NAMA : Mohammad Iskandar Modanggu

NIM : 413417005
KELAS :B

SOAL
1. Carilah data time series minimal 100 data
2. Cek kestasioneran dari data tersebut (data harus tidak stasioner)
3. Lakukan differencing sampai data tersebut stasioner
4. Plot ACF dan PACF untuk data tidak stasioner dan data stasioner
5. Estimasi Parameter
6. Pemilihan Model Terbaik
7. Check Diagnostic
8. Forecast
9. MSE

JAWABAN
1. Data time series untuk saham Honda (2008-2017)

2008M1 31.54 2009M9 30.31 2011M5 38

2008M2 30.6 2009M10 30.97 2011M6 38.61
2008M3 28.81 2009M11 30.99 2011M7 39.78
2008M4 31.75 2009M12 33.9 2011M8 32.47
2008M5 33.23 2010M1 33.91 2011M9 29.15
2008M6 34.03 2010M2 34.61 2011M10 29.9
2008M7 31.99 2010M3 35.29 2011M11 31.65
2008M8 32.56 2010M4 33.79 2011M12 30.55
2008M9 30.11 2010M5 30.39 2012M1 34.05
2008M10 24.77 2010M6 28.75 2012M2 38.12
2008M11 22.08 2010M7 31.77 2012M3 38.43
2008M12 21.34 2010M8 32.93 2012M4 36.04
2009M1 22.66 2010M9 35.59 2012M5 31.79
2009M2 23.63 2010M10 36.03 2012M6 34.66
2009M3 23.7 2010M11 36.23 2012M7 31.5
2009M4 29.06 2010M12 39.5 2012M8 31.89
2009M5 29.03 2011M1 43.54 2012M9 30.9
2009M6 27.37 2011M2 43.69 2012M10 30.16
2009M7 32.13 2011M3 37.51 2012M11 33.3
2009M8 31.33 2011M4 38.35 2012M12 36.94
2013M1 37.69 2014M9 34.28 2016M5 27.98
2013M2 37.44 2014M10 32.12 2016M6 25.33
2013M3 38.26 2014M11 30.32 2016M7 27.12
2013M4 39.98 2014M12 29.52 2016M8 30.81
2013M5 37.57 2015M1 30.22 2016M9 28.92
2013M6 37.25 2015M2 33.14 2016M10 29.83
2013M7 37.14 2015M3 32.76 2016M11 29.74
2013M8 35.94 2015M4 33.53 2016M12 29.19
2013M9 38.14 2015M5 34.22 2017M1 29.72
2013M10 39.96 2015M6 32.4 2017M2 30.97
2013M11 42.36 2015M7 33.96 2017M3 30.26
2013M12 41.35 2015M8 31.48 2017M4 29.1
2014M1 37.51 2015M9 29.9 2017M5 27.93
2014M2 36.05 2015M10 33.13 2017M6 27.39
2014M3 35.34 2015M11 32.68 2017M7 28.02
2014M4 33.3 2015M12 31.93 2017M8 28.1
2014M5 35.18 2016M1 27.02 2017M9 29.56
2014M6 34.99 2016M2 25.71 2017M10 31.09
2014M7 34.88 2016M3 27.34 2017M11 33.34
2014M8 34.05 2016M4 26.96 2017M12 34.08

2. Berdasarkan data saham Honda dari tahun 2008-2018, data tersebut adalah data yang
tidak stasioner, dapat dilihat melalui plot menggunakan Stata
45
40
35
data

30
25
20

550 600 650 700

Tahun
Dari hasil plot di atas menunjukan bahwa model belum stasioner, baik dalam varian maupun
dalam mean, maka plot perlu dilakukan differencing non musiman (d=1).

Dickey-Fuller test for unit root Number of obs = 119

---------- Interpolated Dickey-Fuller ---------

Test 1% Critical 5% Critical 10% Critical

Statistic Value Value Value

------------------------------------------------------------------------------

Z(t) -2.760 -3.504 -2.889 -2.579

------------------------------------------------------------------------------

MacKinnon approximate p-value for Z(t) = 0.0642

3. 1st Difference
1. Hipotesis
 H0 : Mempunyai unit root (data tidak stasioner)
 H1 : Tidak mempunyai unit root (data stasioner)
2. 𝛼 = 5%
3. Kriteria Pengujian
Tolak H0 jika p-value < 𝛼
4. Pengujian

Dickey-Fuller test for unit root Number of obs = 119

---------- Interpolated Dickey-Fuller ---------

Test 1% Critical 5% Critical 10% Critical

Statistic Value Value Value

------------------------------------------------------------------------------

Z(t) -9.515 -3.504 -2.889 -2.579

------------------------------------------------------------------------------

MacKinnon approximate p-value for Z(t) = 0.0000

 5
0
ddata

-5
-10

550 600 650 700

Tahun

Data setelah diferensi :

ddata -5.34 -.8000011

0 -2.690001 -1.02

-.9400005 -.7399998 .6599998

-1.790001 1.32 .0200005

2.940001 .9699993 2.910002

1.48 .0700016 .0099983

.7999992 5.359999 .7000008

-2.039999 -.0299988 .6800003

.5700016 -1.66 -1.5

-2.450001 4.76 -3.400002

-1.639999 -3.16 -.8300018

3.02 .3899994 .2299995

1.16 -.9899998 -2.16

2.66 -.7399998 -1.799999

.4399986 3.139999 -.7999992

.2000008 3.639999 .6999989

3.27 .75 2.92

4.040001 -.25 -.3800011

.1499977 .8199997 .7700005

-6.18 1.720001 .6900024

.8400002 -2.41 -1.82

-.3499985 -.3199997 1.559998

.6100006 -.1100006 -2.48

1.169998 -1.200001 -1.58

-7.309998 2.200001 3.230001

-3.320002 1.82 -.4500008

.75 2.400002 -.75

1.75 -1.010002 -4.91

-1.1 -3.84 -1.310001

3.5 -1.459999 1.630001

4.07 -.7099991 -.3800011

.3100014 -2.040001 1.02

-2.389999 1.880001 -2.65

-4.25 -.1899986 1.790001

2.869999 -.1100006 3.689999

 -1.889999 -.7099991 1.459999

.9099998 -1.16 1.530001

-.0900002 -1.17 2.25

-.5499992 -.5400009 .7400017

.5299988 .6300011

1.25 .0799999

5. Kesimpulan
Berdasarkan output ADF ternyata p-value= 0.000 < 𝛼 = 0,05. Maka tolak H0 yang
artinya data tidak mempunyai unit root (data stasioner).

4. A. Uji ACF dan PACF sebelum diferensi

-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]
-------------------------------------------------------------------------------
1 0.8765 0.8774 94.509 0.0000 |------- |-------
2 0.7219 -0.2008 159.16 0.0000 |----- -|
3 0.5959 0.0512 203.59 0.0000 |---- |
4 0.4827 -0.0638 232.99 0.0000 |--- |
5 0.4043 0.0822 253.8 0.0000 |--- |
6 0.3241 -0.1088 267.29 0.0000 |-- |
7 0.2945 0.2195 278.53 0.0000 |-- |-
8 0.2917 -0.0001 289.65 0.0000 |-- |
9 0.2953 0.0947 301.15 0.0000 |-- |
10 0.2828 -0.0993 311.79 0.0000 |-- |
11 0.2405 -0.0328 319.56 0.0000 |- |
12 0.2030 -0.0272 325.14 0.0000 |- |
13 0.1760 0.0539 329.38 0.0000 |- |
14 0.1576 0.0072 332.81 0.0000 |- |
15 0.1309 -0.0311 335.19 0.0000 |- |
16 0.1088 0.0019 336.86 0.0000 | |
17 0.0932 -0.0143 338.1 0.0000 | |
18 0.0627 -0.1213 338.66 0.0000 | |
 19 0.0099 -0.1414 338.67 0.0000 | -|
20 -0.0501 -0.0152 339.04 0.0000 | |
21 -0.0880 0.0110 340.19 0.0000 | |
22 -0.1152 -0.0581 342.17 0.0000 | |
23 -0.1217 0.0459 344.41 0.0000 | |
24 -0.1345 -0.1256 347.17 0.0000 -| -|
25 -0.1562 -0.0437 350.93 0.0000 -| |
26 -0.1457 0.0592 354.23 0.0000 -| |
27 -0.1128 0.1164 356.24 0.0000 | |
28 -0.0903 -0.0554 357.54 0.0000 | |
29 -0.0671 0.1487 358.26 0.0000 | |-
30 -0.0611 -0.1606 358.87 0.0000 | -|
31 -0.0597 0.0040 359.46 0.0000 | |
32 -0.0444 0.0735 359.78 0.0000 | |
33 -0.0404 0.0070 360.06 0.0000 | |
34 -0.0295 0.0768 360.21 0.0000 | |
35 -0.0418 -0.1285 360.51 0.0000 | -|
36 -0.0830 -0.2138 361.71 0.0000 | -|
37 -0.1055 0.0515 363.67 0.0000 | |
38 -0.1341 -0.1011 366.88 0.0000 -| |
39 -0.1628 -0.0162 371.67 0.0000 -| |
40 -0.1698 0.0731 376.95 0.0000 -| |

Plot ACF
1.00
Autocorrelations of data

0.50
0.00
-0.50

0 10 20 30 40
Lag
Bartlett's formula for MA(q) 95% confidence bands
 Plot PACF

0.80
Partial autocorrelations of data

0.60
0.40
0.20
0.00
-0.20

0 10 20 30 40
Lag
95% Confidence bands [se = 1/sqrt(n)]

Interpretasi :

Jika dilihat pada plot ACF nya, nilainya menurun secara melambat sehingga dapat dikatakan data
tersebut tidak stationer dalam rata-rata.

B. Uji ACF dan PACF setelah diferensi :

-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]
-------------------------------------------------------------------------------
1 0.1269 0.1270 1.9817 0.1592 |- |-
2 -0.1136 -0.1326 3.5825 0.1668 | -|
3 -0.0427 -0.0112 3.8109 0.2826 | |
4 -0.1352 -0.1503 6.1183 0.1905 -| -|
5 0.0093 0.0432 6.1292 0.2939 | |
6 -0.2076 -0.2736 11.663 0.0699 -| --|
7 -0.1094 -0.0436 13.213 0.0671 | |
8 -0.0337 -0.1278 13.361 0.1000 | -|
9 0.0534 0.0703 13.737 0.1320 | |
10 0.1142 -0.0070 15.473 0.1158 | |
11 -0.0173 -0.0187 15.513 0.1602 | |
12 -0.0396 -0.0981 15.725 0.2041 | |
13 -0.0351 -0.0470 15.894 0.2549 | |
14 0.0335 -0.0082 16.049 0.3104 | |
15 -0.0070 -0.0460 16.055 0.3784 | |
16 -0.0322 -0.0197 16.202 0.4390 | |
17 0.0686 0.0760 16.871 0.4632 | |
18 0.1034 0.0845 18.404 0.4293 | |
19 0.0214 -0.0426 18.471 0.4912 | |
20 -0.0891 -0.0670 19.632 0.4811 | |
21 -0.0435 0.0007 19.913 0.5268 | |
22 -0.0795 -0.1027 20.856 0.5296 | |
23 0.0271 0.0680 20.967 0.5831 | |
24 0.0229 -0.0116 21.047 0.6359 | |
25 -0.1318 -0.1123 23.723 0.5354 -| |
26 -0.0913 -0.1558 25.021 0.5178 | -|
27 0.0487 0.0177 25.395 0.5524 | |
28 -0.0131 -0.1772 25.422 0.6048 | -|
29 0.0604 0.1292 26.009 0.6250 | |-
30 0.0279 -0.0479 26.136 0.6682 | |
31 -0.0597 -0.1030 26.723 0.6860 | |
32 0.0529 -0.0345 27.189 0.7088 | |
33 -0.0257 -0.1004 27.3 0.7464 | |
34 0.0942 0.1035 28.811 0.7199 | |
35 0.1316 0.1726 31.793 0.6237 |- |-
36 -0.0673 -0.0986 32.582 0.6319 | |
37 0.0240 0.0658 32.684 0.6716 | |
38 -0.0151 -0.0063 32.724 0.7116 | |
39 -0.0931 -0.1059 34.29 0.6844 | |
40 -0.0113 0.0498 34.314 0.7235 | |
Plot ACF

0.20
0.10
0.00
-0.10
-0.20

0 10 20 30 40
Lag
Bartlett's formula for MA(q) 95% confidence bands

Plot PACF
0.20
0.10
0.00
-0.10
-0.20
-0.30

0 10 20 30 40
Lag
95% Confidence bands [se = 1/sqrt(n)]
Interprestasi:
ESTIMASI MODEL
ACF PACF MODEL

Menurun secara eksponensial. Cut off lag-p AR(p)

Cut off lag-q Menurun Secara Eksponensial. MA(q)

Menurun pada lag (q-p) Menurun pada lag (q-p) ARMA/ARIMA(p,d,q)

Jika dilihat pada plot ACF dan PACF merupakan plot Cut Off sehingga estimasi model yang
dipakai adalah ARIMA (p,d,q) dilihat pada tabel estimasi model diatas

Dari plot ACF dan PACF diatas hasil dari differencing terlihat bahwa ACF tidak signifikan pada
lag ke-6. Dari plot PACF dapat dilihat nilai autokorelasi parsial tidak signifikan pada lag ke-6
sehingga didapatkan model yang terbentuk adalah ARIMA(1,1,1), ARIMA(1,1,2),
ARIMA(3,1,1), ARIMA(3,1,3). Walaupun tidak menutup kemungkinan terdapat model ARIMA
lain yang terbentuk
5. Estimasi Parameter

Estimasi parameter dilakukan dengan menggunakan metode maksimum likelihood yang

disesuaikan. Dibawah ini adalah model yang digunakan.
 ARIMA 1,1,1

(setting optimization to BHHH)

Iteration 0: log likelihood = -260.83937

Iteration 1: log likelihood = -259.12201

Iteration 2: log likelihood = -257.29448

Iteration 3: log likelihood = -257.05868

Iteration 4: log likelihood = -257.0346

(switching optimization to BFGS)

Iteration 5: log likelihood = -257.03143

Iteration 6: log likelihood = -257.03093

Iteration 7: log likelihood = -257.03093

 ARIMA 1,1,2
(setting optimization to BHHH)
Iteration 0: log likelihood = -259.37055
Iteration 1: log likelihood = -259.12845
Iteration 2: log likelihood = -257.27095
Iteration 3: log likelihood = -256.86326
Iteration 4: log likelihood = -256.85938
(switching optimization to BFGS)
Iteration 5: log likelihood = -256.81212
Iteration 6: log likelihood = -256.72348
Iteration 7: log likelihood = -256.70414
Iteration 8: log likelihood = -256.70197
Iteration 9: log likelihood = -256.70184
Iteration 10: log likelihood = -256.70184
  ARIMA 3,1,1

(setting optimization to BHHH)

Iteration 0: log likelihood = -260.15306

Iteration 1: log likelihood = -258.78502

Iteration 2: log likelihood = -258.71062

Iteration 3: log likelihood = -258.71062 (backed up)

Iteration 4: log likelihood = -258.71062 (backed up)

(switching optimization to BFGS)

Iteration 5: log likelihood = -258.71062 (backed up)

Iteration 6: log likelihood = -257.18909

Iteration 7: log likelihood = -257.0745

Iteration 8: log likelihood = -256.82178

Iteration 9: log likelihood = -256.80197

Iteration 10: log likelihood = -256.80166

Iteration 11: log likelihood = -256.80158

Iteration 12: log likelihood = -256.80158

 ARIMA 3,1,3
(setting optimization to BHHH)
Iteration 0: log likelihood = -259.44454
Iteration 1: log likelihood = -258.68421
Iteration 2: log likelihood = -255.91321
Iteration 3: log likelihood = -254.62082
Iteration 4: log likelihood = -253.88909
(switching optimization to BFGS)
Iteration 5: log likelihood = -253.77771
Iteration 6: log likelihood = -253.75122
Iteration 7: log likelihood = -253.74201
Iteration 8: log likelihood = -253.73837
Iteration 9: log likelihood = -253.73771
Iteration 10: log likelihood = -253.73761
Iteration 11: log likelihood = -253.7376
6. Pemilihan Model Terbaik

Untuk menentukan model yang terbaik digunakan criteria AIC. Model terbaik yang
dipilih merupakan model yang memberikan nilai AIC terkecil. Nilai AIC untuk jumlah
kasus dapat dilihat pada tabel dibawah ini.
 Arima (1,1,1)

 Arima (1,1,2)

 Arima (3,1,1)

 Arima (3,1,3)

Tabel Nilai AIC Data Jumlah Kasus

Model AIC
ARIMA(1,1,1) 522.0619
ARIMA(1,1,2) 523.4037
ARIMA(3,1,1) 525.6032
ARIMA(3,1,3) 523.4752
 Dari tabel diatas model yang dapat dibandingkan adalah model ARIMA(1,1,1),
ARIMA(1,1,2), ARIMA(3,1,1), ARIMA(3,1,3). Untuk memilih model terbaik digunakan
kriteria AIC. Karena model ARIMA (1,1,1) mempunyai nilai AIC minimum dibandingkan
model ARIMA(1,1,2), ARIMA(3,1,1), dan ARIMA(3,1,3). Maka dapat disimpulkan bahwa
model ARIMA (1,1,2) adalah model yang terbaik untuk Data Saham Honda pada tahun 2008-
2017.

MODEL ARMA(1,1,1)
Yt  1Yt 1   t  1 t 1
Yt  0,7322259Yt 1   t  0,9379006 t 1
7. Check Diagnostic
A. Uji Normalitas Residual (Uji Jarque Bera)

Data yang telah diresidual

resid 3.507249 -.2691243

4.508031 -3.139851
-.9475816 .7143849 -.2103254
-1.67467 -4.396534 -.8790995
3.052702 2.776514 -1.543937
.7507439 -.3774718 1.558023
1.023322 2.152914 -.7964202
-2.311832 .7807713 -.1219827
1.43571 -6.089906 -1.369068
-3.026315 -2.265104 .3229194
-4.214151 .4141262 -2.899542
-2.941772 1.074219 -1.389103
-.8808814 -2.026846 -1.775377
.0107 3.343698 .5199323
-.0234066 2.479176 1.504756
-1.157542 .457854 -.9551669
4.729358 -2.456033 .3669773
-1.77384 -3.18633 .218972
-.7397277 3.06419 -1.967356
3.981515 -3.897753 1.730911
-.8942195 1.421622 -3.223152
-.3481123 -2.521178 -.7162625
.9073476 .1902992 2.224441
.3548185 1.545492 -.7697812
3.260531 3.670969 -.8990824
-.1018959 -.4709728 -5.02381
1.792565 .8763393 -.8440994
.7138491 .3962055 .3570905
-.3491238 2.786638 -.9940804
-2.869616 -2.729406 .0923925
-.4316327 1.564605 -3.444223
2.713668 -.8231073 1.641405
.9759463 .2687733 2.089547
2.71484 1.614652 -2.253948
.2858813 2.387998 .8753027
1.04453 2.058048 -.6999056
 -.292228 -1.433974 1.237594
.1419952 -.2220625 2.020964
1.288295 .0590509 .6877754
-1.12541 -.0273573
-.6433863 1.000488

a. Hipotesis
H0 : Residual Berdistribusi Normal
H1 : Residual Tidak Berdistribusi Normal

b. Taraf signifikan
α = 0,05

c. Kriteria pengujian
Tolak H0 Jika p-value < α
Terima H0 Jika p-value ≥ α

d. Pengujian
.2
.15
Density

.1
.05
0

-6 -4 -2 0 2 4
residual, one-step

e. Kesimpulan
Karena p-value(0.5867) > α(0.05) maka Terima H0 dan tolak H1 sehingga dapat
disimpulkan bahwa Residual Berdistribusi Normal

8. Melakukan Forecasting
 a. Tabel hasil peramalan Data Pembukaan(open) Saham Honda tahun 2008-2017

Data Data Hasil Peramalan

Maret 2017 30.26 32.16734
Apr-17 29.1 32.16141
Mei 2017 27.93 32.15548
Juni 2017 27.39 32.14954
Juli 2017 28.02 32.14362
Agustus 2017 28.1 32.13768
Sep-17 29.56 32.13175
Oktober
31.09
2017 32.12582
Nov-17 33.34 32.11989
Desember
34.08
2017 32.11396

Dengan melihat tebel diatas Data Pembukaan(open) Saham di perusahaan Honda

tahun 2017 dapat dikatakan bahwa dalam tahun 2017 bulan Maret sampai Desember
mengalami penurunan setiap bulannya.

9.Mencari nilai MSE untuk model yang terpilih

Rumus menghitung MSE adalah sebagai berikut.

∑(𝑌̂ − 𝑌i)2
𝑀𝑆𝐸 =
𝑛
99.86598382
𝑀𝑆𝐸 =
10
𝑀𝑆𝐸 =9,986598382

INTERPRETASI:

Berdasarkan hasil peramalan dengan menggunakan model ARIMA(1,1,1) terlihat

perbedaan antara hasil predikisi untuk 10 bulan kedepan dengan nilai MSE sebesar
9,986598382 Data Close Saham di perusahaan Honda tahun 2008-2017.
LAMPIRAN
 .2
.15
Density

.1
.05
0

-10 -5 0 5
residual, one-step