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)
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
------------------------------------------------------------------------------
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
------------------------------------------------------------------------------
-5
-10
0 -2.690001 -1.02
.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).
-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.
-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
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
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)
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)
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
INTERPRETASI:
.1
.05
0
-10 -5 0 5
residual, one-step