TUGAS

UJIAN AKHIR SEMESTER

ANALISIS RUNTUN WAKTU

Disusun Oleh:

AHMAD HUZAINI

GID014002

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

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%

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

Des '16 2.08 1.92 2.28 1.855 604,86M 8,90

Nov '16 1.91 2.27 2.27 1.83 336,00M -15,86

Okt '16 2.27 2.4 2.51 2.13 363,66M -3,81

Sep '16 2.36 2.68 2.73 2.31 430,07M -11,61

Ags '16 2.67 2.83 2.86 2.66 576,75M -5,65

Jul '16 2.83 2.8 2.9 2.7 383,50M 1,80

Jun '16 2.78 2.55 2.83 2.53 430,30M 8,17

Mei '16 2.57 2.66 2.71 2.42 362,46M -3,93

Apr '16 2.675 2.69 2.91 2.645 538,70M -0,56

Mar '16 2.69 2.615 2.84 2.555 460,37M 3,07

Feb '16 2.61 2.565 2.745 2.475 533,48M 2,35

Jan '16 2.55 2.135 2.58 2.07 853,04M 19,16

Des '15 2.14 2.175 2.27 2.04 313,23M -2,73

2
Nov '15 2.2 2.205 2.345 2.105 531,51M -1,35

Okt '15 2.23 1.9 2.41 1.85 1,19B 16,82

Sep '15 1.909 1.672 1.985 1.574 603,25M 12,76

Ags '15 1.693 1.947 1.985 1.413 418,64M -13,27

Jul '15 1.952 1.718 2.372 1.705 783,49M 13,89

Jun '15 1.714 2.125 2.155 1.621 400,28M -19,34

Mei '15 2.125 2.291 2.494 2.113 265,49M -9,42

Apr '15 2.346 2.592 2.698 2.274 336,43M -9,49

Mar '15 2.592 2.91 2.948 2.537 346,15M -11,20

Feb '15 2.919 3.118 3.284 2.825 607,63M -6,89

Jan '15 3.135 2.953 3.207 2.817 668,52M 6,16

Des '14 2.953 2.359 3.076 2.359 1,08B 25,18

Nov '14 2.359 2.325 2.384 2.066 641,55M 0,90

Okt '14 2.338 2.333 2.478 1.968 487,48M -0,34

Sep '14 2.346 2.6 2.681 2.325 190,71M -9,94

Ags '14 2.605 2.579 2.74 2.567 345,44M -1,29

Jul '14 2.639 2.363 2.902 2.312 795,45M 11,68

Jun '14 2.363 2.656 2.673 2.223 367,33M -11,03

Mei '14 2.656 2.545 2.834 2.503 603,70M 4,86

Apr '14 2.533 2.558 2.83 2.27 1,03B -0,31

Mar '14 2.541 1.968 2.639 1.93 668,13M 28,01

Feb '14 1.985 1.51 2.028 1.489 894,16M 31,46

Jan '14 1.51 1.281 1.57 1.209 623,98M 17,88

Des '13 1.281 1.366 1.51 1.239 438,97M -5,67

Nov '13 1.358 1.646 1.672 1.332 347,83M -17,90

Okt '13 1.654 1.697 1.824 1.553 884,16M -3,73

Sep '13 1.718 1.697 1.93 1.281 1,63B 2,26

3
Ags '13 1.68 2.63 2.715 1.434 264,93M -35,61

Jul '13 2.609 2.8 2.864 2.036 339,14M -7,52

Jun '13 2.821 3.309 3.394 2.63 323,85M -14,75

Mei '13 3.309 2.524 3.33 2.503 313,97M 31,10

Apr '13 2.524 2.63 2.694 2.291 266,80M -4,03

Mar '13 2.63 2.206 2.694 2.036 247,52M 20,37

Feb '13 2.185 1.697 2.248 1.688 352,17M 28,76

Jan '13 1.697 1.493 1.824 1.468 440,68M 13,66

Des '12 1.493 1.604 1.782 1.383 349,87M -6,92

Nov '12 1.604 1.188 1.621 1.154 301,92M 34,11

Okt '12 1.196 882 1.222 848 323,57M 35,60

Sep '12 0.882 764 925 738 138,68M 15,45

Ags '12 0.764 764 814 704 97,75M -1,04

Jul '12 0.772 857 891 730 95,91M -8,10

Jun '12 0.840 814 857 730 65,67M 2,07

Mei '12 0.823 840 967 798 230,05M -2,02

Apr '12 0.840 670 882 636 347,73M 23,71

Mar '12 0.679 594 679 594 123,71M 12,79

Feb '12 0.602 585 636 577 140,13M 2,91

Jan '12 0.585 484 611 484 224,25M 18,90

Des '11 0.492 390 543 369 411,98M 26,15

Nov '11 0.390 441 441 378 158,31M -13,33

Okt '11 0.450 412 492 386 96,12M 3,93

Sep '11 0.433 492 518 382 70,70M -11,99

Ags '11 0.492 602 611 433 131,01M -18,27

Jul '11 0.602 679 696 594 118,08M -11,34

Jun '11 0.679 662 679 628 55,14M 2,57

4
Mei '11 0.662 696 704 628 111,73M -4,89

Apr '11 0.696 713 764 696 200,55M -2,38

Mar '11 0.713 704 721 645 108,96M 1,28

Feb '11 0.704 670 721 636 83,53M 5,07

Jan '11 0.670 764 789 645 133,00M -13,21

Des '10 0.772 747 857 653 504,13M 2,25

Nov '10 0.755 848 848 738 55,80M -10,97

Okt '10 0.848 814 925 806 202,12M 4,18

Sep '10 0.814 560 865 543 375,02M 45,36

Ags '10 0.560 552 585 484 234,07M 1,45

Jul '10 0.552 509 568 475 381,36M 4,94

Jun '10 0.526 407 543 386 276,29M 26,44

Mei '10 0.416 492 501 348 175,62M -16,97

Apr '10 0.501 369 543 369 754,02M 34,32

Mar '10 0.373 331 382 322 151,63M 12,69

Feb '10 0.331 344 344 314 40,52M -3,78

Jan '10 0.344 348 361 331 107,88M -1,15

Des '09 0.348 335 369 331 72,47M 5,14

Nov '09 0.331 339 386 331 50,92M -3,78

Okt '09 0.344 382 420 310 550,67M -11,79

Sep '09 0.390 382 394 369 39,18M 2,09

Ags '09 0.382 386 433 365 301,67M -1,04

Jul '09 0.386 361 407 344 168,53M 6,93

Jun '09 0.361 356 416 331 174,16M 3,74

Mei '09 0.348 293 394 267 393,53M 20,83

Apr '09 0.288 233 322 233 354,57M 23,61

Mar '09 0.233 229 250 216 116,17M 0,00

5
Feb '09 0.233 216 246 204 164,24M 5,43

Jan '09 0.221 238 276 204 114,35M -3,49

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.

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

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

b. Melakukan peramalan indeks harga saham (penutupan) untuk 12 bulan berikutnya

berdasarkan model yang diperoleh.

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

Januari 2009 9.17%

Februari 2009 8.60%

Maret 2009 7.92%

Apr-09 7.31%
Mei 2009 6.04%
Juni 2009 3.65%
Juli 2009 2.71%

Agustus 2009 2.75%

Sep-09 2.83%

Oktober 2009 2.57%

Nopember
2009 2.41%

Desember 2009 2.78%

Januari 2010 3.72%

Februari 2010 3.81%

Maret 2010 3.43%

Apr-10 3.91%
Mei 2010 4.16%
Juni 2010 5.05%
Juli 2010 6.22%

Agustus 2010 6.44%

Sep-10 5.80%

Oktober 2010 5.67%

12
Nopember
2010 6.33%

Desember 2010 6.96%

Januari 2011 7.02%

Februari 2011 6.84%

Maret 2011 6.65%

Apr-11 6.16%
Mei 2011 5.98%
Juni 2011 5.54%
Juli 2011 4.61%

Agustus 2011 4.79%

Sep-11 4.61%

Oktober 2011 4.42%

Nopember
2011 4.15%

Desember 2011 3.79%

Januari 2012 3.65%

Februari 2012 3.56%

Maret 2012 3.97%

Apr-12 4.50%
Mei 2012 4.45%
Juni 2012 4.53%
Juli 2012 4.56%

Agustus 2012 4.58%

Sep-12 4.31%

Oktober 2012 4.61%

Nopember
2012 4.32%

Desember 2012 4.30%

13
Januari 2013 4.57%

Februari 2013 5.31%

Maret 2013 5.90%

Apr-13 5.57%
Mei 2013 5.47%
Juni 2013 5.90%
Juli 2013 8.61%

Agustus 2013 8.79%

Sep-13 8.40%

Oktober 2013 8.32%

Nopember
2013 8.37%

Desember 2013 8.38%

Januari 2014 8.22%

Februari 2014 7.75%

Maret 2014 7.32%

Apr-14 7.25%
Mei 2014 7.32%
Juni 2014 6.70%
Juli 2014 4.53%

Agustus 2014 3.99%

Sep-14 4.53%

Oktober 2014 4.83%

Nopember
2014 6.23%

Desember 2014 8.36%

Januari 2015 6.96%

Februari 2015 6.29%

14
Maret 2015 6.38%
Apr-15 6.79%
Mei 2015 7.15%
Juni 2015 7.26%
Juli 2015 7.26%

Agustus 2015 7.18%

Sep-15 6.83%

Oktober 2015 6.25%

Nopember
2015 4.89%

Desember 2015 3.35%

Januari 2016 4.14%

Februari 2016 4.42%

Maret 2016 4.45%

Apr-16 3.60%
Mei 2016 3.33%
Juni 2016 3.45%
Juli 2016 3.21%

Agustus 2016 2.79%

Sep-16 3.07%

Oktober 2016 3.31%

Nopember
2016 3.58%

Desember 2016 3.02%

Januari 2017 3.49%

Februari 2017 3.83%

Maret 2017 3.61%

Apr-17 4.17%
Mei 2017 4.33%

15
Juni 2017 4.37%
Juli 2017 3.88%

Agustus 2017 3.82%

Sep-17 3.72%

Oktober 2017 3.58%

Nopember
2017 3.30%

Desember 2017 3.61%

Ket: dalam analisis, data persen diubah dalam bentuk decimal

Seperti berikut: , sampai data ke 108(desember 2017)

a. Melakukan pre-whitening deret input (data inflasi)

 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

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:

Berdasarkan hasil output TS plot setelah differencing tersebut , data dapat

dikatakan stasioner sehingga dapat dilanjutkan untuk menentukan model.

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:

Column1 Column2 Column3 Column4

Xt niali alfa
0.0917 0.0917
0.0860 0.0917 -0.0057 0.08547731
0.0792 0.08489429 -0.0056943 0.07871659
0.0731 0.07805221 -0.0049522 0.07271347
0.0604 0.07210026 -0.0117003 0.05955641
0.0365 0.05803783 -0.0215378 0.03524999
0.0271 0.03215171 -0.0050517 0.02693758
0.0275 0.02608011 0.00141989 0.02753703
0.0283 0.02778666 5.13E-04 0.02831426
0.0257 0.02840364 -0.0027036 0.02562321
0.0241 0.02515416 -0.0010542 0.02407348
0.0278 0.02388717 0.00391283 0.02789347
0.0372 0.02908618 0.00811382 0.037436
0.0381 0.04092336 -0.0028234 0.03798446
0.0343 0.03999455 -0.0056946 0.03407225
0.0391 0.03521749 0.00388251 0.03923673
0.0416 0.04538004 -0.00378 0.04142846
0.0505 0.04981414 6.86E-04 0.05053417
0.0622 0.05270955 0.00949045 0.06270024
0.0644 0.06378489 6.15E-04 0.06443923
0.0580 0.06441788 -0.0064179 0.05758657
0.0567 0.05767286 -9.73E-04 0.05664389
0.0633 0.05683764 0.00646236 0.06366731
0.0696 0.06294766 0.00665234 0.07001875
0.0702 0.06778026 0.00241974 0.07036401
0.0684 0.07228253 -0.0038825 0.06811936
0.0665 0.07025881 -0.0037588 0.06623591
0.0616 0.06365233 -0.0020523 0.06146936
0.0598 0.06302482 -0.0032248 0.05959676
0.0554 0.0585 -0.0031 0.05521865
0.0461 0.04980101 -0.003701 0.04591569
0.0479 0.0449624 0.0029376 0.04803208
0.0461 0.05189454 -0.0057945 0.04579929
0.0442 0.04508446 -8.84E-04 0.04416012
0.0415 0.04060895 8.91E-04 0.04153618
0.0379 0.03831598 -4.16E-04 0.03788406

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

b. Melakukan pre-whitening deret output (data indeks harga saham penutupan)

Untuk mencari beta (βt) :
Xt = (1 - B)αt dan βt = Xt + βt-1

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

Series Pair:alfa with beta

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

a. Based on the assumption that the

series are not cross correlated and that
one of the series is white noise.

Berdasarkan data hasil output tersebut kita dapat menentukan nilai dari (r,s,b) nya.

26