Input data

1. Menyiapkan data harga konsumen

2. Membuka aplikasi pengolah data eviews lalu klik “create new eviews word file”
3. Mengubah frequency menjadi monthly dan mengisi start date dengan 2016/1/1 dan end
date dengan 2020/12/31

4. Kemudian klik “Quick” dan pilih empty group

5. Selanjutnya copy data harga konsumen yang ada di excel dan paste di workfile, lalu
pada bagian atas 2016M01 memberi nama dengan “HARGAKONSUMEN”

6. Kemudian data di freeze lalu pada tabel yang sudah di freeze, klik “name” menggantikan
kata “table01” dengan memberi nama “hargakonsumen_” dan klik “ok”
Uji stasioner harga konsumen
1. Pertama buka kembali data harga konsumen

2. Kemudian klik “view” → “unit root test” → “standart unit root test”
3. Selanjutnya pilih “level” dan “trend and intercept” lalu klik “ok”. Tahap ini dilakukan untuk
menguji stasioneritas data. Terdapat dua kriteria dalam pengujian stasioneritas data
yaitu apabila nilai probabilitas ADF lebih dari 0.05 maka data bersifat tidak stasioner.
Sebaliknya, apabila nilai probabilitas kurang dari 0.05 maka data bersifat stasioner. Data
yang bersifat tidak stasioner akan dilakukan uji stasioner menggunakan first difference
dan jika belum stasioner akan dilakukan uji stasioner menggunakan second difference
sampai nilai probabilitas kurang dari 0.05 yaitu data bersifat stasioner. Dan jika pada
tingkat level nilai probabilitas sudah dibawah 0.05 berarti data bersifat stasioner dan bisa
dilanjutkan ke pengujian selanjutnya.
4. Kemudian setelah klik “ok” cek nilai probabilitas. Nilai probabilitas sebesar 0.0320 yang
berarti nilai probabilitas ADF kurang dari tingkat signifikannya yaitu 0.05 (0,0320 < 0,05)
maka data yang dianalisis sudah stasioner pada tahap level.
Uji pendugaan model autoregressive moving average (ARMA) harga konsumen
1. Setelah melakukan uji stasioner, klik “View” lalu pilih “Correlogram”.

2. Pilih “Level” dan klik “OK”, sebab pendugaan model autoregressive moving average
(ARMA) ini dilakukan hanya apabila data stasioner pada tahap level, apabila data
stasioner di tahap first difference atau second difference tidak perlu menggunakan
pendugaan ARMA. Dikarenakan data harga konsumen ini memiliki nilai probabilitas
kurang dari 0.05 maka data ini bersifat stasioner.
3. Berikut merupakan hasil correologram di eviews:

Cara menentukan model ARMA terbaik dengan menggunakan correlogram yaitu dengan
memilih nilai probabilitas yang signifikan yaitu <0.05 lalu, pilih nilai yang melebihi garis
putus-putus dan paling jauh dari garis putus-putus. Lalu untuk ordo AR diperoleh dari
Partial Correlation, sedangkan ordo MA diperoleh dari Autocorrelation. Berdasarkan
hasil di atas, ordo ARMA terbaik adalah (1,1) karena nilai probabilitasnya memenuhi,
nilainya melebihi garis putus-putus dan paling jauh dari garis tersebut.

4. Setelah melihat hasil dari correlogram, langkah selanjutnya adalah membuktikan bahwa
ordo yang terpilih merupakan ordo yang mempunyai nilai Aike Info Criterion (AIC) dan
Schwarz Criterion (SC) terkecil. Pembuktian ini dilakukan dari ordo AR (0) MA(1) sampai
ordo AR (4) MA(4). Setelah mengetahui ordo yang tepat melalui correologram,
kemudian klik “quick” pilih “estimate equation”.
5. Masukkan sesuai rumus berikut: (disesuaikan sesuai nama variable dan ordonya).
Misalnya, untuk ordo AR(1) MA(1) maka, rumusnya ditulis “hargakonsumen c ar(1) ma
(1)” lalu kilk “OK”.

6. Selanjutnya akan muncul hasil pengujian pada ordo AR(1) MA(1):

Pada pendugaan model Autoregressive Moving Average (ARMA) di atas menggunakan

ordo AR(1) dan MA(1) didapatkan bahwa nilai Akaike Info Criterion (AIC) yaitu 14,77982
sedangkan nilai Schwarz Criterion (SC) yaitu 14,91945 dan nilai Prob(F-statistic)
0,000000.
7. Demikian terus diulang sampai seluruh ordo selesai dibuktikan.

1,1 1,2

1,3 1,4
2,1 2,2

2,3 2,4

3,1 3,2
3,3 3,4

4,1 4,2

4,3 4,4
8. Setelah dilakukan pengujian pendugaan model Autoregressive Moving Average (ARMA)
dari ordo AR (0) MA(1) sampai ordo AR (4) MA(4), diketahui bahwa ordo ARMA terbaik
dapat dilihat nilai Akaike Info Criterion (AIC) dan Schwarz Criterion (SC) yang terkecil.
Yang mana, ordo AR(1) dan MA(1) memiliki nilai Akaike Info Criterion (AIC) dan
Schwarz Criterion (SC) paling kecil. Sehingga dalam pengujian selanjutnya data yang
digunakan yaitu data terkecil pada ordo AR(1) dan MA(1).