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)
Zt = Zt Zt-1 = (1-B)Zt
= (1 B)
BjZt = Zt-j
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).
(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.
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.
(1 1B)Zt = (1 1B)at
Zt = 1Zt -1 + 1at-1 + at
jika | | > ;5 atau p-value < dimana n adalah jumlah pengamatan dan s
2
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 )
=
)
(
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.
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
= )
(
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
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
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).
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
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
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
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
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
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
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)
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
9. Model Arima (1 1 0)
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
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