Proses Arima

Sekarang kita memiliki data bulanan tetapi sudah disesuaikan secara musiman,terlihat bahwa grafiknya
tidak stasioner karena tidak berfklutuasi di sekitar rata-rata, cenderung naik sangat tinggi dan turun
sangat rendah. Selanjutnya kita melihat nilai ACF, autokorelasi dan autokorelasi parsialnya

Autocorrelations
Series: IHSG 2011-2021
Box-Ljung Statistic
a
Lag Autocorrelation Std. Error Value df Sig.b
1 ,945 ,086 119,699 1 ,000
2 ,882 ,086 224,868 2 ,000
3 ,825 ,086 317,426 3 ,000
4 ,775 ,085 399,861 4 ,000
5 ,729 ,085 473,316 5 ,000
6 ,691 ,085 539,789 6 ,000
7 ,652 ,084 599,574 7 ,000
8 ,608 ,084 651,940 8 ,000
9 ,561 ,084 696,915 9 ,000
10 ,526 ,083 736,692 10 ,000
11 ,494 ,083 772,152 11 ,000
12 ,465 ,083 803,835 12 ,000
13 ,440 ,082 832,466 13 ,000
14 ,428 ,082 859,730 14 ,000
15 ,425 ,082 886,822 15 ,000
16 ,419 ,081 913,366 16 ,000
a. The underlying process assumed is independence (white noise).
b. Based on the asymptotic chi-square approximation.

Partial Autocorrelations
Series: IHSG 2011-2021
Partial
Lag Autocorrelation Std. Error
1 ,945 ,087
2 -,100 ,087
3 ,017 ,087
4 ,041 ,087
5 -,007 ,087
6 ,052 ,087
7 -,027 ,087
8 -,071 ,087
9 -,034 ,087
10 ,079 ,087
11 -,002 ,087
12 ,000 ,087
13 ,024 ,087
14 ,100 ,087
15 ,086 ,087
16 -,027 ,087

Terlihat pada chart ACF, terdapat korelasi yang signifikan sepanjang garis, maka jelas bahwa data yang
kita gunakan adalah nonstastioner. Sedangkan untuk mebentuk pemodelan ARIMA kita harus membuat
data ini menjadi data yang stasioner. Sekarang dengan membuat diferensial sebesar 1 maka kita dapat
memperoleh data seperti dibawah ini:
Sekarang kita melihat grafik yang sama sekali berbeda, tampak stasioner, hanya berosilasi sangat acak di
daerah 0, hanya ada beberapa garis yang berada rentang yang jauh dari 0, sehingga data kita sekarang
masih terlihat stasioner. Sekarang kita lihat nilai ACF, Autokorelasi dan Autokorelasi parsial pada grafik
kita yang sekarang yaitu grafik yang memiliki diferensial sebesar 1:

Autocorrelations
Series: IHSG 2011-2021
Box-Ljung Statistic
a
Lag Autocorrelation Std. Error Value df Sig.b
1 ,128 ,087 2,178 1 ,140
2 ,049 ,086 2,494 2 ,287
3 -,077 ,086 3,305 3 ,347
4 -,039 ,086 3,514 4 ,476
5 -,114 ,085 5,286 5 ,382
6 ,080 ,085 6,174 6 ,404
7 -,011 ,085 6,191 7 ,518
8 -,059 ,084 6,686 8 ,571
9 -,196 ,084 12,161 9 ,204
10 -,012 ,084 12,183 10 ,273
11 -,048 ,083 12,513 11 ,326
12 ,050 ,083 12,875 12 ,378
13 -,087 ,083 13,976 13 ,376
14 -,059 ,082 14,483 14 ,414
15 -,029 ,082 14,606 15 ,480
16 ,005 ,082 14,610 16 ,553
a. The underlying process assumed is independence (white noise).
b. Based on the asymptotic chi-square approximation.
 Partial Autocorrelations
Series: IHSG 2011-2021
Partial
Lag Autocorrelation Std. Error
1 ,128 ,088
2 ,033 ,088
3 -,089 ,088
4 -,021 ,088
5 -,101 ,088
6 ,106 ,088
7 -,031 ,088
8 -,084 ,088
9 -,177 ,088
10 ,033 ,088
11 -,024 ,088
12 ,018 ,088
13 -,128 ,088
14 -,080 ,088
15 ,036 ,088
16 -,017 ,088
Nah dari ACF yang sekarang terlihat sangat berbeda dengan ACF yang sebelumnya, dimana korelasi yang
kita punya lebih kritis dan tidak signifikan. Sekarang kita dapat menentukan yang mungkin untuk
variabel P dan Q. P adalah jumlah elemen regresif otomatis sedangkan Q adalah jumlah elemen rata-
rata bergerak.

Perhatikan pada ACF dan P ACF terdapat 1 signifikan lag yang terjadi, model yang mungkin kita pakai
adalah ARIMA (3,1,0) dan ARIMA(3,1,1).

Kita uji untuk ARIMA (3,1,0) dan membuat modelnya:

Model Fit

Percentile
Minimu Maximu
Fit Statistic Mean SE m m 5 10 25 50 75 90 95
Stationary R- ,025 . ,025 ,025 ,025 ,025 ,025 ,025 ,025 ,025 ,025
squared
R-squared ,943 . ,943 ,943 ,943 ,943 ,943 ,943 ,943 ,943 ,943

RMSE 204,43 . 204,43 204,430 204,43 204,43 204,43 204,43 204,43 204,43 204,43
0 0 0 0 0 0 0 0 0
MAPE 3,000 . 3,000 3,000 3,000 3,000 3,000 3,000 3,000 3,000 3,000

MaxAPE 18,351 . 18,351 18,351 18,351 18,351 18,351 18,351 18,351 18,351 18,351

MAE 149,68 . 149,68 149,688 149,68 149,68 149,68 149,68 149,68 149,68 149,68
8 8 8 8 8 8 8 8 8
MaxAE 832,92 . 832,92 832,923 832,92 832,92 832,92 832,92 832,92 832,92 832,92
3 3 3 3 3 3 3 3 3
Normalized BIC 10,790 . 10,790 10,790 10,790 10,790 10,790 10,790 10,790 10,790 10,790

ARIMA Model Parameters

Estimate SE t Sig.
IHSG 2011-2021- IHSG 2011- No Constant 23,707 19,495 1,216 ,226
Model_1 2021 Transformation AR Lag 1 ,126 ,089 1,418 ,159
Lag 2 ,043 ,090 ,481 ,632
Lag 3 -,089 ,090 -,998 ,320
Difference 1
 Forecast
Model Dec 2021 Jan 2022 Feb 2022 Mar 2022 Apr 2022 May 2022 Jun 2022
IHSG 2011-2021-Model_1 Forecast 6556,10 6550,52 6576,95 6600,39 6626,80 6650,59 6674,45
UCL 6960,65 7159,72 7352,17 7495,99 7625,12 7740,23 7849,02
LCL 6151,56 5941,32 5801,72 5704,78 5628,48 5560,95 5499,87

Unutk model ARIMA (3,1,1)

Model Fit

Percentile
Minimu Maximu
Fit Statistic Mean SE m m 5 10 25 50 75 90 95
Stationary R- ,067 . ,067 ,067 ,067 ,067 ,067 ,067 ,067 ,067 ,067
squared
R-squared ,945 . ,945 ,945 ,945 ,945 ,945 ,945 ,945 ,945 ,945

RMSE 200,779 . 200,779 200,779 200,779 200,779 200,779 200,779 200,779 200,779 200,779
MAPE 2,969 . 2,969 2,969 2,969 2,969 2,969 2,969 2,969 2,969 2,969

MaxAPE 19,492 . 19,492 19,492 19,492 19,492 19,492 19,492 19,492 19,492 19,492

MAE 148,471 . 148,471 148,471 148,471 148,471 148,471 148,471 148,471 148,471 148,471

MaxAE 884,708 . 884,708 884,708 884,708 884,708 884,708 884,708 884,708 884,708 884,708

Normalized BIC 10,792 . 10,792 10,792 10,792 10,792 10,792 10,792 10,792 10,792 10,792

Model Fit
Percentile
Minimu Maximu
Fit Statistic Mean SE m m 5 10 25 50 75 90 95
Stationary R- ,067 . ,067 ,067 ,067 ,067 ,067 ,067 ,067 ,067 ,067
squared
R-squared ,945 . ,945 ,945 ,945 ,945 ,945 ,945 ,945 ,945 ,945

RMSE 200,779 . 200,779 200,779 200,779 200,779 200,779 200,779 200,779 200,779 200,779

MAPE 2,969 . 2,969 2,969 2,969 2,969 2,969 2,969 2,969 2,969 2,969

MaxAPE 19,492 . 19,492 19,492 19,492 19,492 19,492 19,492 19,492 19,492 19,492

MAE 148,471 . 148,471 148,471 148,471 148,471 148,471 148,471 148,471 148,471 148,471

MaxAE 884,708 . 884,708 884,708 884,708 884,708 884,708 884,708 884,708 884,708 884,708

Normalized BIC 10,792 . 10,792 10,792 10,792 10,792 10,792 10,792 10,792 10,792 10,792

Forecast
Model Dec 2021 Jan 2022 Feb 2022 Mar 2022 Apr 2022 May 2022 Jun 2022
IHSG 2011-2021-Model_1 Forecast 6567,87 6575,94 6589,23 6602,30 6616,57 6631,65 6647,52
UCL 6963,53 7154,47 7305,00 7414,15 7496,76 7560,66 7611,77
LCL 6172,20 5997,41 5873,47 5790,46 5736,38 5702,63 5683,27