Data Arun
Data Arun
Disusun Oleh:
AHMAD HUZAINI
GID014002
UNIVERSITAS MATARAM
2018
1
Data Indeks Harga Saham (penutupan) Bulanan Adhi Karya Persero Tbk.
Periode Waktu Januari 2009-Desember 2017.
Tanggal Terakhir Pembukaan Tertinggi Terendah Vol. Perubahan%
2
Nov '15 2.2 2.205 2.345 2.105 531,51M -1,35
3
Ags '13 1.68 2.63 2.715 1.434 264,93M -35,61
4
Mei '11 0.662 696 704 628 111,73M -4,89
5
Feb '09 0.233 216 246 204 164,24M 5,43
Ket: dalam analisis data diurutkan terlebih dahulu dari tahun 2009-2017.
Jawab:
1. Berdasarkan data indeks harga saham yang diperoleh
a. menentukan model ARIMA indeks harga saham (penutupan) bulanan berdasarkan data
januari 2009 sampai dengan Desember 2016
identifikasi model
kestasioneran data
Kestasioneran data yang dideteksi menggunakan Time series Plot (TSplot). Untuk
membuat TSplot dengan bantuan SPSS digunakan menu Analize – Time Series –
Sequence Charts
Dari hasil output analisis SPSS, diperoleh TS plot diatas. Berdasarkan hasil plot
tersebut diketahui bahwa data tidak stasioner terhadap varian dan rata-rata, sehingga data
harus di transformasi dan di deferencing agar data tersebut stasioner.
Setelah dulakukan differencing sebanyak 1 kali diperoleh TS plot yang belum
stasioner, sehingga harus di differencing lagi. Setelah dilakukan differencing sebanyak 2
kali diperoleh data TS plot sebagai berikut:
6
Berdasarkan hasil output TS plot setelah differencing 2 kali , data dapat
dikatakan stasioner sehingga dapat dilanjutkan untuk menentukan model.
7
Dari hasil output analisis SPSS diperoleh plot ACF tersebut. Berdasarkan plot
tersebut diketahui bahwa data tersebut cut of pada lag pertama sehingga diperoleh untuk
nilai MA nya yaitu 1.
Dari hasil output analisis SPSS diperoleh plot partial ACF tersebut. Berdasarkan
plot tersebut diketahui bahwa data tersebut cut of pada 3 lag sehingga diambil lag yang
lebih awal yaitu pada lag pertama sehingga diperoleh untuk nilai AR nya yaitu 1.
Sehingga dari semua output analisis di atas dapat disimpulkan dari beberapa
kemungkinan model yg didapatkan bahwa di peroleh model terbaik ARIMA indeks
harga saham (penutupan) bulanan berdasarkan data januari 2009 sampai dengan
Desember 2016 berdasarkan nilai MSE yaitu (1,2,1).
8
Dari hasil output SPSS tersebut dapat diperoleh RMSE yang paling kecil yaitu
sebesar 0,241, sehingga dipilih model AR (1) differencing (2)dan MA (1), dengan
diperoleh konstanta dalam model sebesar 0,000 dengan parameter AR ke-1 = 0,157 ; dan
parameter MA ke-1 = 0,998, sehingga model ARIMA (1,2,1) berikut dapat diterima :
𝑋𝑡 = 0.000 + 0.157𝑋𝑡−1 − 0,998 𝐸𝑡−1
9
Dari output analisis SPSS diatas , dapat dilihat bahwa fourcest data tersebut merupakan
hasil dari permalan indeks harga saham (penutupan) bulanan untuk 12 bulan berikutnya y
aitu mulai dari data yang ke-97(januari 2017) sampai data yang ke-108(desember 2017),
sebagai berikut:
Januari 2017 (97) = 2,112
Februari 2017 (98) = 2,112
Maret 2017 (99) = 2,129
April 2017 (100) = 2,135
Mei 2017 (101) = 2,140
Juni2017 (102) = 2,146
Juli 2017 (103) = 2,151
Agustus 2017 (104) = 2,155
10
September 2017 (105) = 2,160
Oktober 2017 (106) = 2,164
November 2017 (107) = 2,168
Desember 2017 (108) = 2,171
c. Ketepatan hasil peramalan jika dibandingkan data indeks harga saham (penutupan)
pada tahun terakhir (2017).
Data sebenarnya tahun 2017
Tanggal Terakhir Pembukaan Tertinggi Terendah Vol. Perubahan%
Des '17 1.885 1.96 1.965 1.705 390,18M -3,58
Nov '17 1.955 2.19 2.3 1.955 410,38M -10,73
Okt '17 2.19 2.01 2.28 1.975 353,93M 9,50
Sep '17 2 2.02 2.09 1.93 176,95M -0,99
Ags '17 2.02 2.22 2.22 2 199,30M -9,01
Jul '17 2.22 2.18 2.24 1.95 437,71M 3,26
Jun '17 2.15 2.34 2.34 2.13 142,04M -8,51
Mei '17 2.35 2.26 2.42 2.15 232,42M 3,98
Apr '17 2.26 2.37 2.42 2.15 256,10M -4,64
Mar '17 2.37 2.13 2.47 2.08 505,44M 11,27
Feb '17 2.13 2.1 2.35 1.945 667,54M 1,43
Jan '17 2.1 2.08 2.26 2.03 368,00M 0,96
Dari hasil output analisis SPSS, diperoleh fourcest seperti yg tertera pade table
hasil analisis. Jika dibandingkan dengan data aslinya bahwa data tersebut perbedaannya
tidak terlalu jauh, sehingga dapat diasumsikan atau disimpulkan bahwa peramalan yang
diperoleh dapat diterima dan dapat digunakan.
11
2. Berdasarkan data inflasi dan indeks harga saham(penutupan) periode januari 2009 sampai
dengan desember 2016
Data Inflasi di Indonesia Untuk Periode Waktu Januari 2009 Sampai Dengan
Desember 2017
bulan inflasi
12
Nopember
2010 6.33%
13
Januari 2013 4.57%
14
Maret 2015 6.38%
Apr-15 6.79%
Mei 2015 7.15%
Juni 2015 7.26%
Juli 2015 7.26%
15
Juni 2017 4.37%
Juli 2017 3.88%
16
Dari hasil output analisis SPSS, diperoleh TS plot diatas. Berdasarkan hasil plot
tersebut diketahui bahwa data tidak stasioner terhadap rata-rata, sehingga data harus di
deferencing agar data tersebut stasioner.
Setelah dulakukan differencing sebanyak 1 kali diperoleh TS plot sebagai berikut:
17
Untuk membuat plot ACF dan PACF dengan SPSS
Model yang mungkin beserta ordenya yang dideteksi menggunakan plot Auto
Correlation Function (ACF) dan Partial Auto correlation Function (PACF). Untuk
membuat plot ACF dan PACF dengan SPSS digunakan menu Analize – Time Series –
Autocorrelations
Dari hasil output analisis SPSS diperoleh plot ACF tersebut. Berdasarkan plot
tersebut diketahui bahwa data tersebut cut of pada 3 lag sehingga diambil lag yang lebih
awal yaitu lag pertama sehingga diperoleh untuk nilai MA nya yaitu 1.
18
Dari hasil output analisis SPSS diperoleh plot partial ACF tersebut. Berdasarkan
plot tersebut diketahui bahwa data tersebut cut of pada 3 lag namun diambil lag yang
lebih cepat yaitu lag pertama sehingga diperoleh untuk nilai AR nya yaitu 1.
Sehingga dari semua output analisis di atas dapat disimpulkan dari beberapa
kemungkinan model yg didapatkan bahwa di peroleh model terbaik ARIMA indeks
harga saham (penutupan) bulanan berdasarkan data januari 2009 sampai dengan
Desember 2016 berdasarkan nilai MSE yaitu (1,1,1).
Dari hasil output SPSS tersebut dapat diperoleh RMSE yang paling kecil yaitu
sebesar 0,006, sehingga dipilih model AR (1) differencing (1)dan MA (1), dengan
diperoleh konstanta dalam model sebesar 0,000 dengan parameter AR ke-1 =- 0,003 ; dan
parameter MA ke-1 = -0,52, sehingga model ARIMA (1,1,1) berikut dapat diterima :
𝑋𝑡 = 0.000 − 0,003𝑋𝑡−1 − 0,052 𝐸𝑡−1
Untuk mencari alfa (αt) dan beta (βt) :
Xt = (1 - B)αt
αt = Xt + αt-1
19
berdasarkan hasil perhitungan diperoleh yaitu:
20
0.0365 0.03663227 -1.32E-04 0.03649515
0.0356 0.03852904 -0.002929 0.03548715
0.0397 0.03685723 0.00284277 0.03980478
0.0450 0.04152733 0.00347267 0.04514421
0.0445 0.04761649 -0.0031165 0.0443516
0.0453 0.04539936 -9.94E-05 0.04529549
0.0456 0.04717847 -0.0015785 0.04552553
0.0458 0.04368975 0.00211025 0.0458922
0.0431 0.04941895 -0.006319 0.04278772
0.0461 0.04194181 0.00415819 0.0462744
0.0432 0.04668683 -0.0034868 0.04303721
0.0430 0.04252839 4.72E-04 0.04302006
0.0457 0.04321426 0.00248574 0.04580742
0.0531 0.04790066 0.00519934 0.05334905
0.0590 0.05289089 0.00610911 0.05932312
0.0557 0.05874477 -0.0030448 0.05552114
0.0547 0.05658295 -0.0018829 0.05459346
0.0590 0.05427581 0.00472419 0.05925641
0.0861 0.0610528 0.0250472 0.0876292
0.0879 0.09155018 -0.0036502 0.08756583
0.0840 0.0903576 -0.0063576 0.08342554
0.0832 0.0800967 0.0031033 0.08344856
0.0837 0.0858879 -0.0021879 0.08351209
0.0838 0.0828744 9.26E-04 0.08387671
0.0822 0.08269296 -4.93E-04 0.08215924
0.0775 0.07923686 -0.0017369 0.07736238
0.0732 0.07374952 -5.50E-04 0.07315947
0.0725 0.0746976 -0.0021976 0.07233584
0.0732 0.07296813 2.32E-04 0.07321692
0.0670 0.07063872 -0.0036387 0.06674297
0.0453 0.05245742 -0.0071574 0.04492454
0.0399 0.04541351 -0.0055135 0.03964961
0.0453 0.04188155 0.00341845 0.04544317
0.0483 0.04452027 0.00377973 0.04846827
0.0623 0.05048386 0.01181614 0.06289652
0.0836 0.06490678 0.01869322 0.08481332
0.0696 0.08880147 -0.0192015 0.06789488
0.0629 0.06549956 -0.0025996 0.06272973
0.0638 0.06249401 0.00130599 0.06388162
21
0.0679 0.0653478 0.0025522 0.06806678
0.0715 0.06844534 0.00305466 0.07170908
0.0726 0.07429188 -0.0016919 0.07247431
0.0726 0.07605349 -0.0034535 0.07233735
0.0718 0.07468437 -0.0028844 0.07158458
0.0683 0.06917056 -8.71E-04 0.06823978
0.0625 0.06602212 -0.0035221 0.06226746
0.0489 0.05510739 -0.0062074 0.04855793
0.0335 0.03711241 -0.0036124 0.03336593
0.0414 0.04299042 -0.0015904 0.04133163
0.0442 0.04239206 0.00180794 0.04427664
0.0445 0.04396637 5.34E-04 0.04452346
0.0360 0.04325056 -0.0072506 0.03568641
0.0333 0.03241847 8.82E-04 0.03332858
0.0345 0.03445332 4.67E-05 0.03450161
0.0321 0.03639613 -0.0042961 0.03194364
0.0279 0.0325328 -0.0046328 0.02774928
0.0307 0.02714694 0.00355306 0.03079645
0.0331 0.03356046 -4.60E-04 0.03308455
0.0358 0.03636143 -5.61E-04 0.03577959
0.0302 0.0376181 -0.0074181 0.02992095
0.0349 0.02910394 0.00579606 0.03506869
0.0383 0.03544403 0.00285597 0.03840123
0.0361 0.03877235 -0.0026723 0.03599639
0.0417 0.03934086 0.00235914 0.04179281
0.0433 0.04184443 0.00145557 0.04336091
0.0437 0.04366044 3.96E-05 0.04370173
0.0388 0.04605394 -0.0072539 0.03846593
0.0382 0.0394002 -0.0012002 0.03815271
0.0372 0.03594616 0.00125384 0.03724507
0.0358 0.03778171 -0.0019817 0.03572513
0.0330 0.03558353 -0.0025835 0.03290807
0.0361 0.03635663 -2.57E-04 0.03609067
22
Column1 Column2 Column3 Column4
Xt beta
0.221 0.221
0.233 0.233
0.233 0.24472504 -0.011725 0.23013059
0.288 0.2376698 0.0503302 0.29996197
0.348 0.31597744 0.03202256 0.35811841
0.361 0.38385422 -0.0228542 0.35222731
0.386 0.38500964 9.90E-04 0.3863813
0.382 0.4118117 -0.0298117 0.36972319
0.39 0.39899537 -0.0089954 0.38641089
0.344 0.4075673 -0.0635673 0.31809205
0.331 0.34609789 -0.0150979 0.32577465
0.348 0.33657592 0.01142408 0.35184507
0.344 0.35904516 -0.0150452 0.33859811
0.331 0.3503094 -0.0193094 0.32423574
0.373 0.33422409 0.03877591 0.38595984
0.501 0.38730111 0.11369889 0.54503571
0.416 0.53593159 -0.1199316 0.35172487
0.526 0.41002701 0.11597299 0.57355206
0.552 0.55700047 -0.0050005 0.54921473
0.56 0.56934657 -0.0093466 0.55467856
0.814 0.57381408 0.24018592 0.95182206
0.848 0.87789029 -0.0298903 0.82175961
0.755 0.87581915 -0.1208191 0.64918428
0.772 0.75730112 0.01469888 0.78313148
0.67 0.79191849 -0.1219185 0.5734505
0.704 0.66605044 0.03794956 0.72927632
0.713 0.7226058 -0.0096058 0.7060588
0.696 0.72709562 -0.0310956 0.67339051
0.662 0.70465609 -0.0426561 0.63194212
0.679 0.66625743 0.01274257 0.68748983
0.602 0.6914437 -0.0894437 0.54015472
0.492 0.59654715 -0.1045471 0.4296327
0.433 0.47781123 -0.0448112 0.41158869
0.45 0.42517631 0.02482369 0.46055445
0.39 0.45458695 -0.064587 0.36063962
0.492 0.38041836 0.11158164 0.5344477
0.585 0.51070771 0.07429229 0.62294164
0.602 0.60411407 -0.0021141 0.60072286
0.679 0.60892815 0.07007185 0.72166872
23
0.84 0.69691953 0.14308047 0.93971557
0.823 0.87448092 -0.0514809 0.77798092
0.84 0.82810557 0.01189443 0.84984984
0.772 0.85048447 -0.0784845 0.70525018
0.764 0.76708842 -0.0030884 0.76163091
0.882 0.76817768 0.11382232 0.96943577
1.196 0.90824403 0.28775597 1.45735264
1.604 1.25905905 0.34494095 2.03830102
1.493 1.68900807 -0.1960081 1.16194078
1.697 1.49237662 0.20462338 2.00237515
2.185 1.749703 0.435297 2.94664047
2.63 2.29078281 0.33921719 3.40707291
2.524 2.73558296 -0.211583 1.94519726
3.309 2.53895838 0.77004162 5.26410363
2.821 3.47797894 -0.6569789 0.53604108
2.609 2.77809781 -0.1690978 2.13922975
1.68 2.60594614 -0.9259461 -0.7329658
1.718 1.54766255 0.17033745 1.9816249
1.654 1.73984626 -0.0858463 1.50464071
1.358 1.65814217 -0.3001422 0.86032161
1.281 1.32042028 -0.0394203 1.22894867
1.51 1.27680342 0.23319658 1.8077462
1.985 1.55736059 0.42763941 2.65098877
2.541 2.07765134 0.46334866 3.50367696
2.533 2.65357779 -0.1205778 2.21303745
2.656 2.55513956 0.10086044 2.91371249
2.363 2.69999282 -0.3369928 1.45312181
2.639 2.33644602 0.30255398 3.34590104
2.605 2.70588026 -0.1008803 2.33203011
2.346 2.62161084 -0.2756108 1.62345563
2.338 2.32309324 0.01490676 2.37262978
2.359 2.35437039 0.00462961 2.36989981
2.953 2.37974459 0.57325541 4.31720147
3.135 3.0713143 0.0636857 3.33059879
2.919 3.18947438 -0.2704744 2.05632889
2.592 2.90721772 -0.3152177 1.67559346
2.346 2.55833079 -0.2123308 1.8027876
2.125 2.32193427 -0.1969343 1.66773156
1.714 2.10201146 -0.3880115 0.89839545
1.952 1.65596978 0.29603022 2.4422171
1.693 1.99915172 -0.3061517 1.08095626
24
1.909 1.65821873 0.25078127 2.32485021
2.23 1.95149989 0.27850011 2.77349293
2.2 2.29216659 -0.0921666 1.98873881
2.14 2.20585595 -0.065856 1.99473126
2.55 2.14012838 0.40987162 3.42717789
2.61 2.62838933 -0.0183893 2.56166567
2.69 2.6331491 0.0568509 2.83969689
2.675 2.71671472 -0.0417147 2.561673
2.57 2.68612746 -0.1161275 2.25806683
2.78 2.56547489 0.21452511 3.33035879
2.83 2.82698755 0.00301245 2.83851616
2.67 2.85174248 -0.1817425 2.15171724
2.36 2.65661879 -0.2966188 1.57199694
2.27 2.31964701 -0.049647 2.15483645
1.91 2.26331496 -0.353315 1.11033697
2.08 1.85701499 0.22298501 2.4940865
c. Menentukan plot cross-corelation dari deret input dan output yang telah di pre-whitening
dan menentukan orde fungsi transfer
Langkah untuk membuat plot ACF dan PACF dengan SPSS dengan terlebih
dahulu memasukkun data dari deret input dan output yang telah di pre-whitening
digunakan menu Analize – Time Series – cross correlations
Berdasarkan hasil output analisis SPSS diperoleh table berikut.
25
Cross Correlations
Cross
Lag Correlation Std. Errora
-7 .252 .106
-6 .235 .105
-5 .236 .105
-4 .205 .104
-3 .156 .104
-2 .128 .103
-1 .088 .103
0 .087 .102
1 .088 .103
2 .115 .103
3 .105 .104
4 .108 .104
5 .139 .105
6 .189 .105
7 .260 .106
Berdasarkan data hasil output tersebut kita dapat menentukan nilai dari (r,s,b) nya.
26