukan differensi terhadap
data pengamatan, yaitu mengambil selisih antar pengamatan. Jika hasil differensi ini
merupakan proses stasioner maka dapat dilakukan identifikasi terhadap proses setelah
diambil differensinya, yaitu dengan menggambarkan plot ACF dan PACF.
Estimasi Model
Setelah diperoleh model yang diperkirakan cocok, langkah selanjutnya adalah
mengestimasi parameter dalam model. Untuk melakukan perhitungan dengan metode
estimasi, digunakan program MINITAB. Sebagian besar persamaan yang dugunakan
untuk mengestimasi nilai awal parameter di dalam tahap estimasi adalah persamaan
nonlinier simultan yang pemecahannya harus dilakukan dengan metode iterasi. Jadi,
estimasi parameter diperoleh setelah bebrapa iterasi untuk mendapatkan SSE minimum.
Sehingga diperoleh estimasi akhir parameter dalam model dan standar deviasinya,
termasuk juga variansi dari residualnya (MSE). Dalam pengujian signifikansi parameter
hipotesis awal yang diambil yaitu parameter = 0 atau parameter tidak signifikan
terhadap model (H0) dan parameter 0 atau parameter signifikan terhadap model (H1),
sedangkan taraf signifikansi yang digunakan sebesar , untuk statistik uji yang

digunakan p-value atau = dengan kriteria uji menolak H0
( )

jika | | > ;5 atau p-value < dimana n adalah jumlah pengamatan dan s
2

adalah jumlah parameter.

Verifikasi Model
Verifikasi dimaksudkan untuk memeriksa apakah model estimasi sudah cocok
dengan data yang dipunyai. Jika ditemui penyimpangan yang cukup serius, maka harus
 dirumuskan kembali model baru, selanjutnya diestimasikan dan verifikasi lagi model
baru tersebut.
Dalam tahap ini dilakukan uji diagnostik untuk mengetahui apakah model
tersebut telah mengikuti proses White Noise atau belum. Pada tahp ini dilakukan
pembandingan dengan model lain yaitu dengan menambah dan mengurangi parameter
model yang telah diidentifikasi. Dalam verifikasi ini berlaku prinsip parsimonius
(melibatkan parameter sedikit mungkin) dan MSE terkecil, sehingga dari langkah
verifikasi ini diambil model yang paling cocok dan melibatkan parameter sedikit
mungkin.
Dari tahap identifikasi, estimasi dan verifikasi diketahui model terbaik. Model
terbaik tersebut dapat digunakan untuk peramalan. Peramalan adalah proses penaksiran
nilai data berdasarkan sebuah model hubungan fungsional antar nilai data, sehingga
akan diperoleh prediksi untuk beberapa waktu mendatang. Dalam peramalan
ditunjukkan bagaimana data yang lalu dimanfaatkan untuk mendapatkan proyeksi
ramalan yang akan datang, menentukan variansi sesatan (kesalahan) ramalan, dan
menghitung interval konfidensi.

IV. PERMASALAHAN
Identifikasi terhadap data time series :
Data Saham PT Indofood Periode 30 Agustus 22 November 2016

Adj
Date Open High Low Close Volume
Close
8/30/2016 7925 7950 7850 7900 8172800 7900
8/31/2016 7925 8200 7850 7925 35279600 7925
9/1/2016 8000 8075 7950 8000 13086600 8000
9/2/2016 8025 8025 7950 8000 17771900 8000
9/5/2016 8075 8200 8025 8125 24273600 8125
9/6/2016 8175 8375 8175 8375 27363300 8375
9/7/2016 8450 8725 8425 8525 43671000 8525
9/8/2016 8525 8550 8400 8425 5837600 8425
9/9/2016 8425 8425 8150 8200 11756300 8200
9/12/2016 8200 8200 8200 8200 0 8200
9/13/2016 8025 8200 7975 8175 7523200 8175
9/14/2016 8050 8100 7950 8000 11160200 8000
9/15/2016 8000 8475 7950 8475 19580600 8475
9/16/2016 8550 8550 8300 8475 11817400 8475
9/19/2016 8475 8525 8400 8400 3849900 8400
9/20/2016 8400 8400 8275 8350 2238900 8350
9/21/2016 8400 8600 8250 8600 10942000 8600
9/22/2016 8625 8750 8550 8675 9009000 8675
9/23/2016 8875 8925 8700 8875 14196400 8875
9/26/2016 8800 8800 8650 8750 7288300 8750
9/27/2016 8650 9125 8625 9125 11017200 9125
9/28/2016 8825 9100 8825 9000 15543200 9000
9/29/2016 9050 9200 9050 9150 8495200 9150
9/30/2016 9100 9125 8700 8700 12719500 8700
10/3/2016 8825 9175 8825 9150 7491600 9150
10/4/2016 9200 9200 8925 8925 6970100 8925
10/5/2016 8875 8900 8700 8900 5222100 8900
10/6/2016 8825 8975 8800 8900 4708900 8900
10/7/2016 8975 8975 8825 8900 2914700 8900
10/10/2016 8975 8975 8700 8725 3208900 8725
10/11/2016 8900 8950 8700 8925 11488300 8925
10/12/2016 8900 8950 8800 8925 4556800 8925
10/13/2016 8825 8900 8700 8700 5373200 8700
10/14/2016 8750 8875 8600 8825 8629900 8825
10/17/2016 8700 8800 8625 8625 6431000 8625
10/18/2016 8600 8700 8550 8650 8060300 8650
10/19/2016 8625 8650 8525 8550 8421500 8550
10/20/2016 8550 8625 8475 8600 20371700 8600
10/21/2016 8625 8800 8600 8725 11929900 8725
10/24/2016 8750 8775 8725 8725 6274400 8725
10/25/2016 8750 8750 8525 8525 7269400 8525
10/26/2016 8525 8575 8400 8525 11709800 8525
10/27/2016 8550 8625 8450 8625 6210800 8625
10/28/2016 8650 8650 8500 8525 8609600 8525
10/31/2016 8575 8600 8500 8500 8062100 8500
11/1/2016 8525 8525 8425 8500 6441900 8500
11/2/2016 8500 8500 8425 8450 4306400 8450
11/3/2016 8475 8500 8150 8200 11030000 8200
11/4/2016 8275 8275 8050 8175 8128400 8175
11/7/2016 8175 8225 8100 8150 13029600 8150
11/8/2016 8225 8425 8225 8375 12279900 8375
11/9/2016 8450 8450 8075 8200 14384200 8200
11/10/2016 8300 8350 8250 8300 13305400 8300
11/11/2016 8200 8200 7675 7675 16300600 7675
11/14/2016 7550 7775 7225 7600 29160300 7600
11/15/2016 7700 7775 7500 7600 15813900 7600
11/16/2016 7700 7850 7650 7700 13864800 7700
11/17/2016 7750 7825 7625 7825 6190200 7825
11/18/2016 7700 7800 7650 7775 7473300 7775
11/21/2016 7650 7800 7625 7800 11781400 7800
 11/22/2016 7700 7800 7600 7700 13076500 7700
Data diatas untuk menentukan model. Kemudian digunakan tabel berikut sebagai
pembanding nilai forecast,
Adj
Date Open High Low Close Volume Close
11/23/2016 7725 7750 7575 7700 12067000 7700
11/24/2016 7650 7675 7425 7450 10919500 7450
11/25/2016 7400 7525 7350 7425 4395000 7425
Akan dilakukan pengujian yang meliputi :
1. Identifikasi Model
a. Uji stasioneritas secara visual dan formal
b. Jika tidak stasioner, lakukan tindakan difference hingga stasioner
c. Interpretasikan plot ACF dan PACF
2. Estimasi Parameter dan penurunan model
3. Uji Signifikansi Parameter
4. Verifikasi Model
a. Uji Normalitas
b. Uji Independensi
c. Nilai MSE
5. Model Terbaik
6. Forecast (peramalan )

V. ANALISIS DAN PEMBAHASAN

1. Identifikasi Model
a. Pengujian Stasioneritas Data
Trend analisis data awal
Secara visual
Berdasarkan grafik trend analisis diatas terlihat bahwa trend cenderung turun sehingga
secara visual data saham PT Indofood dikatakan tidak stasioner dalam mean dan
variannya tidak konstan setiap waktu. Agar data atau grafik yang dihasilkan stasioner
maka perlu dilakukan difference sehingga data menjadi stasioner.
Secara Formal
Hipotesis
Ho : terdapat akar unit (data runtun waktu saham PT Indofood tidak stasioner)
H1 : tidak terdapat akar unit (data runtun waktu saham PT Indofood stasioner)
Taraf signifikansi
= 5%
Statistik Uji
 Dilihat dari output Eviews pada Augmented Dickey-Fuller Unit Root Test diperoleh
nilai untuk mendeteksi ada tidaknya akar unit maka diperoleh nilai
1
=
2
=2 1
1
=
1
=2(1 )2
=2 1
2

=
)
(
nilai Augmented Dickey-Fuller = -1,017093 dengan nilai prob. = 0,7417
Daerah Kritis
Menolak Ho jika prob <
Keputusan
Ho diterima karena nilai prob. = 0,7417 > = 0,05
Kesimpulan
Pada taraf signifikansi = 0,05 maka terdapat akar unit atau dengan kata lain data
runtun waktu saham PT Indofood tidak stasioner sehingga perlu dilakukan differensi
terhadap data.

Data di differensi pada lag = 1

Secara Visual (Trend analisis data setelah didifferensi)
Berdasarkan grafik trend analisis diatas terlihat bahwa trend cenderung turun sehingga
secara visual data saham PT Indofood dikatakan tidak stasioner dalam mean dan
variannya tidak konstan setiap waktu. Dimungkinkan perlu dilakukan differensi ulang
namun tergantung dari hasil yang akan diperoleh setelah melakukan analisis stasioner
secara formal.
Secara Formal
Hipotesis

Ho : terdapat akar unit (data runtun waktu saham PT Indofood tidak stasioner)
H1 : tidak terdapat akar unit (data runtun waktu saham PT Indofood stasioner)
Taraf signifikansi
= 5%
Statistik Uji
Dilihat dari output Eviews pada Augmented Dickey-Fuller Unit Root Test
diperoleh nilai untuk mendeteksi ada tidaknya akar unit maka diperoleh nilai
1
=
2
=2 1
 1
=
1
=2(1 )2
=2 1
2

= )
(

nilai Augmented Dickey-Fuller = -10,40599 dengan nilai prob. = 0,000

Daerah Kritis
Menolak Ho jika prob <
Keputusan
Ho ditolak karena nilai prob. = 0,000 < = 0,05
Kesimpulan
Pada taraf signifikansi = 0,05 maka tidak terdapat akar unit atau dengan kata lain
data runtun waktu saham PT Indofood telah stasioner.
b. Plot ACF
Setelah dilakukan differensi untuk lag = 1, dari output Minitab- Partial
Autocorrelation Function maka fungsi ACF terlihat terputus setelah lag ke-1 dengan
garis batas melengkung diujungnya atau berupa tails-off sehingga model yang digunakan
adalah model IMA (1,1).
c. Plot PACF
Dari output Minitab- Partial Autocorrelation Function terlihat bahwa fungsi PACF
terpotong setelah lag ke-1 dengan garis batas datar atau cuts-off. Model yang dapat
digunakan ialah ARI (1,1).
2. Estimasi Parameter dan Penurunan Model
Berdasarakan Plot ACF dan PACF Diff 1 serta data runtun waktu telah stasioner maka
diperoleh model untuk ACF yakni IMA (1) dan PACF yakni ARI (1,1) sehingga
modifikasi yang memungkinkan adalah
a. Model ARIMA (1,1,1)
Penurunan rumus untuk model ini adalah
()(1 ) = ()
1 ()(1 )1 = 1 ()
(1 1 )(1 )1 = (1 1 )
(1 1 + 1 2 ) = 1
(1 (1 + 1 + 1 2 ) = 1
(1 + 1 )1 + 1 2 = 1 1
= (1 + 1 )1 1 2 + 1 1
Berdasarkan output model ARIMA (1,1,1) diperoleh nilai 1 = -0.8495 dan 1 = 0.6377
= 0,1505 1 + 0.8495 2 + + 0.6377 1
b. Model ARIMA (0,1,1)

Penurunan rumus untuk model ini adalah

()(1 ) = ()
0 ()(1 )1 = 1 ()
(1 ) = 1 ()
(1 ) = (1 1 )
= 1
= 1 1 1 +
Berdasarkan output model ARIMA (0,1,1) diperoleh nilai 1 = 0.2746
= 1 0.2746 1 +

c. Model ARIMA (1,1,0)

Penurunan rumus untuk model ini adalah

()(1 ) = ()
1 ()(1 )1 = 0 ()
(1 1 )(1 ) =
(1 1 + 1 2 ) =
(1 (1 + 1 + 1 2 ) =
(1 + 1 )1 + 1 2 =
= (1 + 1 )1 1 2 +

Berdasarkan output model ARIMA (1,1,0) diperoleh nilai 1 = -0.3123

= 0,6877 1 + 0.3123 2 +

3. Uji Signifikansi Parameter

Hipotesis
Ho : Koefisien tidak cocok terhadap model
H1 : Koefisien cocok terhadap model
Taraf Signifikansi
Menggunakan = 5%
Statistik Uji
 Dapat dilihat dari Final Estimates of Parameter masing-masing model :
- Model ARIMA (1,1,1)
AR 1 p-value = 0.000
MA 1 p-value = 0.006
- Model ARIMA (0,1,1)
MA 1 p-value = 0.033
- Model ARIMA (1,1,0)
AR 1 p-value = 0.015
Kriteria Uji
Tolak Ho jika p-value <
Keputusan
- Model ARIMA (1,1,1)
AR 1 p-value = 0.000 (Menolak Ho karena p-value < = 0,05)
MA 1 p-value = 0.006 (Menolak Ho karena p-value < = 0,05)
- Model ARIMA (0,1,1)
MA 1 p-value = 0.033 (Menolak Ho karena p-value < = 0,05)
- Model ARIMA (1,1,0)
AR 1 p-value = 0.015 (Menolak Ho karena p-value < = 0,05)
Kesimpulan
Pada taraf signifikansi 5% disimpukan semua koefisien cocok terhadap model karena
p-value < = 0,05.
4. Verifikasi Model
a. Uji Normalitas
Hipotesis
Ho : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Taraf Signifikansi
Menggunakan = 5%
Statistik Uji
Dapat dilihat dari grafik masing-masing model dalam Test Normality
ARIMA (1,1,1) p-value > 0,150
ARIMA (0,1,1) p-value > 0,150
ARIMA (1,1,0) p-value = 0,043
Kriteria Uji
 Tolak Ho jika p-value <
Keputusan
ARIMA (1,1,1),p-value > 0,150 (Menerima Ho karena p-value > = 0,05)
ARIMA (0,1,1),p-value > 0,150 (Menerima Ho karena p-value > = 0,05)
ARIMA (1,1,0) ,p-value = 0,043 (Menolak Ho karena p-value < = 0,05)
Kesimpulan
Pada taraf signifikansi 5% disimpukan bahwa residual untuk model ARIMA
(1,1,1) dan ARIMA (0,1,1) berdistribusi normal sedangkan pada model ARIMA
(1,1,0) residual tidak berdistribusi normal.
b. Uji Independensi
Hipotesis
Ho : Tidak ada korelasi antar lag
H1 : Ada korelasi antar lag
Taraf Signifikansi
Menggunakan = 5%
Statistik Uji
Dapat dilihat dari L-Jung Box pada masing-masing model
lag 12 24 36 48
- ARIMA (1,1,1) chi-square 7.6 18.9 29.9 51.1

p-value 0.672 0.654 0.669 0.281

- ARIMA (0,1,1) chi-square 12.9 20.6 37.7 57.8

p-value 0.299 0.607 0.347 0.135

- ARIMA (1,1,0) chi-square 11.2 19.7 34.4 58.1

p-value 0.429 0.661 0.498 0.129

Kriteria Uji
Tolak Ho jika p-value <
Keputusan
Untuk model ;
lag 12 24 36 48
- ARIMA (1,1,1) p-value 0.672 0.654 0.669 0.281

maka menerima Ho karena p-value pada lag 12, 24, 36, dan 48 > = 0,05
- ARIMA (0,1,1) p-value 0.299 0.607 0.347 0.135
 maka menerima Ho karena p-value pada lag 12, 24, 36, dan 48 > = 0,05
- ARIMA (1,1,0) p-value 0.429 0.661 0.498 0.129

maka menerima Ho karena p-value pada lag 12, 24, 36, dan 48 > = 0,05

Kesimpulan
Pada taraf nyata 5% disimpulkan bahwa tidak ada korelasi antar lag untuk
seluruh model ARIMA (1,1,1), ARIMA (0,1,1), dan ARIMA (1,1,0).

c. MSE
Nilai MSE masing-masing model dapat dilihat pada output minitab masing-masing
model
ARIMA (1,1,1) MSE = 30474
ARIMA (0,1,1) MSE = 31912
ARIMA (1,1,0) MSE = 31374
5. Model Terbaik
Tabel Perbandingan
Model Signifikansi Normalitas Independensi MSE

ARIMA (1,1,1) Koefisien Residual Tidak ada 30474

cocok terhadap berdistribusi korelasi antar

model normal lag
ARIMA (0,1,1) Koefisien Residual Tidak ada 31912

cocok terhadap berdistribusi korelasi antar

model normal lag
ARIMA (1,1,0) Koefisien Residual tidak Tidak ada 31374

cocok terhadap berdistribusi korelasi antar

model normal lag

Berdasarkan tabel perbandingan di atas dipilih model terbaik yang memenuhi asumsi
signifkansi, normalitas, independensi serta memiliki nilai MSE terkecil yakni
Model Signifikansi Normalitas Independensi MSE

ARIMA Koefisien Residual Tidak ada 30474

(1,1,1) cocok terhadap berdistribusi korelasi antar

model normal lag
 = 0,1505 1 + 0.8495 2 + + 0.6377 1

6. Forecast (peramalan )
Model yang digunakan untuk meramalkan beberapa periode kedepan adalah ARIMA
(1,1,1) dengan model:
= 0,1505 1 + 0.8495 2 + + 0.6377 1
Hasil forecast :
Dimulai dari periode 61
Period Forecast Lower Upper Actual
62 7725.71 7383.49 8067.94
63 7703.87 7268.13 8139.61
64 7722.43 7175.04 8269.82
65 7706.66 7092.27 8321.05
66 7720.05 7025.73 8414.38

VI. KESIMPULAN
1. Identifikasi Model
a. Uji stasioneritas secara visual dan formal
Visual
Berdasarkan grafik trend analisis diatas terlihat bahwa trend cenderung turun
sehingga secara visual data saham PT Indofood dikatakan tidak stasioner dalam
mean dan variannya tidak konstan setiap waktu. Agar data atau grafik yang
dihasilkan stasioner maka perlu dilakukan difference sehingga data menjadi
stasioner.
Formal
Pada taraf signifikansi = 5% diperoleh Prob > ,yaitu 0,7417 > 0,05 dapat
disimpulkan bahwa data tidak stasioner
b. Differensi
Visual
Berdasarkan grafik trend analisis diatas terlihat bahwa trend cenderung turun
sehingga secara visual data saham PT Indofood dikatakan tidak stasioner dalam
mean dan variannya tidak konstan setiap waktu. Dimungkinkan perlu dilakukan
differensi ulang namun tergantung dari hasil yang akan diperoleh setelah
melakukan analisis stasioner secara formal.
Formal
Pada taraf signifikansi = 0,05, diperoleh Prob < ,yaitu 0,000> 0,05 maka
tidak terdapat akar unit atau dengan kata lain data runtun waktu saham PT
Indofood telah stasioner.
 c. Plot ACF dan PACF
Plot ACF
Setelah dilakukan differensi untuk lag = 1, dari output Minitab- Partial
Autocorrelation Function maka fungsi ACF terlihat terputus setelah lag ke-1
dengan garis batas melengkung diujungnya atau berupa tails-off sehingga model
yang digunakan adalah model IMA (1,1).
Plot PACF
Dari output Minitab- Partial Autocorrelation Function terlihat bahwa fungsi
PACF terpotong setelah lag ke-1 dengan garis batas datar atau cuts-off. Model
yang dapat digunakan ialah ARI (1,1).

2. Estimasi Parameter dan penurunan model

Model ARIMA (1,1,1) diperoleh nilai 1 = -0.8495 dan 1 = 0.6377

= 0,1505 1 + 0.8495 2 + + 0.6377 1

Model ARIMA (0,1,1) diperoleh nilai 1 = 0.2746
= 1 0.2746 1 +
Model ARIMA (1,1,0) diperoleh nilai 1 = -0.3123
= 0,6877 1 + 0.3123 2 +
3. Uji Signifikansi Parameter

Pada taraf signifikansi 5% disimpukan semua koefisien cocok terhadap model karena
semua p-value < = 0,05.
4. Verifikasi Model
a. Uji Normalitas
Pada taraf signifikansi 5% disimpukan bahwa residual untuk model ARIMA
(1,1,1) dan ARIMA (0,1,1) berdistribusi normal sedangkan pada model
ARIMA (1,1,0) residual tidak berdistribusi normal.
b. Uji Independensi
Pada taraf nyata 5% disimpulkan bahwa tidak ada korelasi antar lag untuk
seluruh model ARIMA (1,1,1), ARIMA (0,1,1), dan ARIMA (1,1,0).
c. Nilai MSE

Nilai MSE masing-masing model dapat dilihat pada output minitab masing-
masing model
- ARIMA (1,1,1) MSE = 30474
- ARIMA (0,1,1) MSE = 31912
 - ARIMA (1,1,0) MSE = 31374

5. Model Terbaik
Tabel Perbandingan
Model Signifikansi Normalitas Independensi MSE

ARIMA Koefisien Residual Tidak ada 30474

(1,1,1) cocok terhadap berdistribusi korelasi antar

model normal lag
ARIMA Koefisien Residual Tidak ada 31912

(0,1,1) cocok terhadap berdistribusi korelasi antar

model normal lag
ARIMA Koefisien Residual tidak Tidak ada 31374

(1,1,0) cocok terhadap berdistribusi korelasi antar

model normal lag

Berdasarkan tabel perbandingan di atas dipilih model terbaik yang memenuhi asumsi
signifkansi, normalitas, independensi serta memiliki nilai MSE terkecil yakni
Model Signifikansi Normalitas Independensi MSE

ARIMA Koefisien Residual Tidak ada 30474

(1,1,1) cocok terhadap berdistribusi korelasi antar

model normal lag

= 0,1505 1 + 0.8495 2 + + 0.6377 1

6. Forecast (peramalan )
Model yang digunakan untuk meramalkan beberapa periode kedepan adalah ARIMA
(1,1,1) dengan model:
7. = 0,1505 1 + 0.8495 2 + + 0.6377 1
Hasil forecast :
Period Forecast Lower Upper Actual
62 7725.71 7383.49 8067.94
63 7703.87 7268.13 8139.61
64 7722.43 7175.04 8269.82
65 7706.66 7092.27 8321.05
66 7720.05 7025.73 8414.38
VII. OUTPUT
1. Tren data analysis data awal secara visual

2. Secara formal

3. Tren data analysis difference (lag 1 ) secara visual

4. Secara Formal Stasioneritas difference (lag 1)

5. Autocorrelation function for diff1 (plot ACF)

 Autocorrelation Function for C2
(with 5% significance limits for the autocorrelations)

1 .0

0.8

0.6

0.4
Autocorrelation

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1 .0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Lag

6. Partial autocorrelation function for diff1 (plot PACF)

Partial Autocorrelation Function for C2

(with 5% significance limits for the partial autocorrelations)

1 .0

0.8

0.6
Partial Autocorrelation

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1 .0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Lag

7. Model Arima 1 1 1

ARIMA Model: indofood

Estimates at each iteration

Iteration SSE Parameters
0 2050000 0.100 0.100
1 1879151 -0.047 0.248
2 1863432 -0.197 0.100
3 1845429 -0.344 -0.050
4 1825070 -0.485 -0.200
5 1802391 -0.618 -0.350
6 1779506 -0.743 -0.500
7 1767703 -0.858 -0.650
8 1767574 -0.847 -0.634
9 1767564 -0.850 -0.639
10 1767563 -0.849 -0.637
11 1767563 -0.850 -0.638

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.8495 0.1522 -5.58 0.000
MA 1 -0.6377 0.2229 -2.86 0.006

Differencing: 1 regular difference

Number of observations: Original series 61, after differencing 60
Residuals: SS = 1767502 (backforecasts excluded)
MS = 30474 DF = 58

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

Lag 12 24 36 48
Chi-Square 7.6 18.9 29.9 51.1
DF 10 22 34 46
P-Value 0.672 0.654 0.669 0.281

Forecasts from period 61

95% Limits
Period Forecast Lower Upper Actual
62 7725.71 7383.49 8067.94
63 7703.87 7268.13 8139.61
64 7722.43 7175.04 8269.82
65 7706.66 7092.27 8321.05
66 7720.05 7025.73 8414.38
 8. Model Arima ( 0 1 1)

ARIMA Model: indofood

Estimates at each iteration

Iteration SSE Parameters

0 1948991 0.100
1 1884332 0.250
2 1883014 0.276
3 1883011 0.275
4 1883011 0.275

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 0.2746 0.1254 2.19 0.033

Differencing: 1 regular difference

Number of observations: Original series 61, after differencing 60
Residuals: SS = 1882824 (backforecasts excluded)
MS = 31912 DF = 59

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

Lag 12 24 36 48
Chi-Square 12.9 20.6 37.7 57.8
DF 11 23 35 47
P-Value 0.299 0.607 0.347 0.135

Forecasts from period 61

 95% Limits
Period Forecast Lower Upper Actual
62 7725.77 7375.56 8075.97
63 7725.77 7293.12 8158.42
64 7725.77 7224.04 8227.49
65 7725.77 7163.39 8288.15
66 7725.77 7108.67 8342.87

9. Model Arima (1 1 0)

ARIMA Model: indofood

Estimates at each iteration

Iteration SSE Parameters

0 2197769 0.100
1 1991411 -0.050
2 1876825 -0.200
3 1851177 -0.307
4 1851111 -0.312
5 1851111 -0.312

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.3123 0.1240 -2.52 0.015

Differencing: 1 regular difference

Number of observations: Original series 61, after differencing 60
Residuals: SS = 1851056 (backforecasts excluded)
MS = 31374 DF = 59
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 11.2 19.7 34.4 58.1
DF 11 23 35 47
P-Value 0.429 0.661 0.498 0.129

Forecasts from period 61

95% Limits
Period Forecast Lower Upper Actual
62 7731.23 7383.99 8078.47
63 7721.48 7300.05 8142.90
64 7724.52 7222.58 8226.47
65 7723.57 7157.32 8289.82
66 7723.87 7098.51 8349.23
 DAFTAR PUSTAKA

(sumber : https://finance.yahoo.com/quote/INDF.JK/)

Makridakis, McGee, dan Wheelright. 1999. Metode dan Aplikasi Peramalan Edisi
Kedua.(diterjemahkan oleh : Suminto, Hari). Jakarta : Binarupa Aksara
Soejoeti, Z. 1987. Materi Pokok Analisis Runtun Waktu. Jakarta : Karunika