Jurnal Referensi Skripsi
Jurnal Referensi Skripsi
OLEH
LAMBOK SIAGIAN
170523017
v
Universitas Sumatera Utara
vi
Universitas Sumatera Utara
vii
Universitas Sumatera Utara
viii
Universitas Sumatera Utara
ABSTRAK
i
Universitas Sumatera Utara
ABSTRACT
ii
Universitas Sumatera Utara
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, atas
berkat-Nya sehingga penyusunan skripsi yang berjudul “Analisis Dalam
Memprediksi Harga Saham Perusahaan Otomotif Dan Komponen Di Bursa
Efek Indonesia Menggunakan Metode ARIMA” dapat diselesaikan dengan
baik. Penulisan skripsi ini sebagai salah satu untuk memperoleh gelar sarjana
ekonomi di Fakultas Ekonomi dan Bisnis prodi Ekonomi Pembangunan
Universitas Sumatera Utara.
Pada kesempatan ini, penulis menyampaikan rasa terima kasih kepada
semua pihak yang telah membantu Penulis dan memberi dukungan dari berbagai
pihak, baik berupa moril maupun material, sehingga penulis semakin termotivasi
untuk menyelesaikan penelitian dan penulisan skripsi ini yang mana banyak sekali
menemukan kendala-kendala yang cukup berarti dalam penyusunannya. Oleh
karena itu, dengan segala kerendahan hati penulis mengucapkan terima kasih yang
sebanyak-banyaknya kepada pihak-pihak yang telah membantu penulis,
diantaranya kepada:
1. Kedua orang tua tercinta Ayahanda J. Siagian dan Ibunda D. Panjaitan,
yang telah mendidik, merawat dan memberikan saya cinta, doa, dan kasih
sayang yang sangat besar kepada saya.
2. Bapak Prof. Dr. Ramli, SE, MS, selaku Dekan Fakultas Ekonomi dan
Bisnis Universitas Sumatera Utara.
3. Bapak Drs. Coki Ahmad Syahwier, MP, selaku Ketua Program Studi S1
dan Ibu Inggrita Gusti Sari Nasution, SE, M.Si, selaku Sekretaris Program
Studi S1 Ekonomi Pembangunan Fakultas Ekonomi dan Bisnis
Universitas Sumatera Utara.
4. Bapak Syarief Fauzie, SE, M.AK, Ak., selaku dosen pembimbing yang
telah memberikan bimbingan dan arahan kepada saya selama masa
pendidikan.
5. Bapak Paidi Hidayat, SE, M.Si., selaku dosen penguji I dan Bapak Bapak
Wahyu Sugeng Imam Soeparno, SE, M.Si., selaku dosen penguji II yang
telah memberikan saran dan masukan untuk perbaikan skripsi ini.
6. Seluruh Dosen Pengajar di Departemen Ekonomi Pembangunan Fakultas
Ekonomi dan Bisnis Universitas Sumatera Utara.
7. Seluruh Staf Adminitrasi di Fakultas Ekonomi dan Bisnis Universitas
Sumatera Utara, khususnya Departemen Ekonomi Pembangunan.
8. Kepada seluruh keluarga saya yang telah memberikan doa dan dukungan
dalam proses penyusunan skripsi ini.
9. Kepada teman saya Siska, Evi, Anjel, Hillary, Impi. Kakak Saya
Chatherine dan Abang Saya Demus yang telah membantu dalam
penyusunan skripsi ini.
10. Kepada seluruh teman-teman Ekonomi Pembangunan 2017 serta kepada
seluruh pihak lainnya yang telah banyak membantu dalam penyusunan
skripsi ini, namun tidak dituliskan pada lembaran ini, penulis mohon maaf
dan kelalaian ini tidak mengurangi rasa terimakasih penulis.
iii
Universitas Sumatera Utara
iv
Universitas Sumatera Utara
DAFTAR ISI
Halaman
ABSTRAK ......................................................................................................... i
ABSTRACT ....................................................................................................... ii
KATA PENGANTAR ....................................................................................... iii
DAFTAR ISI ...................................................................................................... v
DAFTAR TABEL ............................................................................................. vii
DAFTAR GAMBAR ......................................................................................... ix
DAFTAR LAMPIRAN ..................................................................................... x
BAB I PENDAHULUAN
1.1 Latar Belakang ........................................................................... 1
1.2 Rumusan Masalah ...................................................................... 6
1.3 Tujuan Penelitian ....................................................................... 7
1.4 Manfaat Penelitian ..................................................................... 7
v
Universitas Sumatera Utara
4.2.1 Peramalan Harga Saham PT. Astra International (ASII) .. 31
4.2.2 Peramalan Harga Saham PT. Astra Otoparts (AUTO) ...... 37
4.2.3 Peramalan Harga Saham PT. Garuda Metalindo (BOLT) 42
4.2.4 Peramalan Harga Saham PT. Gajah Tunggal (GJTL) ....... 44
4.2.5 Peramalan Harga Saham PT. Indomobil Sukses
International (IMAS) ........................................................ 50
4.2.6 Peramalan Harga Saham PT. Indosprings (INDS) ............ 55
4.2.7 Peramalan Harga Saham PT. Multistrada Arah
Sarana (MASA) ................................................................. 60
4.2.8 Peramalan Harga Saham PT. Prima Alloy Steel
Universal (PRAS).............................................................. 66
4.2.9 Peramalan Harga Saham PT. Selamat Sempurna
(SMSM)............................................................................. 71
4.3 Pembahasan Hasil Pengolahan ................................................... 77
vi
Universitas Sumatera Utara
DAFTAR TABEL
Halaman
Tabel 2.1 Ringkasan Penelitian Terdahulu .............................................. 18
Tabel 3.1 Daftar Perusahaan Otomotif dan Komponen yang dijadikan
sampel ...................................................................................... 23
Tabel 3.2 Pola AFC dan PAFC ................................................................. 26
Tabel 4.1 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) ........... 32
Tabel 4.2 Uji Stasioner dengan Augmented Dickey-Fuller pada
First Difference .......................................................................... 32
Tabel 4.3 Estimasi Model ARIMA ............................................................ 33
Tabel 4.4 Uji Ljung Box ............................................................................ 34
Tabel 4.5 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) ........... 38
Tabel 4.6 Uji Stasioner dengan Augmented Dickey-Fuller pada
First Difference .......................................................................... 38
Tabel 4.7 Estimasi Model ARIMA ............................................................ 39
Tabel 4.8 Uji Ljung Box ............................................................................ 40
Tabel 4.9 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) ........... 43
Tabel 4.10 Uji Stasioner dengan Augmented Dickey-Fuller pada
First Difference .......................................................................... 43
Tabel 4.11 Estimasi Model ARIMA ............................................................ 44
Tabel 4.12 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) ........... 45
Tabel 4.13 Uji Stasioner dengan Augmented Dickey-Fuller pada
First Difference .......................................................................... 45
Tabel 4.14 Estimasi Model ARIMA ............................................................ 46
Tabel 4.15 Uji Ljung Box ............................................................................ 47
Tabel 4.16 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) ........... 51
Tabel 4.17 Uji Stasioner dengan Augmented Dickey-Fuller pada
First Difference .......................................................................... 51
Tabel 4.18 Estimasi Model ARIMA ............................................................ 52
Tabel 4.19 Uji Ljung Box ............................................................................ 52
Tabel 4.20 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) ........... 56
Tabel 4.21 Uji Stasioner dengan Augmented Dickey-Fuller pada
First Difference .......................................................................... 56
Tabel 4.22 Estimasi Model ARIMA ............................................................ 57
Tabel 4.23 Uji Ljung Box ............................................................................ 58
Tabel 4.24 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) ........... 61
Tabel 4.25 Uji Stasioner dengan Augmented Dickey-Fuller pada
First Difference .......................................................................... 61
Tabel 4.26 Estimasi Model ARIMA ............................................................ 62
Tabel 4.27 Uji Ljung Box ............................................................................ 62
Tabel 4.28 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) ........... 67
Tabel 4.29 Uji Stasioner dengan Augmented Dickey-Fuller pada
First Difference .......................................................................... 67
Tabel 4.30 Estimasi Model ARIMA ............................................................ 68
Tabel 4.31 Uji Ljung Box ............................................................................ 68
vii
viii
Halaman
Gambar 2.1 Kerangka Konseptual ............................................................. 20
Gambar 4.1 Plot Data ASII ......................................................................... 31
Gambar 4.2 Validasi Harga Saham ASII Actual dan Forecast .................. 35
Gambar 4.3 Akurasi Peramalan .................................................................. 36
Gambar 4.4 Plot Data AUTO ...................................................................... 37
Gambar 4.5 Validasi Harga Saham AUTO Actual dan Forecast ............... 41
Gambar 4.6 Plot Data BOLT ...................................................................... 42
Gambar 4.7 Plot Data GJTL ....................................................................... 44
Gambar 4.8 Validasi Harga Saham GJTL Actual dan Forecast ................. 48
Gambar 4.9 Akurasi Peramalan .................................................................. 49
Gambar 4.10 Plot Data IMAS ...................................................................... 50
Gambar 4.11 Validasi Harga Saham IMAS Actual dan Forecast ............... 54
Gambar 4.12 Akurasi Peramalan ................................................................. 55
Gambar 4.13 Plot Data INDS ...................................................................... 59
Gambar 4.14 Validasi Harga Saham INDS Actual dan Forecast ................ 60
Gambar 4.15 Plot Data MASA .................................................................... 59
Gambar 4.16 Validasi Harga Saham MASA Actual dan Forecast .............. 64
Gambar 4.17 Akurasi Peramalan ................................................................. 65
Gambar 4.18 Plot Data PRAS ...................................................................... 66
Gambar 4.19 Validasi Harga Saham PRAS Actual dan Forecast ............... 70
Gambar 4.20 Akurasi Peramalan ................................................................. 71
Gambar 4.21 Plot Data SMSM .................................................................... 71
Gambar 4.22 Validasi Harga Saham SMSM Actual dan Forecast .............. 75
Gambar 4.23 Akurasi Peramalan ................................................................. 76
ix
Nomor Judul
1 Daftar Perusahaan Otomotif dan Komponen yang
Menjadi Populasi
2 Data Harga Saham Perusahaan Otomotif dan Komponen
3 Daftar Perusahaan Otomotif dan Komponen dengan
Forecasting ARIMA
4 Hasil Pengolahan Eviews untuk perusahaan ASII
5 Hasil Pengolahan Eviews untuk perusahaan AUTO
6 Hasil Pengolahan Eviews untuk perusahaan BOLT
7 Hasil Pengolahan Eviews untuk perusahaan GJTL
8 Hasil Pengolahan Eviews untuk perusahaan IMAS
9 Hasil Pengolahan Eviews untuk perusahaan INDS
10 Hasil Pengolahan Eviews untuk perusahaan MASA
11 Hasil Pengolahan Eviews untuk perusahaan PRAS
12 Hasil Pengolahan Eviews untuk perusahaan SMSM
keuangan jangka panjang yang bisa diperjual belikan, baik surat utang (obligasi),
ekuiti (saham), reksa dana, instrumen derivatif maupun instrumen lainnya. Pasar
modal memiliki peran yang penting bagi perekonomian suatu negara karena pasar
modal menjalankan dua fungsi, yaitu pertama sebagai sarana bagi pendanaan
usaha atau sebagai sarana bagi perusahaan untuk mendapatkan dana dari
pasar modal menjadi sarana bagi masyarakat untuk berinvestasi pada instrumen
saham adalah surat berharga yang menunjukkan bagian kepemilikan atas suatu
perusahaan. Jika perusahaan untung, maka investor tersebut berhak atas sebagian
kepemilikan dan keuntungan dari perusahaan dalam bentuk dividen. Selain return,
kegiatan investasi juga dapat menimbulkan risiko bagi para investor. Semakin
besar return yang akan diterima maka semakin besar pula potensi risiko yang
akan dihadapi. Tingkat risiko yang terdapat pada perusahaan yang akan dipilih
investor jika menanamkan modalnya pada saham perusahaan tersebut, oleh karena
itu investor harus bijak dapat mempertimbangkan kapan harus membeli dan
dalam bidang ekonomi pada umumnya maupun dipasar modal pada khususnya.
saham kepada masyarakat melonjak, dan jumlah perdagangan saham baik nilai
dilihat dari jumlah emiten yang terdaftar di Bursa Efek Indonesia. Data yang
tercatat sampai September 2018, terdapat 600 emiten saham dan obligasi Bursa
Efek Indonesia. Jumlah ini akan terus bertambah di masa yang akan datang,
Indonesia. Berdasarkan data Bursa Efek Indonesia sampai Juni 2019, tercatat 173
dari sektor industri dasar dan kimia (72 emiten), sektor industri barang
konsumsi (53 emiten), dan sektor aneka industri (48 emiten) dan dari setiap
sektor akan dibagi menjadi beberapa sub sektor salah satunya perusahaan sub
pertumbuhan. Hal itu dapat dilihat dari hasil penjualan yang semakin meningkat
2018 angka penjualan mobil sebanyak 1,3 juta unit, atau senilai USD 13,7 miliar.
Dan ekspornya mencapai 346.000 unit atau setara dengan USD 4,78 miliar. Selain
itu, Indonesia memiliki potensi pasar yang terbuka lebar dalam industri otomotif,
dimana hal ini merupakan sebuah peluang yang bagus bagi para pelaku industri
mendapatkan laba yang lebih besar lagi dan otomatis investor akan berinvestasi
membeli saham dapat digolongkan menurut faktor rasional maupun faktor yang
tidak rasional. Investor yang melakukan investasi pada perusahaan dengan cara
yang dapat digunakan investor antara lain pendekatan analisis teknikal dan
satu cara yang digunakan dalam memprediksi harga saham melalui pengamatan
analisis fundamental yaitu adalah sebuah teknik analisis harga saham perusahaan
dengan cara mempelajari dasar-dasar keuangan serta fakta ekonomi dalam suatu
perusahaan untuk memprediksi nilai harga saham (Van Home, 2005). Pada
laba dalam bentuk deviden dan prospek usaha perusahaan. Variabel-variabel ini
akan sangat mempengaruhi pilihan mengenai saham yang akan dibeli jika investor
ataupun dengan menggunakan sarana yang di dapat dari analisis di pasar modal.
Pola perilaku perdagangan dalam pasar modal memberikan kontribusi bagi pola
perilaku harga saham dalam pasar modal. Pola perilaku dari harga saham tersebut
dapat menentukan pola dari return yang diperoleh dari saham (Budi 2003, dalam
Nathaniel, 2008). Harga saham di bursa ditentukan oleh kekuatan pasar, yang
(Harianto dan Sudono, 1998:73). Jika terjadi ekspektasi positif, minat untuk
membeli akan meningkat yang akan menggerakkan harga ke atas, sebaliknya jika
ekspektasi negatif akan mendorong harga menurun karena tekanan jual akan
meningkat. Selain itu, pergerakan indeks harga saham di suatu pasar modal juga
di pasar modal tersebut dipengaruhi dengan adanya sentimen positif (aksi beli)
atau sentimen negatif (aksi jual). Berita baik seperti membaiknya perekonomian
positif bagi para investor. Bila terjadi aksi teror, kudeta, peperangan di suatu
negara, hal ini merupakan sentimen negatif bagi investor meskipun kondisi
menunjukkan pola pergerakan yang sulit diprediksi atau sulit dijelaskan. Oleh
karena itu wajar jika banyak orang menggambarkan pasar modal sebagai
irasional, dan tidak beraturan. Sehingga dinamika dan mekanisme harga saham
diperlukan metode yang terbaik dalam memprediksi harga saham dimasa yang
Metode Box-Jenkins menjadi salah satu dari berbagai macam pilihan yang
ditawarkan para ahli dalam memprediksi harga saham di masa depan. Metode ini
tenaga kerja, dan variabel runtut waktu lainnya. Metode ini sangat baik
lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka
pendek yang akurat. Model ARIMA dibagi dalam 3 unsur, yaitu: model
hingga ke periode ke-p, jadi yang berpengaruh disini adalah variabel itu sendiri,
moving average (MA) yaitu nilai variabel x dipengaruhi oleh error dari variabel x
tersebut dan integreted (I) yaitu menyatakan differencing dari data yang menjadi
syarat keharusan yang harus dipenuhi adalah stasioneritas data. Apabila data
stasioner pada level maka ordonya sama dengan 0, namun apabila stasioner pada
ordo MA.
bahwa untuk memprediksi harga saham maksimum PT. Telkom, Tbk diketahui
bahwa parameter p=3, d=1, q=3 atau ARIMA (3,1,3) dengan nilai MSE yang
terkecil yaitu 18123 yang dapat digunakan untuk memprediksi harga saham bulan
Mei sampai Juni 2011. Dan untuk memprediksi harga saham minimum PT.
Telkom, Tbk diketahui bahwa parameter p=3, d=1, q=1 atau ARIMA (3,1,1)
dengan nilai MSE yang terkecil yaitu 17336 yang dapat digunakan untuk
parameter p=3, d=1, q=2 atau ARIMA (3,1,2) dengan nilai MSE 0,14966 yang
dapat digunakan untuk memprediksi nilai IHK untuk November (2012) sampai
Juni (2013).
September 2019?
30 September 2019?
ARIMA.
2. Kalangan akademis
3. Kalangan umum
4. Bagi penulis
datang.
Pasar modal dalam Undang-Undang Pasar Modal No. 8 Tahun 1995 yaitu
Kata efek berasal dari bahasa Belanda effecten. Didalam bukunya, Analisis
Pasar Modal, E.A Koetin (1993) menulis bahwa menurut pengarang Belanda, B.
De Smalem, Istilah effecten berasal dari bahasa Latin effectus. Menurut kamus
bahasa Latin disusun oleh Drs. Prent C. M. Dan Drs. J. Adisubrata, kalau kata ini
artinya”sempurna”.
Maart 1997 art. 1. Menurut defenisi ini, efek adalah saham, obligasi, surat gadai,
bukti fraksi depot, bukti keuntungan dan bukti pendiri, bukti opsi dan surat
berharga serupa. Selain itu, kata tersebut juga bermakna sertifikat dari nilai
(warden) tersebut di muka, atau resipis dari nilai (warden) tersebut di muka
1997:1).
pembiayaan, baik bagi pemerintah maupun dunia usaha untuk kegiatan yang
asuransi. Pasar modal menjadi satu alternatif instrumen investasi dengan tujuan
pasar-modal-di-indonesia seperti-apa-sejarahnya).
Didalam buku Invesments, Bodie et all (2006) membagi pasar modal atas
2. Pasar modal,
Pasar obligasi terdiri atas pinjaman jangka panjang atau instrumen utang
selain yang diperdagangkan dipasar uang. Pasar ini meliputi surat utang dan
dipegang umum dan instrumen finansial yang berhubungan (termasuk opsi saham,
maupun uang, turunan ini dapat berarti dari turunan langsung dari efek pertama
tergantung dari kinerja asset lain. Jadi dapat diambil suatu kesimpulan bahwa
2.2 Saham
Saham, dikenal sebagai sekuritas ekuitas, atau cukup disebut sebagai ekuitas
masing lembar saham biasa mewakili satu suara tentang segala hal dalam
Saham dari kebanyakan perusahaan besar dapat diperoleh atau dijual bebas
di satu atau lebih pasar saham. Perusahaan yang memiliki saham yang tidak
masalah.
Untuk meningkatkan modal, salah satu cara yang bisa ditempuh perusahaan
adalah menjual sekuritas baru. Sekuritas ini bisa berupa saham, obligasi, atau
sekuritas lain yang dijual ke publik melalui bankir investasi dalam pasar yang
investor atau sekuritas yang telah diterbitkan terjadi di pasar sekunder (secondary
market).
1. Saham Atas Nama (Registered Stock), adalah dimana nama pemilik saham
tertera di atas saham tersebut dan cara peralihan saham ini harus melalui
2. Saham Atas Ujuk (Bearer Stock), adalah saham dimana, nama pemilik saham
sebagai pemilik saham, dengan demikian barang siapa yang dapat menunjukan
sertifikat saham itu, maka ia dapat dikatakan pemilik dari saham tersebut,
Pada dasarnya terdapat dua keuntungan yang diperoleh pemodal dengan membeli
2. Capital gain adalah keuntungan yang diperoleh para investor di pasar modal
dari selisih antara harga beli dan harga jual (harga jual > harga beli). Data
pada dividen. Hal ini dapat terlihat dari banyaknya investor melakukan
Dalam berinvestasi saham pasti selalu ada risiko yang menghantui para investor,
diantaranya adalah:
1. Capital Loss merupakan kebalikan dari Capital Gain, yaitu suatu kondisi
bangkrut oleh pengadilan, atau perusahaan tersebut dibubarkan. Dalam hal ini
hak klaim dari pemegang saham mendapat prioritas terakhir setelah seluruh
perusahaan). Jika masih terdapat sisa dari hasil penjualan kekayaan perusahaan
pemegang saham. Namun jika tidak terdapat sisa kekayaan perusahaan, maka
pemegang saham tidak akan memperoleh hasil dari likuidasi tersebut. Kondisi
ini merupakan risiko yang terberat dari pemegang saham. Oleh karena itu
perkembangan perusahaan.
2.3 Peramalan
akan datang berdasarkan kondisi dimasa lalu maupun kondisi saat ini.
(Montgomery,dkk,2008):
Peramalan jangka pendek meliputi kurun waktu mulai dari hari, minggu,
sampai bulan. Data historis sangat relevan dalam peramalan ini, karena jangka
Peramalan jangka menengah dapat meliputi kurun waktu mulai dari satu
musim ( triwulan, kuartal, atau lainnya) sampai dua tahun ke depan. Dalam
peramalan jangka menengah, data historis masih dianggap relevan. Salah satu
Data di masa lalu kurang relevan dalam peramalan jangka panjang. Hal ini
disebabkan oleh peramalan jangka panjang meliputi kurun waktu dua tahun ke
depan atau lebih. Dalam peramalan harga saham, peramalan jangka panjang
Jenis-jenis Peramalan
hubungan antara variabel yang akan diperkirakan dengan variabel lain yang
2. Metode ekonometrika
b. Runtun Waktu
analisa pola hubungan antar variabel yang diperkirakan dengan variabel waktu,
yang merupakan deret waktu (time series). Metode peramalan deret waktu data
pola data tersebut akan terus berlanjut pada masa yang akan datang. Pola data
yang akan datang. Dalam model peramalan deret waktu tidak ada usaha
1. Metode Smoothing
2. Metode Box-Jenkins
Gwilym Jenkins. Metode ini merupakan pengembangan dari teknik time series.
Model ini muncul pada tahun 1970, dalam buku yang mereka rilis dengan judul
Time Series Analysis: Forecasting And Control. Model Box-jenkins ini terdiri dari
1995). ARIMA ini sama sekali mengabaikan variabel independen karena model
ini menggunakan nilai sekarang dan nilai-nilai lampau dari variabel dependen
hanya merupakan fungsi linear dari sejumlah Yt aktual sebelumnya. Secara umum
berikut:
Yt = + + + + et
Dimana:
Y = variabel awal
Yt-1, Yt-2, Yt-p = kelambanan (lag) dari Y ;
P = tingkat AR
et = residual (kesalahan peramalan).
Banyaknya nilai lampau yang digunakan (p) pada model AR menunjukkan tingkat
dari model ini. Jika hanya digunakan sebuah nilai lampau, dinamakan model
dipengaruhi oleh nilai residual periode sebelumnya. Secara umum, bentuk model
dari Moving Avarage dapat dinyatakan dalam bentuk persamaan sebagai berikut:
= + + + +........+
Dimana:
= residual
, , = variabel bebas yang merupakan lag dari residual;
q = tingkat MA
Banyaknya kesalahan yang digunakan pada persamaan ini (q) menandai tingkat
model moving average. Jika pada model digunakan dua kesalahan masa lalu,
Seringkali perilaku suatu data time series dapat dijelaskan dengan baik
melalaui penggabungan antara model AR dan model MA. Model gabungan ini
Yt = + + +....+ + + + + +....+
Model time series yang digunakan berdasarkan asumsi bahwa data time
series tersebut stasioner, artinya rata-rata varian ( ) suatu data time series
konstan. Tapi seringkali kita ketahui bahwa banyak data time series dalam ilmu
ekonomi adalah tidak stasioner, melainkan integrated. Model dengan data yang
jika data stasioner pada proses differencing d kali dan mengaplikasikan ARMA (p,
untuk membuat data stasioner dan tingkat MA pada level 2. Model AR (2) oleh
berbagai harga saham dapat dilihat pada tabel ini bawah ini:
Tabel 2.1
Ringkasan Penelitian Terdahulu
Nama Peneliti
NO Judul Penelitian Data yang Digunakan Hasil Penelitian
dan Tahun
1 Fauziah (2013) Analisis Peramalan Harga Saham bulanan Model Arima yang
Harga Saham dalam sektor perkebunan digunakan pada setiap
Keputusan Investasi September 2011 – peramalan saham sektor
Pada Perusahaan Agustus 2013 perkebunan ini berbeda-
Perkebunan di PT. beda. Secara teknikal
Bursa Efek Indonesia model ARIMA ini dapat
dimanfaatkan untuk
meramalkan momentum
harga saham perkebunan
jangka pendek.
2 Reksa Nila Peramalan Saham Nilai Jakarta Islamic Model ARIMA yang
Anityaloka dan Jakarta Islamic Indeks Indeks (JII) Bulan Mei – diperoleh adalah ARIMA
Nurani Menggunakan Juli 2010 (1,0,0). Prediksi nilai JII di
Ambarwati Metode ARIMA Bulan Bursa Efek Indonesia
(2013) Mei-Juli 2010 selama 10 periode ke
depan di bulan Agustus
mengalami penurunan .
Hal ini disebabkan oleh
beberapa faktor, misalnya
kondisi Bursa Efek
Indonesia yang belum
efisien karena komposisi
kepemilikan saham yang
masih didominasi oleh
investor asing.
3 Djoni Haditja Penerapan Model Data berupa nilai Harga saham minimum
ARIMA untuk saham maksimum dan PT. Telkom April 2011
Memprediksi Saham maksimum dan tidak terlalu jauh berbeda
PT. Telkom minimum PT. Telkom dengan harga prediksi
dari Januari 2008 – untuk April 2011
Maret 2011 mengunakan ARIMA (3,
1, 1) bisa digunakan
untuk memprediksi harga
saham Maksimum PT.
Telkom, Tbk bulan Mei –
Juni 2011. Dan untuk
memprediksi harga
Nama Peneliti
NO Judul Penelitian Data yang Digunakan Hasil Penelitian
dan Tahun
saham minimum
menggunakan ARIMA
(3,1,3).
4 La Pimpi (2013) Penerapan Metode Data yang digunakan Penerapan metode
ARIMA yaitu data IHK ARIMA terbaik untuk
(Autoregressive Indonesia periode meramalkan Indeks
Integrated Moving September 2008 hingga Harga Konsumen (IHK)
Average) dalam Oktober 2012. Indonesia periode
meramalkan indeks November 2012 hingga
harga konsumen Juni 2013 adalah ARIMA
(IHK) Indonesia (3,1,2).
Tahun 2013
5 Hartati (2017) Penggunaan Metode Data Aktual Inflasi Dengan metode ARIMA
ARIMA dalam Februari 2011 – laju inflasi memberikan
Meramal Pergerakan Februari 2016 dari Bank hasil sebesar peramalan
Inflasi Indonesia 0.6285%. Dan
berdasarkan grafik
peramalan dengan
metode ini mampu
mengikuti pergerakan
data aktual dari laju
inflasi.
6 Jason C. York Evaluating the Data Kecelakaan dari Dimana pada penelitian
dan Jeremy M. Performance and MSHA (Mine Safety and ini membandingkan
Gernand (2017) Acuracy of Incident Heatlh Administration) beberapa metode
Rate Forecasting dan CDC (Center For peramalan. Dimana
Methods For Mining Disease Control) metode ARIMA memiliki
Operation periode Januari 1983 – akurasi
Desember 2007 peramalan:91,85%
setelah metode Double
Eksponensial Smoothing
92,23%.
7 Greis S Lilipaly, Prediksi Harga Data yang digunakan Penerapan Model ARIMA
Djoni Hatidja, Saham PT. BRI,Tbk. harga saham harian untuk harga saham
John S Mengunakan Metode PT.BRI,Tbk.sejak 3 maksimum adalah ARIMA
Kekenusa ARIMA Januari 2011- 20 (2, 1, 3) dan harga saham
(2014) (Autoregressive Oktober 2014. minimum adalah model
Integrated Moving ARIMA (2, 1, 3) untuk
Average) memprediksi data bulan
November 2014.
Start
Stasion Tidak
er Transformasi
terhada
Ya
Stasion Tidak
er Differencing
Terhad
Ya
Identifikasi model ARIMA dengan
AFC dan PACF
Tidak Uji
Modifikasi
Model Parameter
Ya
Ya
Data Validas Dat
Estimasi i Data a
Rea
Grafik
Validasi
Selesai
i
Gambar 2.1
Kerangka Konseptual
Dari gambar konseptual diatas, ada beberapa langkah yang harus diambil di dalam
diperdiksi, lalu membuat plot data time series untuk mengetahui apakah data
mengandung trend, musiman, outliner, varians tidak konstan. Dari plot data ini
2. Data yang disajikan harus stasioner agar dapat diprediksi. Dimana harus
diinginkan.
6. Akurasi data, membandingkan data yang telah diprediksi dengan data real.
Penelitian prediktif menurut Edi Riadi (2015:6) bertujuan untuk memprediksi atau
memperkirakan apa yang akan terjadi atau berlangsung pada saat yang akan
datang dengan melihat perkembangan selama jangka waktu, pada saat ini atau saat
yang lalu.
otomotif dan komponen yang terdaftar di Bursa Efek Indonesia yang berjumlah
www.yahoofinance.com.
22
penelitian.
Berikut ini nama perusahaan otomotif dan komponen yang menjadi sampel
penelitian yaitu:
Tabel 3.1
Daftar Perusahaan Otomotif dan komponen yang dijadikan sampel
Variabel dependen yang digunakan adalah Data Runtut Waktu (Time Series).
mempengaruhi variabel lain. Dalam penelitian kali ini yang termasuk dengan
Oktober–November 2019.
waktu tertentu. Data ini dikumpulkan dalam interval waktu secara kontiniu.
Dimana dalam penelitian ini data yang dikumpulkan adalah penutupan harga
Jenis data yang digunakan pada penelitian ini adalah jenis data kuantitatif
yang bersifat times series. Dimana data yang digunakan adalah data harga saham
penutupan harian dalam bentuk angka dalam kurun waktu 1 September 2018
adalah metode studi dokumentasi. Dimana metode ini mengumpulkan data dengan
dalam penelitian. Dalam hal ini laporan penutupan harga saham perusahaan
Pengolahan data yang digunakan dalam penelitian kali ini adalah dengan
menggunakan metode ARIMA. Dimana ada beberapa langkah yang harus diambil
imana:
∑( ̅ )( ̅)
=
∑ ̅
=
N = jumlah observasi
̅ = rata-rata
Secara formal stasioner tidaknya suatu data time series dapat dilakukan
melalui uji statistik berdasarkan standart error (Se). = 1,96 (se) atau
tersebut maka menerima hipotesis nol (H0) bahwa nilai sama dengan nol,
berarti data stasioner. Tetapi jika nilai terletak di luar interval maka kita
menolak hipotesis nol (H0) bahwa tidak menuju nol atau dengan kata
identifikasi model ARIMA. Pada tahap ini, nilai yang diperoleh baik dari
berikut ini.
Tabel 3.2
Pola AFC dan PAFC
1. Residu
nilai-nilai data time series dan nilai-nilai estimasi dari model yang sangat
et = Yt – Yt ( h)
Dimana:
et = Kesalahan Peramalan
Yt = Nilai Y pada orde ke t
Yt ( h) = Nilai Peramalan
SE (rk) =
Dimana:
Rk = Koefisien autokorelasi lag ke k, dimana k = 0,1, ,k
n = Banyaknya data
c. Diagnosis
Setelah model ditentukan, kemudian kita cek apakah model cocok dengan
data dan memenuhi persyaratan model peramalan yang baik. Jika estimasi
residualnya white noise (berpola acak) maka model cocok, namun jika tidak
asumsi dari error memenuhi proses white noise (berpola acak) dan
berdistribusi normal.
1. Ljung – Box
Q (m) = n (n+2)∑
Dimana :
Q = Hasil perhitungan ljung-box / chi-square
m = Jumlah lag autokorelasi residu
n = N – (d+SD)
N = Jumlah keseluruhan data
d = Ordo pembedaan bukan musiman
D = Ordo pembedaan musiman
S = Jumlah periode per musim
rk = Koefisien autokorelasi lag ke k, dimana k= 0,1, ,...,k
Kriteria pengujian:
diterima).
Jika Q > (chi-square), berarti: nilai error tidak bersifat random (model
d. Peramalan
Yt = Yt-1 + + et - et-1
didepannya:
Dimana :
e. Akurasi Peramalan
peramalan, diantaranya:
MAD ini sangat berguna jika seseorang analisis ingin mengukur kesalahan
∑[ ]
yang moderat yang lebih disukai oleh suatu peramalan yang biasanya
absolut rata-rata
∑{ }
ini sangat berguna jika ukuran variabel peramalan merupakan faktor penting
Dimana:
= Data aktual
= Data hasil ramalan
= Banyak periode ramalan
Pada bab ini akan dibahas hasil penelitian setelah dilakukan tahap-tahap
objek yang dijadikan penelitian adalah perusahaan otomotif dan komponen yang
otomotif dan komponen yang dipilih berdasarkan kriteria yang telah ditetapkan
untuk mengetahui hasil prediksi harga saham perusahaan otomotif dan komponen
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of ASII
8,800
8,400
8,000
7,600
7,200
6,800
6,400
6,000
10
11
12
10
11
9
9
M
M
M
2018 2019
Berdasarkan plot aktual data harga saham harian ASII terlihat bahwa harga saham
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.1
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
ASII 0.5136 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Tabel 4.1, diketahui data ASII tidak stasioner pada level dengan nilai p = 0,5136 >
pengujian stasioner. Tabel 4.2 disajikan hasil pengujian stasioner dengan uji
Tabel 4.2
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
ASII 0.000 < 0.05 (Stasioner pada First Difference)
Sumber: Hasil Output Eviews 10
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA(4,1,2) dengan nilai AIC dan
Tabel 4.3
Estimasi Model ARIMA
Langkah selanjutnya adalah melakukan uji diagnostik, tahap ini digunakan untuk
dilihat residualnya.
Tabel 4.4
Uji Ljung Box
Partial
Autocorrelation Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 -0.032 -0.032 0.2954
.|. | .|. | 2 0.001 -0.001 0.2954
.|. | .|. | 3 0.013 0.013 0.3429 0.558
.|. | .|. | 4 0.001 0.002 0.3433 0.842
.|. | .|. | 5 0.069 0.069 1.7202 0.632
.|. | .|. | 6 -0.038 -0.034 2.1341 0.711
.|. | .|. | 7 0.019 0.017 2.2410 0.815
.|* | .|* | 8 0.086 0.086 4.3689 0.627
.|. | .|. | 9 0.025 0.031 4.5502 0.715
.|. | .|. | 10 0.038 0.035 4.9737 0.760
.|. | .|. | 11 0.009 0.014 4.9954 0.835
.|. | .|. | 12 0.014 0.010 5.0496 0.888
.|. | .|. | 13 0.061 0.052 6.1564 0.863
.|. | .|. | 14 -0.035 -0.029 6.5098 0.888
.|. | .|. | 15 -0.015 -0.024 6.5801 0.922
*|. | *|. | 16 -0.093 -0.104 9.1465 0.822
*|. | *|. | 17 -0.113 -0.131 12.958 0.606
.|. | .|. | 18 0.058 0.035 13.988 0.600
.|. | .|. | 19 -0.047 -0.042 14.665 0.620
.|. | .|. | 20 0.019 0.012 14.771 0.678
.|. | .|. | 21 -0.035 -0.034 15.143 0.713
.|. | .|. | 22 0.028 0.038 15.382 0.754
.|. | .|. | 23 -0.001 -0.006 15.382 0.803
*|. | .|. | 24 -0.091 -0.059 17.910 0.711
.|. | .|. | 25 0.017 0.035 18.002 0.757
.|. | .|. | 26 -0.031 -0.018 18.300 0.788
.|. | .|. | 27 -0.055 -0.044 19.239 0.785
.|. | .|. | 28 -0.007 -0.001 19.253 0.826
.|. | .|. | 29 -0.034 -0.008 19.615 0.847
.|. | .|. | 30 0.006 0.000 19.625 0.878
.|. | .|. | 31 0.016 0.009 19.703 0.902
.|. | .|* | 32 0.067 0.081 21.114 0.884
.|. | *|. | 33 -0.063 -0.087 22.390 0.870
.|. | .|. | 34 0.035 0.042 22.784 0.885
.|. | .|. | 35 -0.003 0.007 22.787 0.909
.|* | .|* | 36 0.078 0.083 24.731 0.878
Sumber: Hasil Output Eviews 10
Tabel 4.4 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga dapat
disimpulkan bahwa residual model mengikuti proses random (p-value > 0,05).
Model ARIMA (4,1,2) layak digunakan untuk tahap peramalan karena residual
pada model tidak berkorelasi dan model tersebut mengikut proses random.
4. Peramalan
Dengan model ARIMA (4,1,2) tersebut dapat dirumuskan peramalan harga saham
+1,512435 + 0,994988 + et
6,600.00
6,400.00 ASII
6,200.00 ASIIf
6,000.00
5,800.00
Gambar 4.2
Validasi Harga Saham ASII Actual dan Forecast
Terlihat pada gambar bahwa harga saham forecast ARIMA (4,1,2) berada
diantara harga saham aktual tertinggi dan terendah pada bulan Oktober dan
selisihnya tidak terlalu jauh. Sehingga metode ARIMA (4,1,2) cukup akurat untuk
5. Akurasi Peramalan
Metode peramalan tidak ada yang sempurna di setiap kondisi. Bahkan ketika
peramalan tidak terlalu tinggi (Hezier dan Render, 2006). Keakuratan peramalan
selain berdasarkan pola data dan juga ukuran lainnya. Beberapa teknik mengukur
kesalahan peramalan yang dapat dilihat hasil berdasarkan nilai RMSE, MAE dan
menentukan apakah metode peramalan yang di pilih ini sudah tepat atau belum.
ASIIF ± 2 S.E.
Gambar 4.3
Akurasi Peramalan
Berdasarkan Gambar 4.3 diketahui nilai Root Mean Squared Error (RMSE) =
121,86, Mean Absolute Error (MAE) = 90,38 dan nilai Mean Absolute Percent
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of AUTO
1,800
1,700
1,600
1,500
1,400
1,300
1,200
10
11
12
10
11
9
9
M
M
M
M
2018 2019
Gambar 4.4
Plot Data AUTO
Berdasarkan plot aktual data harga saham harian AUTO terlihat bahwa harga
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.5
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
AUTO 0.8388 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Tabel 4.5, diketahui data AUTO tidak stasioner pada level dengan nilai p =
0,8388 > 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
pengujian stasioner. Tabel 4.6 disajikan hasil pengujian stasioner dengan uji
Tabel 4.6
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
AUTO 0.000 < 0.05 (Stasioner pada First Difference)
Sumber: Hasil Output Eviews 10
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA (2,1,8) dengan nilai AIC dan
Tabel 4.7
Estimasi Model ARIMA
Langkah selanjutnya adalah melakukan uji diagnostik, tahap ini digunakan untuk
dilihat residualnya.
Tabel 4.8
Uji Ljung Box
Partial
Autocorrelation Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 0.068 0.068 1.3167
.|. | .|. | 2 -0.001 -0.006 1.3169
.|. | .|. | 3 -0.002 -0.001 1.3177 0.251
.|. | .|. | 4 -0.025 -0.025 1.4966 0.473
*|. | *|. | 5 -0.092 -0.089 3.9298 0.269
*|. | *|. | 6 -0.088 -0.077 6.1676 0.187
.|. | .|. | 7 -0.040 -0.031 6.6271 0.250
.|. | .|. | 8 0.000 0.003 6.6272 0.357
.|. | .|. | 9 0.004 -0.001 6.6310 0.468
.|. | .|. | 10 -0.032 -0.044 6.9270 0.545
.|. | .|. | 11 -0.002 -0.013 6.9277 0.645
.|. | .|. | 12 -0.012 -0.025 6.9685 0.728
.|* | .|* | 13 0.079 0.077 8.8103 0.639
.|* | .|* | 14 0.139 0.132 14.585 0.265
.|. | .|. | 15 -0.010 -0.031 14.614 0.332
.|. | .|. | 16 -0.037 -0.044 15.020 0.377
*|. | *|. | 17 -0.077 -0.081 16.785 0.332
.|. | .|. | 18 -0.035 -0.012 17.157 0.376
*|. | *|. | 19 -0.137 -0.104 22.824 0.155
.|. | .|. | 20 -0.052 -0.020 23.652 0.167
.|. | .|. | 21 -0.022 -0.027 23.804 0.204
.|* | .|* | 22 0.114 0.096 27.789 0.114
.|. | .|. | 23 0.073 0.049 29.435 0.104
.|. | .|. | 24 -0.010 -0.033 29.464 0.132
.|* | .|* | 25 0.092 0.078 32.105 0.098
.|* | .|* | 26 0.114 0.099 36.155 0.053
.|. | .|. | 27 -0.002 -0.022 36.157 0.069
.|. | .|. | 28 -0.034 -0.032 36.513 0.083
.|. | .|. | 29 -0.020 -0.011 36.644 0.102
.|. | .|. | 30 0.003 0.034 36.647 0.127
.|. | .|. | 31 0.018 0.057 36.746 0.153
.|. | .|. | 32 -0.032 0.003 37.064 0.175
.|. | .|. | 33 -0.049 -0.019 37.844 0.185
.|* | .|* | 34 0.141 0.156 44.186 0.074
.|. | .|. | 35 -0.028 -0.054 44.437 0.088
.|. | .|. | 36 -0.018 -0.061 44.542 0.107
Sumber: Hasil Output Eviews 10
Tabel 4.8 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga
0,05). Model ARIMA (2,1,8) layak digunakan untuk tahap peramalan karena
residual pada model tidak berkorelasi dan model tersebut mengikut proses
random.
4. Peramalan
Dengan model ARIMA (2,1,8) tersebut dapat dirumuskan peramalan harga saham
Yt = Yt-1– Yt-2– et
0,072580 – et
1,250.00
Harga Saham
1,200.00
1,150.00 AUTO
1,100.00 AUTOf
1,050.00
Gambar 4.5
Validasi Harga Saham AUTO Actual dan Forecast
Terlihat pada gambar bahwa harga saham hasil forecasting ARIMA (2,1,8) tidak
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of BOLT
1,050
1,000
950
900
850
800
750
700
10
11
12
10
11
9
9
M
M
M
M
2018 2019
Berdasarkan plot aktual data harga saham harian BOLT terlihat bahwa harga
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.9
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
BOLT 0.6345 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Tabel 4.9, diketahui data BOLT tidak stasioner pada level dengan nilai p =
0,6345> 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
pengujian stasioner. Tabel 4.10 disajikan hasil pengujian stasioner dengan uji
Tabel 4.10
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
BOLT 0.000 < 0.05 (Stasioner pada First Difference)
Sumber: Hasil Output Eviews 10
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA (0,1,0) dengan nilai AIC dan
Tabel 4.11
Estimasi Model ARIMA
Dari Tabel 4.11 dapat dilihat bahwa nilai AR dan MA tidak dapat di estimasi
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of GTJL
850
800
750
700
650
600
550
9
9
10
11
12
10
11
M
M
M
2018 2019
Berdasarkan plot aktual data harga saham harian GJTL terlihat bahwa harga
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.12
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
GJTL 0.1071 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Tabel 4.12, diketahui data GJTL tidak stasioner pada level dengan nilai p =
0,1071> 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
pengujian stasioner. Tabel 4.13 disajikan hasil pengujian stasioner dengan uji
Tabel 4.13
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
GJTL 0.000 < 0.05 (Stasioner pada First Difference)
Sumber: Hasil Output Eviews 10
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA(4,1,2) dengan nilai AIC dan
Tabel 4.14
Estimasi Model ARIMA
Langkah selanjutnya adalah melakukan uji diagnostik, tahap ini digunakan untuk
dilihat residualnya.
Tabel 4.15
Uji Ljung Box
Partial
Autocorrelation Correlation AC PAC Q-Stat Prob
*|. | *|. | 1 -0.082 -0.082 1.8944
.|. | .|. | 2 0.000 -0.007 1.8944
.|. | .|. | 3 -0.016 -0.017 1.9697 0.160
.|. | .|. | 4 -0.001 -0.004 1.9699 0.373
.|. | .|. | 5 -0.034 -0.034 2.2967 0.513
.|. | .|. | 6 0.043 0.037 2.8220 0.588
.|. | .|. | 7 0.004 0.011 2.8276 0.727
.|. | .|. | 8 -0.017 -0.017 2.9106 0.820
.|. | .|. | 9 0.016 0.015 2.9852 0.886
.|. | .|. | 10 -0.031 -0.030 3.2744 0.916
.|. | .|. | 11 0.017 0.014 3.3594 0.948
.|. | .|. | 12 0.060 0.062 4.4228 0.926
*|. | *|. | 13 -0.107 -0.101 7.8085 0.730
.|. | .|. | 14 0.006 -0.007 7.8191 0.799
.|. | .|. | 15 0.023 0.022 7.9745 0.845
.|. | .|. | 16 -0.056 -0.055 8.9113 0.837
.|. | .|. | 17 0.057 0.054 9.8981 0.826
.|* | .|* | 18 0.088 0.087 12.247 0.727
.|. | .|. | 19 0.023 0.043 12.404 0.775
*|. | *|. | 20 -0.145 -0.138 18.776 0.406
.|. | .|. | 21 0.059 0.034 19.850 0.404
*|. | .|. | 22 -0.070 -0.050 21.346 0.377
.|. | .|. | 23 0.000 -0.022 21.346 0.438
.|. | .|. | 24 -0.027 -0.034 21.563 0.486
.|. | .|. | 25 -0.003 -0.005 21.567 0.547
.|. | .|. | 26 0.016 0.015 21.647 0.600
.|. | .|. | 27 -0.034 -0.039 22.004 0.635
.|. | .|. | 28 -0.005 0.003 22.011 0.688
.|. | .|. | 29 0.058 0.048 23.073 0.681
.|. | .|. | 30 -0.021 -0.025 23.213 0.722
.|. | .|. | 31 -0.034 -0.012 23.570 0.750
.|. | .|. | 32 -0.037 -0.032 23.999 0.772
.|. | .|. | 33 0.007 -0.026 24.017 0.810
*|. | .|. | 34 -0.072 -0.056 25.676 0.778
.|. | *|. | 35 -0.055 -0.089 26.642 0.775
.|. | .|. | 36 0.056 0.026 27.661 0.770
Sumber: Hasil Output Eviews 10
Tabel 4.15 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga
dapat disimpulkan bahwa residual model mengikuti proses random (p-value >
0,05). Model ARIMA (4,1,2) layak digunakan untuk tahap peramalan karena
residual pada model tidak berkorelasi dan model tersebut mengikut proses
random.
4. Peramalan
Dengan model ARIMA (4,1,2) tersebut dapat dirumuskan peramalan harga saham
0.747938 + 0,975804 + et
680
660
Harga Saham
640
620 GJTL
GJTLf
600
580
560
Gambar 4.8
cukup akurat dalam memprediksi harga saham GJTL dimana range perbedaan
harga antara actual dan forecasting tidak terlalu jauh. Sehinnga metode ARIMA
pada kasus ini dapat digunakan sebagai referensi dalam memprediksi harga saham
GJTL.
5. Akurasi Peramalan
Metode peramalan tidak ada yang sempurna di setiap kondisi. Bahkan ketika
peramalan tidak terlalu tinggi (Hezier dan Render, 2006). Keakuratan peramalan
selain berdasarkan pola data dan juga ukuran lainnya. Beberapa teknik mengukur
kesalahan peramalan yang dapat dilihat hasil berdasarkan nilai RMSE, MAE dan
menentukan apakah metode peramalan yang di pilih ini sudah tepat atau belum.
GTJLF ± 2 S.E.
Gambar 4.9
Akurasi Peramalan
Berdasarkan Gambar 4.9 diketahui nilai Root Mean Squared Error (RMSE) =
15,50, Mean Absolute Error (MAE) = 10,63 dan nilai Mean Absolute Percent
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of IMAS
3,500
3,250
3,000
2,750
2,500
2,250
2,000
1,750
1,500
10
11
12
10
11
9
9
M
M
M
M
2018 2019
Sumber : Data diolah (2019)
Gambar 4.10
Polt Data IMAS
Berdasarkan plot aktual data harga saham harian IMAS terlihat bahwa harga
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.16
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
IMAS 0.7852 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Tabel 4.16, diketahui data IMAS tidak stasioner pada level dengan nilai p =
0,7852 > 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
pengujian stasioner. Tabel 4.17 disajikan hasil pengujian stasioner dengan uji
Tabel 4.17
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
IMAS 0.000 < 0.05 (Stasioner pada First Difference)
Sumber: Hasil Output Eviews 10
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA (3,1,2) dengan nilai AIC dan
Tabel 4.18
Estimasi Model ARIMA
Langkah selanjutnya adalah melakukan uji diagnostik, tahap ini digunakan untuk
dilihat residualnya.
Tabel 4.19
Uji Ljung Box
Partial
Autocorrelation Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 0.046 0.046 0.5870
.|. | .|. | 2 -0.001 -0.003 0.5870
.|. | .|. | 3 0.003 0.003 0.5893 0.443
.|. | .|. | 4 0.053 0.053 1.3826 0.501
.|. | .|. | 5 0.069 0.064 2.7475 0.432
.|. | .|. | 6 0.052 0.047 3.5330 0.473
.|. | .|. | 7 -0.057 -0.062 4.4827 0.482
.|. | .|. | 8 -0.038 -0.036 4.9047 0.556
.|. | .|. | 9 0.021 0.017 5.0335 0.656
.|* | .|* | 10 0.087 0.078 7.2716 0.508
.|. | .|. | 11 -0.056 -0.065 8.2068 0.513
Tabel 4.19 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga
dapat disimpulkan bahwa residual model mengikuti proses random (p-value >
0,05). Model ARIMA (3,1,2) layak digunakan untuk tahap peramalan karena
residual pada model tidak berkorelasi dan model tersebut mengikut proses
random.
4. Peramalan
Dengan model ARIMA (3,1,2) tersebut dapat dirumuskan peramalan harga saham
0,969724 + et
1,400.00
1,200.00
1,000.00 IMAS
800.00
600.00 IMASf
400.00
200.00
0.00
Gambar 4.11
Validasi Harga Saham IMAS Actual dan Forecast
Terlihat pada gambar bahwa harga saham hasil forecasting ARIMA (3,1,2) ,
cukup akurat dalam memprediksi harga saham IMAS dimana range perbedaan
harga antara aktual dan forecasting tidak terlalu jauh. Sehinnga metode ARIMA
pada kasus ini dapat digunakan sebagai referensi dalam memprediksi harga saham
IMAS.
5. Akurasi Peramalan
Metode peramalan tidak ada yang sempurna di setiap kondisi. Bahkan ketika
peramalan tidak terlalu tinggi (Hezier dan Render, 2006). Keakuratan peramalan
selain berdasarkan pola data dan juga ukuran lainnya. Beberapa teknik mengukur
kesalahan peramalan yang dapat dilihat hasil berdasarkan nilai RMSE, MAE dan
menentukan apakah metode peramalan yang di pilih ini sudah tepat atau belum.
IMASF ± 2 S.E.
Gambar 4.12
Akurasi Peramalan
Berdasarkan Gambar 4.12 diketahui nilai Root Mean Squared Error (RMSE) =
72,59 Mean Absolute Error (MAE) = 47,93 dan nilai Mean Absolute Percent
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of INDS
2,600
2,500
2,400
2,300
2,200
2,100
2,000
1,900
1,800
0
1
9
9
1
1
M
M
M
2018 2019
Gambar 4.13
Polt Data INDS
Berdasarkan plot aktual data harga saham harian INDS terlihat bahwa harga
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.20
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
INDS 0.0737 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Tabel 4.20, diketahui data INDS tidak stasioner pada level dengan nilai p= 0,0737
> 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
pengujian stasioner. Tabel 4.21 disajikan hasil pengujian stasioner dengan uji
Tabel 4.21
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
INDS 0.000 < 0.05 (Stasioner pada First Difference)
Sumber: Hasil Output Eviews 10
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA(1,1,0) dengan nilai AIC dan
Tabel 4.22
Estimasi Model ARIMA
Langkah selanjutnya adalah melakukan uji diagnostik, tahap ini digunakan untuk
dilihat residualnya.
Tabel 4.23
Uji Ljung Box
Partial
Autocorrelation Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 0.001 0.001 0.0002
.|. | .|. | 2 -0.060 -0.060 1.0376 0.308
.|. | .|. | 3 -0.038 -0.038 1.4455 0.485
.|. | .|. | 4 -0.026 -0.030 1.6461 0.649
*|. | *|. | 5 -0.123 -0.129 5.9948 0.200
.|. | .|. | 6 0.009 0.003 6.0163 0.305
.|. | .|. | 7 0.019 0.001 6.1241 0.409
.|. | .|. | 8 -0.015 -0.026 6.1862 0.518
.|. | .|. | 9 -0.010 -0.016 6.2169 0.623
*|. | *|. | 10 -0.102 -0.122 9.2346 0.416
.|. | .|. | 11 -0.046 -0.052 9.8692 0.452
.|. | .|. | 12 0.059 0.045 10.897 0.452
.|. | .|. | 13 0.060 0.040 11.957 0.449
.|. | .|. | 14 0.070 0.066 13.392 0.418
.|. | .|. | 15 -0.040 -0.062 13.880 0.459
*|. | *|. | 16 -0.070 -0.072 15.352 0.426
*|. | .|. | 17 -0.074 -0.062 17.002 0.385
.|. | .|. | 18 0.018 0.017 17.101 0.448
.|. | .|. | 19 -0.014 -0.016 17.159 0.512
.|* | .|. | 20 0.085 0.057 19.357 0.434
.|* | .|* | 21 0.111 0.086 23.081 0.285
.|. | .|. | 22 -0.001 0.006 23.081 0.340
.|. | .|. | 23 0.004 0.042 23.086 0.397
*|. | *|. | 24 -0.083 -0.068 25.188 0.341
.|. | .|. | 25 -0.057 -0.052 26.181 0.344
.|. | .|. | 26 -0.000 -0.012 26.181 0.398
.|. | .|. | 27 0.030 -0.001 26.460 0.438
.|. | .|. | 28 0.036 0.051 26.865 0.471
.|* | .|* | 29 0.086 0.103 29.201 0.402
.|. | .|. | 30 -0.059 -0.041 30.308 0.399
.|. | .|. | 31 -0.043 -0.007 30.906 0.420
.|. | *|. | 32 -0.053 -0.073 31.786 0.427
.|. | .|. | 33 0.019 -0.001 31.907 0.471
.|. | .|. | 34 -0.013 -0.035 31.959 0.519
.|. | .|. | 35 0.045 0.011 32.612 0.536
.|. | .|. | 36 0.032 0.050 32.943 0.568
Sumber: Hasil Output Eviews 10
Tabel 4.23 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga
0,05). Model ARIMA (3,1,2) layak digunakan untuk tahap peramalan karena
residual pada model tidak berkorelasi dan model tersebut mengikut proses
random.
4. Peramalan
Dengan model ARIMA (1,1,0) tersebut dapat dirumuskan peramalan harga saham
Yt = Yt-1 + + et
2,600.00
2,500.00
2,400.00 INDS
2,300.00 INDSf
2,200.00
2,100.00
2,000.00
Gambar 4.14
Validasi Harga Saham INDS Actual dan Forecast
Terlihat pada gambar bahwa harga saham hasil forecasting ARIMA (1,1,0)
berada dibawah harga saham INDS aktual. Dan selisih antara harga actual
dengan forecasting jauh berbeda, oleh sebab itu forecasting ARIMA (1,1,0)
tidak dapat digunakan untuk memprediksi harga saham INDS periode Oktober-
November 2019.
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of MASA
900
800
700
600
500
400
300
10
11
12
10
11
9
9
M
M
M
M
2018 2019
Gambar 4.15
Polt Data MASA
Berdasarkan plot aktual data harga saham harian MASA terlihat bahwa harga
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.24
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
MASA 0.1376 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Tabel 4.24, diketahui data MASA tidak stasioner pada level dengan nilai p=
0,1376 > 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
pengujian stasioner. Tabel 4.25 disajikan hasil pengujian stasioner dengan uji
Tabel 4.25
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
MASA 0.000 < 0.05 (Stasioner pada First Difference)
Sumber: Hasil Output Eviews 10
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA (3,1,2) dengan nilai AIC dan
Tabel 4.26
Estimasi Model ARIMA
Langkah selanjutnya adalah melakukan uji diagnostik, tahap ini digunakan untuk
dilihat residualnya.
Tabel 4.27
Uji Ljung Box
Partial
Autocorrelation Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 0.014 0.014 0.0587
.|. | .|. | 2 -0.046 -0.046 0.6450
.|. | .|. | 3 -0.000 0.001 0.6450
.|. | .|. | 4 -0.029 -0.031 0.8867
*|. | *|. | 5 -0.082 -0.082 2.8328 0.092
*|. | *|. | 6 -0.070 -0.071 4.2503 0.119
.|. | .|. | 7 -0.044 -0.051 4.8117 0.186
.|. | .|. | 8 0.046 0.039 5.4290 0.246
*|. | *|. | 9 -0.080 -0.092 7.2790 0.201
.|. | .|. | 10 0.056 0.052 8.2092 0.223
.|. | .|. | 11 0.065 0.042 9.4538 0.222
.|. | .|. | 12 -0.024 -0.031 9.6261 0.292
.|. | .|. | 13 -0.016 -0.014 9.6978 0.376
Tabel 4.27 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga
dapat disimpulkan bahwa residual model mengikuti proses random (p-value >
0,05). Model ARIMA (3,1,2) layak digunakan untuk tahap peramalan karena
residual pada model tidak berkorelasi dan model tersebut mengikut proses
random.
4. Peramalan
Dengan model ARIMA (3,1,2) tersebut dapat dirumuskan peramalan harga saham
0,878951 + et
560
540
520 MASA
500 MASAf
480
460
Gambar 4.16
Validasi Harga Saham MASA Actual dan Forecast
Terlihat pada gambar bahwa harga saham hasil forecasting ARIMA (3,1,2)
bahwa foresacting ARIMA (3,1,2) cukup akurat dalam memprediksi harga saham
MASA, karena hasil harga forecasting mendekati harga aktual. Sehingga ARIMA
(3,1,2) dapat digunakan untuk memprediksi harga saham MASA periode Oktober-
November 2019.
5. Akurasi Peramalan
Metode peramalan tidak ada yang sempurna di setiap kondisi. Bahkan ketika
peramalan tidak terlalu tinggi (Hezier dan Render, 2006). Keakuratan peramalan
selain berdasarkan pola data dan juga ukuran lainnya. Beberapa teknik mengukur
kesalahan peramalan yang dapat dilihat hasil berdasarkan nilai RMSE, MAE dan
menentukan apakah metode peramalan yang di pilih ini sudah tepat atau belum.
MASAF ± 2 S.E.
Gambar 4.17
Akurasi Peramalan
Berdasarkan Gambar 4.17 diketahui nilai Root Mean Squared Error (RMSE) =
24,98, Mean Absolute Error (MAE) = 13,15 dan nilai Mean Absolute Percent
4.2.8 Peramalan Harga Saham PT. Prima Alloy Steel Universal (PRAS)
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of PRAS
210
200
190
180
170
160
150
140
10
11
12
10
11
9
9
M
M
M
M
2018 2019
Berdasarkan plot aktual data harga saham harian PRAS terlihat bahwa harga
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.28
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
PRAS 0.5161 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Tabel 4.28, diketahui data PRAS tidak stasioner pada level dengan nilai p=
0,5161> 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
pengujian stasioner. Tabel 4.29 disajikan hasil pengujian stasioner dengan uji
Tabel 4.29
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
PRAS 0.000 < 0.05 (Stasioner pada First Difference)
Sumber: Hasil Output Eviews 10
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA (2,1,2) dengan nilai AIC dan
Tabel 4.30
Estimasi Model ARIMA
Langkah selanjutnya adalah melakukan uji diagnostik, tahap ini digunakan untuk
dilihat residualnya.
Tabel 4.31
Uji Ljung Box
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 -0.001 -0.001 0.0006
.|. | .|. | 2 -0.015 -0.015 0.0669
.|. | .|. | 3 -0.039 -0.039 0.4989
.|. | .|. | 4 0.006 0.005 0.5085
.|. | .|. | 5 0.042 0.041 1.0076 0.315
.|. | .|. | 6 0.029 0.028 1.2467 0.536
.|. | .|. | 7 0.024 0.026 1.4138 0.702
.|. | .|. | 8 -0.056 -0.052 2.3184 0.677
.|. | .|. | 9 0.013 0.015 2.3644 0.797
*|. | *|. | 10 -0.066 -0.068 3.6268 0.727
.|. | .|. | 11 0.037 0.031 4.0345 0.776
.|. | .|. | 12 -0.040 -0.043 4.4980 0.810
.|. | .|. | 13 0.007 0.006 4.5106 0.875
.|. | .|. | 14 0.056 0.060 5.4528 0.859
.|. | .|. | 15 0.014 0.019 5.5117 0.904
.|. | .|. | 16 -0.012 -0.012 5.5536 0.937
Tabel 4.30 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga
dapat disimpulkan bahwa residual model mengikuti proses random (p-value >
0,05). Model ARIMA (2,1,2) layak digunakan untuk tahap peramalan karena
residual pada model tidak berkorelasi dan model tersebut mengikuti proses
random.
5. Peramalan
Dengan model ARIMA (2,1,2) tersebut dapat dirumuskan peramalan harga saham
Yt = Yt-1– Yt-2 – – + + et
160
155
150 PRAS
145 PRASf
140
135
Gambar 4.19
Validasi Harga Saham PRAS Actual dan Forecast
Terlihat pada gambar bahwa harga saham hasil forecasting ARIMA (2,1,2)
berada dibawah harga aktual saham PRAS. Dimana selisih harga forecasting dan
aktual tidak terlalu jauh oleh sebab itu foresacting ARIMA (2,1,2) ini dapat
digunakan dan dianggap mampu untuk memprediksi harga saham PRAS periode
Oktober-November 2019.
5. Akurasi Peramalan
Metode peramalan tidak ada yang sempurna di setiap kondisi. Bahkan ketika
peramalan tidak terlalu tinggi (Hezier dan Render, 2006). Keakuratan peramalan
selain berdasarkan pola data dan juga ukuran lainnya. Beberapa teknik mengukur
kesalahan peramalan yang dapat dilihat hasil berdasarkan nilai RMSE, MAE dan
menentukan apakah metode peramalan yang di pilih ini sudah tepat atau belum.
PRASF ± 2 S.E.
Gambar 4.20
Akurasi Peramalan
Berdasarkan Gambar 4.20 diketahui nilai Root Mean Squared Error (RMSE) =
3.41, Mean Absolute Error (MAE) = 2,05 dan nilai Mean Absolute Percent Error
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of SMSM
1,800
1,700
1,600
1,500
1,400
1,300
1,200
10
11
12
10
11
9
9
M
M
M
2018 2019
Gambar 4.21
Berdasarkan plot aktual data harga saham harian SMSM terlihat bahwa harga
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.32
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
SMSM 0.1243 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Tabel 4.32, diketahui data SMSM tidak stasioner pada level dengan nilai
Tabel 4.33
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
SMSM 0.000 < 0.05 (Stasioner pada First Difference)
Sumber: Hasil Output Eviews 10
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA(3,1,2) dengan nilai AIC dan
Tabel 4.34
Estimasi Model ARIMA
Langkah selanjutnya adalah melakukan uji diagnostik, tahap ini digunakan untuk
dilihat residualnya.
Tabel 4.35
Uji Ljung Box
Partial
Autocorrelation Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 -0.025 -0.025 0.1813
.|. | .|. | 2 0.003 0.003 0.1845
.|. | .|. | 3 0.000 0.000 0.1846 0.667
.|. | .|. | 4 -0.049 -0.049 0.8775 0.645
.|. | .|. | 5 0.006 0.004 0.8889 0.828
.|. | .|. | 6 0.041 0.041 1.3648 0.850
*|. | *|. | 7 -0.099 -0.097 4.1777 0.524
.|. | .|. | 8 0.023 0.016 4.3334 0.632
.|. | .|. | 9 0.041 0.044 4.8276 0.681
.|. | .|. | 10 0.021 0.026 4.9547 0.762
.|. | .|. | 11 -0.047 -0.058 5.6137 0.778
.|. | .|. | 12 -0.024 -0.025 5.7832 0.833
.|. | .|. | 13 0.016 0.028 5.8549 0.883
.|. | .|. | 14 0.065 0.058 7.1133 0.850
*|. | *|. | 15 -0.151 -0.158 13.884 0.382
.|. | .|. | 16 -0.029 -0.033 14.128 0.440
.|. | .|. | 17 0.042 0.060 14.657 0.476
.|. | .|. | 18 -0.049 -0.055 15.394 0.496
.|. | .|. | 19 -0.006 -0.039 15.406 0.566
.|. | .|. | 20 -0.003 0.003 15.408 0.634
*|. | *|. | 21 -0.102 -0.068 18.549 0.486
.|. | .|. | 22 0.049 0.006 19.272 0.504
*|. | *|. | 23 -0.088 -0.108 21.625 0.421
*|. | .|. | 24 -0.083 -0.065 23.726 0.362
.|. | .|. | 25 0.063 0.071 24.936 0.354
.|. | .|. | 26 0.049 0.037 25.690 0.369
.|. | .|. | 27 -0.000 -0.025 25.690 0.424
.|. | .|. | 28 0.013 0.000 25.744 0.477
.|. | .|. | 29 -0.034 0.010 26.110 0.513
.|. | .|. | 30 0.053 0.029 26.998 0.518
.|. | *|. | 31 -0.031 -0.069 27.304 0.555
.|* | .|* | 32 0.085 0.115 29.616 0.485
*|. | *|. | 33 -0.124 -0.117 34.567 0.301
.|* | .|. | 34 0.078 0.062 36.519 0.267
*|. | *|. | 35 -0.097 -0.120 39.562 0.200
*|. | *|. | 36 -0.067 -0.098 41.002 0.190
Sumber: Hasil Output Eviews 10
Tabel 4.35 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga
0,05). Model ARIMA (3,1,2) layak digunakan untuk tahap peramalan karena
residual pada model tidak berkorelasi dan model tersebut mengikut proses
random.
4. Peramalan
Dengan model ARIMA (3,1,2) tersebut dapat dirumuskan peramalan harga saham
0,999999 + et
1,650.00
1,600.00
1,550.00
Harga Saham
1,500.00
1,450.00 SMSM
1,400.00 SMSMf
1,350.00
1,300.00
1,250.00
Gambar 4.22
Validasi Harga Saham SMSM Actual dan Forecast
Terlihat pada gambar bahwa harga saham forecast ARIMA (3,1,2) berada
dibawah harga aktual saham SMSM. Dimana selisih harga forecasting dan aktual
tidak terlalu jauh oleh sebab itu foresacting ARIMA (3,1,2) ini dapat digunakan
dan dianggap mampu untuk memprediksi harga saham SMSM periode Oktober-
November 2019.
5. Akurasi Peramalan
Metode peramalan tidak ada yang sempurna di setiap kondisi. Bahkan ketika
peramalan tidak terlalu tinggi (Hezier dan Render, 2006). Keakuratan peramalan
selain berdasarkan pola data dan juga ukuran lainnya. Beberapa teknik mengukur
kesalahan peramalan yang dapat dilihat hasil berdasarkan nilai RMSE, MAE dan
menentukan apakah metode peramalan yang di pilih ini sudah tepat atau belum.
SMSMF ± 2 S.E.
Gambar 4.23
Akurasi Peramalan
Berdasarkan Gambar 4.23 diketahui nilai Root Mean Squared Error (RMSE) =
29,49, Mean Absolute Error (MAE) = 20,54 dan nilai Mean Absolute Percent
harga saham otomotif dan komponen, yaitu: PT. Astra International Tbk (ASII),
PT. Gajah Tunggal Tbk (GJTL), PT. Indomobil Sukses Internasional Tbk
(IMAS), PT. Multistarada Arah Sarana Tbk (MASA), PT Prima Alloy Steel
Universal Tbk (PRAS) dan PT. Selamat Sempurna Tbk (SMSM). Dimana gap
yang terjadi antara harga forecasting data harga aktual tidak terlalu jauh.
Ini juga sesuai dengan teori Elliot Wave yang menyatakan bahwa
ARIMA ini, seperti: PT. Astra Otoparts Tbk (AUTO), PT. Garuda Metalindo Tbk
(BOLT), PT. Indosprings Tbk (INDS). Dimana antara harga forecasting dan harga
aktual memiliki gap yang terlalu besar, dimana harga saham aktual yang terlalu
tinggi terhadap harga saham forecasting. Dimana kaitan harga naik dan turunnya
harga saham tergantung pada kondisi pasar dan kondisi internal emiten tersebut.
Kondisi pasar sendiri bisa terlihat dari beberapa banyak investor yang masih
percaya dalam menanamkan modalnya pada emiten tersebut ataupun berita yang
beredar baik positif maupun negatif terhadap emiten tersebut. Sementara untuk
5.1 Kesimpulan
1. Bila harga saham dimasa depan memiliki pergerakan yang sama atau
repetitif terhadap harga saham di masa lalu, maka hasil dari forecasting
Sebaliknya, bila harga saham dimasa depan memiliki pergerakan yang naik
atau pun turun secara signifikan, maka hasil dari forecasting ARIMA tidak
5.2 Saran
Hasil dan pembahasan pada penelitian ini menghasilkan beberapa saran bagi
dunia saham dalam jangka waktu pendek, secara teknikal metode ARIMA
79
saham dimasa depan. Namun pergerakan harga saham yang terjadi tidak
diantaranya masih banyak faktor internal dan eksternal yang tidak diikut
yang ada pada penelitian ini. Bagi peneliti yang ingin mengembangkan
Fauziah dan Wahyu Ario Pratomo (2013), “Analisis Peramalan Harga Saham
Dalam Keputusan Investasi Pada Perusahaan Perkebunan Di PT.
Bursa Efek Indonesia”, Jurnal Ekonomi dan Keuangan, Vol.2 No 1.
81
https://www.cermati.com/artikel/mengenal-pasar-modal-di-indonesia seperti-apa-
sejarahnya).
www.idx.co.id.
Lampiran 1
Daftar Perusahaan Otomotif dan Komponen yang Menjadi Populasi
Kriteria
No Kode Nama Perusahaan Sampel
1 2 3
1 ASII PT. Astra International Tbk. 1
2 AUTO PT. Astra Otopart Tbk. 2
3 BOLT PT.Garuda Metalindo Tbk. 3
4 GDYR PT. Goodyear Indonesia Tbk.
5 GJTL PT. Gajah Tunggal Indonesia Tbk. 4
PT. Indomobil Sukses Internasional
6 IMAS
Tbk.
5
7 INDS PT. Indospring Tbk. 6
8 MASA PT. Multistrada Arah SaranaTbk. 7
9 PRAS PT. Prima Alloy Steel Universal Tbk. 8
10 SMSM PT. Selamat Sempurna Tbk. 9
11 BRAM PT. Indo Kordsa Tbk.
12 LPIN PT. Multi Prima Sejahtera Tbk.
13 NIPS PT. Nipress Tbk.
Sumber: www. idx.co.id (diakses 2019)
Date ASII AUTO BOLT GTJL IMAS INDS MASA PRAS SMSM
03-Sep-18 7,100.00 1,435.00 910.00 630.00 2,050.00 2,140.00 324.00 192.00 1,395.00
04-Sep-18 7,075.00 1,405.00 900.00 620.00 1,850.00 2,070.00 312.00 192.00 1,360.00
05-Sep-18 6,775.00 1,380.00 875.00 590.00 1,665.00 1,850.00 312.00 191.00 1,340.00
06-Sep-18 6,800.00 1,380.00 885.00 590.00 1,720.00 1,890.00 322.00 195.00 1,375.00
07-Sep-18 7,175.00 1,385.00 910.00 605.00 1,700.00 1,950.00 306.00 196.00 1,410.00
10-Sep-18 7,175.00 1,355.00 900.00 605.00 1,650.00 1,960.00 310.00 196.00 1,365.00
11-Sep-18 7,175.00 1,355.00 900.00 605.00 1,650.00 1,960.00 310.00 196.00 1,365.00
12-Sep-18 7,125.00 1,350.00 900.00 600.00 1,645.00 2,000.00 306.00 196.00 1,400.00
13-Sep-18 7,075.00 1,370.00 920.00 625.00 1,675.00 2,000.00 308.00 196.00 1,420.00
14-Sep-18 7,225.00 1,385.00 925.00 630.00 2,090.00 2,000.00 308.00 197.00 1,410.00
17-Sep-18 6,950.00 1,375.00 910.00 625.00 2,190.00 2,000.00 308.00 197.00 1,370.00
18-Sep-18 7,025.00 1,380.00 915.00 615.00 2,160.00 2,100.00 308.00 197.00 1,340.00
19-Sep-18 7,400.00 1,390.00 920.00 620.00 2,110.00 2,160.00 310.00 188.00 1,370.00
20-Sep-18 7,500.00 1,400.00 920.00 615.00 2,020.00 2,210.00 336.00 197.00 1,380.00
21-Sep-18 7,250.00 1,400.00 940.00 605.00 1,970.00 2,230.00 340.00 190.00 1,385.00
24-Sep-18 7,125.00 1,385.00 930.00 605.00 2,070.00 2,150.00 340.00 190.00 1,365.00
25-Sep-18 7,200.00 1,390.00 935.00 615.00 2,040.00 2,140.00 336.00 188.00 1,380.00
26-Sep-18 7,350.00 1,395.00 950.00 620.00 2,040.00 2,160.00 336.00 197.00 1,390.00
27-Sep-18 7,375.00 1,410.00 960.00 625.00 2,100.00 2,150.00 340.00 197.00 1,390.00
28-Sep-18 7,350.00 1,430.00 965.00 630.00 2,050.00 2,170.00 346.00 197.00 1,405.00
01-Okt-18 7,325.00 1,450.00 950.00 625.00 1,985.00 2,150.00 344.00 197.00 1,395.00
02-Okt-18 7,200.00 1,460.00 940.00 610.00 1,930.00 2,140.00 350.00 190.00 1,400.00
03-Okt-18 7,200.00 1,470.00 940.00 615.00 1,915.00 2,160.00 358.00 194.00 1,430.00
04-Okt-18 7,075.00 1,470.00 925.00 605.00 1,830.00 2,140.00 410.00 194.00 1,390.00
05-Okt-18 6,950.00 1,450.00 920.00 600.00 1,870.00 2,140.00 478.00 194.00 1,395.00
08-Okt-18 6,850.00 1,450.00 950.00 605.00 1,885.00 2,350.00 500.00 186.00 1,420.00
09-Okt-18 7,025.00 1,450.00 950.00 610.00 1,840.00 2,300.00 550.00 186.00 1,430.00
10-Okt-18 6,950.00 1,460.00 950.00 660.00 1,850.00 2,250.00 565.00 186.00 1,440.00
11-Okt-18 6,725.00 1,415.00 935.00 630.00 1,775.00 2,170.00 620.00 186.00 1,365.00
12-Okt-18 6,850.00 1,440.00 955.00 630.00 1,865.00 2,200.00 590.00 186.00 1,365.00
15-Okt-18 6,850.00 1,420.00 950.00 610.00 1,800.00 2,120.00 570.00 186.00 1,385.00
16-Okt-18 6,975.00 1,420.00 955.00 610.00 1,805.00 2,120.00 630.00 186.00 1,390.00
17-Okt-18 7,025.00 1,430.00 970.00 640.00 1,830.00 2,120.00 605.00 186.00 1,400.00
18-Okt-18 7,025.00 1,430.00 915.00 630.00 1,915.00 2,150.00 605.00 186.00 1,440.00
19-Okt-18 7,300.00 1,480.00 925.00 635.00 2,000.00 2,260.00 605.00 190.00 1,455.00
22-Okt-18 7,275.00 1,475.00 935.00 635.00 1,945.00 2,250.00 615.00 190.00 1,495.00
23-Okt-18 7,350.00 1,470.00 930.00 690.00 1,975.00 2,300.00 665.00 184.00 1,495.00
24-Okt-18 7,300.00 1,450.00 925.00 660.00 1,920.00 2,280.00 630.00 185.00 1,465.00
Date ASII AUTO BOLT GTJL IMAS INDS MASA PRAS SMSM
25-Okt-18 7,375.00 1,450.00 935.00 655.00 1,930.00 2,240.00 630.00 180.00 1,495.00
26-Okt-18 7,425.00 1,465.00 925.00 650.00 1,930.00 2,290.00 630.00 180.00 1,460.00
29-Okt-18 7,500.00 1,465.00 925.00 635.00 1,920.00 2,360.00 615.00 180.00 1,415.00
30-Okt-18 7,700.00 1,450.00 925.00 620.00 1,835.00 2,360.00 590.00 180.00 1,445.00
31-Okt-18 7,900.00 1,440.00 930.00 620.00 1,895.00 2,390.00 590.00 180.00 1,475.00
01-Nop-18 8,050.00 1,465.00 935.00 635.00 1,940.00 2,400.00 575.00 180.00 1,510.00
02-Nop-18 8,175.00 1,455.00 955.00 630.00 1,970.00 2,400.00 585.00 180.00 1,515.00
05-Nop-18 8,250.00 1,455.00 960.00 615.00 1,960.00 2,400.00 630.00 180.00 1,500.00
06-Nop-18 8,100.00 1,450.00 965.00 620.00 1,930.00 2,480.00 620.00 180.00 1,465.00
07-Nop-18 8,225.00 1,470.00 965.00 630.00 1,985.00 2,450.00 640.00 180.00 1,495.00
08-Nop-18 8,200.00 1,480.00 980.00 640.00 2,130.00 2,460.00 630.00 179.00 1,485.00
09-Nop-18 8,175.00 1,480.00 970.00 625.00 2,070.00 2,350.00 625.00 179.00 1,450.00
12-Nop-18 7,875.00 1,470.00 960.00 615.00 1,990.00 2,270.00 620.00 175.00 1,435.00
13-Nop-18 8,000.00 1,475.00 980.00 610.00 1,970.00 2,250.00 630.00 185.00 1,455.00
14-Nop-18 8,175.00 1,460.00 1,000.00 600.00 1,950.00 2,250.00 630.00 185.00 1,470.00
15-Nop-18 8,525.00 1,450.00 995.00 600.00 1,960.00 2,300.00 635.00 185.00 1,480.00
16-Nop-18 8,550.00 1,460.00 995.00 620.00 1,960.00 2,490.00 665.00 185.00 1,465.00
19-Nop-18 8,500.00 1,450.00 985.00 640.00 2,150.00 2,500.00 695.00 185.00 1,460.00
20-Nop-18 8,500.00 1,450.00 985.00 640.00 2,150.00 2,500.00 695.00 185.00 1,460.00
21-Nop-18 8,450.00 1,450.00 975.00 650.00 2,060.00 2,530.00 705.00 180.00 1,435.00
22-Nop-18 8,450.00 1,455.00 980.00 635.00 2,000.00 2,550.00 685.00 180.00 1,455.00
23-Nop-18 8,400.00 1,455.00 985.00 625.00 1,985.00 2,510.00 695.00 180.00 1,485.00
26-Nop-18 8,325.00 1,460.00 975.00 635.00 2,010.00 2,530.00 715.00 187.00 1,445.00
27-Nop-18 8,400.00 1,460.00 975.00 635.00 1,980.00 2,510.00 710.00 175.00 1,445.00
28-Nop-18 8,400.00 1,465.00 975.00 625.00 1,920.00 2,480.00 725.00 175.00 1,420.00
29-Nop-18 8,475.00 1,465.00 985.00 630.00 2,030.00 2,450.00 705.00 175.00 1,430.00
30-Nop-18 8,550.00 1,475.00 975.00 640.00 2,030.00 2,410.00 715.00 175.00 1,430.00
03-Des-18 8,600.00 1,595.00 985.00 660.00 2,020.00 2,420.00 730.00 175.00 1,440.00
04-Des-18 8,525.00 1,625.00 985.00 640.00 2,060.00 2,480.00 735.00 175.00 1,420.00
05-Des-18 8,325.00 1,600.00 975.00 635.00 2,170.00 2,470.00 740.00 177.00 1,415.00
06-Des-18 8,100.00 1,600.00 975.00 630.00 2,270.00 2,470.00 765.00 177.00 1,410.00
07-Des-18 8,225.00 1,600.00 980.00 640.00 2,170.00 2,450.00 770.00 178.00 1,375.00
10-Des-18 8,150.00 1,550.00 975.00 630.00 2,130.00 2,410.00 750.00 178.00 1,400.00
11-Des-18 8,150.00 1,550.00 970.00 630.00 2,210.00 2,340.00 745.00 177.00 1,405.00
12-Des-18 8,250.00 1,555.00 965.00 630.00 2,140.00 2,310.00 740.00 177.00 1,435.00
13-Des-18 8,450.00 1,585.00 980.00 630.00 2,120.00 2,330.00 710.00 177.00 1,440.00
14-Des-18 8,450.00 1,590.00 975.00 630.00 2,100.00 2,330.00 715.00 177.00 1,385.00
17-Des-18 8,300.00 1,545.00 970.00 625.00 2,050.00 2,330.00 700.00 177.00 1,375.00
18-Des-18 8,375.00 1,530.00 965.00 620.00 2,050.00 2,310.00 720.00 177.00 1,360.00
19-Des-18 8,425.00 1,535.00 970.00 620.00 2,160.00 2,280.00 735.00 177.00 1,335.00
Date ASII AUTO BOLT GTJL IMAS INDS MASA PRAS SMSM
20-Des-18 8,475.00 1,535.00 965.00 615.00 2,180.00 2,260.00 720.00 177.00 1,330.00
21-Des-18 8,425.00 1,530.00 965.00 625.00 2,180.00 2,260.00 740.00 177.00 1,335.00
24-Des-18 8,425.00 1,530.00 965.00 625.00 2,180.00 2,260.00 740.00 177.00 1,335.00
25-Des-18 8,425.00 1,530.00 965.00 625.00 2,180.00 2,260.00 740.00 177.00 1,335.00
26-Des-18 8,125.00 1,485.00 965.00 645.00 2,180.00 2,310.00 725.00 180.00 1,320.00
27-Des-18 8,225.00 1,485.00 975.00 635.00 2,160.00 2,280.00 720.00 180.00 1,305.00
28-Des-18 8,225.00 1,470.00 970.00 650.00 2,160.00 2,220.00 720.00 177.00 1,400.00
31-Des-18 8,225.00 1,470.00 970.00 650.00 2,160.00 2,220.00 720.00 177.00 1,400.00
01-Jan-19 8,225.00 1,470.00 970.00 650.00 2,160.00 2,220.00 720.00 177.00 1,400.00
02-Jan-19 8,200.00 1,485.00 970.00 630.00 2,150.00 2,220.00 755.00 178.00 1,380.00
03-Jan-19 8,375.00 1,520.00 965.00 610.00 2,150.00 2,260.00 730.00 180.00 1,395.00
04-Jan-19 8,350.00 1,520.00 970.00 625.00 2,140.00 2,250.00 710.00 183.00 1,395.00
07-Jan-19 8,150.00 1,535.00 975.00 705.00 2,130.00 2,230.00 715.00 183.00 1,425.00
08-Jan-19 8,175.00 1,545.00 960.00 680.00 2,110.00 2,220.00 720.00 183.00 1,400.00
09-Jan-19 8,200.00 1,540.00 960.00 675.00 2,230.00 2,260.00 720.00 180.00 1,390.00
10-Jan-19 8,200.00 1,545.00 960.00 705.00 2,410.00 2,250.00 735.00 177.00 1,395.00
11-Jan-19 8,300.00 1,580.00 950.00 710.00 2,600.00 2,220.00 735.00 187.00 1,410.00
14-Jan-19 8,150.00 1,570.00 940.00 705.00 2,560.00 2,210.00 725.00 187.00 1,440.00
15-Jan-19 8,150.00 1,575.00 940.00 745.00 2,840.00 2,210.00 725.00 190.00 1,465.00
16-Jan-19 8,250.00 1,585.00 945.00 745.00 2,930.00 2,210.00 755.00 190.00 1,500.00
17-Jan-19 8,275.00 1,595.00 950.00 740.00 2,900.00 2,200.00 750.00 192.00 1,470.00
18-Jan-19 8,475.00 1,665.00 950.00 750.00 2,930.00 2,200.00 750.00 192.00 1,450.00
21-Jan-19 8,325.00 1,660.00 945.00 750.00 2,900.00 2,190.00 770.00 194.00 1,465.00
22-Jan-19 8,200.00 1,630.00 940.00 755.00 2,950.00 2,170.00 765.00 194.00 1,455.00
23-Jan-19 8,175.00 1,630.00 945.00 755.00 3,140.00 2,230.00 750.00 196.00 1,480.00
24-Jan-19 8,425.00 1,640.00 940.00 755.00 3,160.00 2,220.00 755.00 196.00 1,460.00
25-Jan-19 8,425.00 1,625.00 940.00 735.00 3,130.00 2,240.00 745.00 196.00 1,470.00
28-Jan-19 8,375.00 1,600.00 935.00 745.00 3,070.00 2,260.00 750.00 196.00 1,480.00
29-Jan-19 8,375.00 1,570.00 930.00 735.00 3,240.00 2,220.00 745.00 196.00 1,485.00
30-Jan-19 8,350.00 1,570.00 935.00 740.00 3,270.00 2,240.00 745.00 196.00 1,490.00
31-Jan-19 8,450.00 1,565.00 940.00 800.00 3,290.00 2,200.00 760.00 196.00 1,510.00
01-Feb-19 8,450.00 1,570.00 935.00 780.00 3,270.00 2,250.00 755.00 187.00 1,510.00
04-Feb-19 8,200.00 1,615.00 935.00 765.00 3,220.00 2,180.00 755.00 188.00 1,650.00
05-Feb-19 8,200.00 1,615.00 935.00 765.00 3,220.00 2,180.00 755.00 188.00 1,650.00
06-Feb-19 8,225.00 1,670.00 940.00 785.00 3,330.00 2,190.00 750.00 199.00 1,650.00
07-Feb-19 8,200.00 1,720.00 935.00 795.00 3,300.00 2,160.00 750.00 199.00 1,630.00
08-Feb-19 8,150.00 1,700.00 940.00 815.00 3,250.00 2,150.00 750.00 200.00 1,645.00
11-Feb-19 8,000.00 1,695.00 940.00 820.00 3,170.00 2,150.00 750.00 190.00 1,640.00
12-Feb-19 7,650.00 1,695.00 935.00 795.00 3,250.00 2,150.00 770.00 190.00 1,695.00
13-Feb-19 7,675.00 1,665.00 930.00 780.00 3,250.00 2,120.00 800.00 190.00 1,665.00
Date ASII AUTO BOLT GTJL IMAS INDS MASA PRAS SMSM
14-Feb-19 7,600.00 1,615.00 930.00 760.00 3,240.00 2,140.00 800.00 194.00 1,660.00
15-Feb-19 7,600.00 1,585.00 930.00 735.00 3,180.00 2,140.00 795.00 194.00 1,710.00
18-Feb-19 7,875.00 1,630.00 930.00 755.00 3,290.00 2,150.00 800.00 194.00 1,700.00
19-Feb-19 7,775.00 1,605.00 930.00 760.00 3,470.00 2,170.00 800.00 196.00 1,690.00
20-Feb-19 7,775.00 1,635.00 925.00 795.00 3,460.00 2,180.00 795.00 196.00 1,700.00
21-Feb-19 7,700.00 1,620.00 925.00 785.00 3,340.00 2,160.00 800.00 185.00 1,690.00
22-Feb-19 7,625.00 1,615.00 925.00 770.00 3,180.00 2,120.00 795.00 189.00 1,775.00
25-Feb-19 7,650.00 1,600.00 925.00 770.00 3,050.00 2,180.00 795.00 189.00 1,685.00
26-Feb-19 7,600.00 1,655.00 925.00 820.00 3,410.00 2,150.00 795.00 189.00 1,690.00
27-Feb-19 7,600.00 1,640.00 920.00 795.00 3,140.00 2,150.00 795.00 189.00 1,700.00
28-Feb-19 7,150.00 1,625.00 920.00 775.00 3,170.00 2,200.00 795.00 189.00 1,630.00
01-Mar-19 7,225.00 1,635.00 920.00 765.00 3,110.00 2,220.00 790.00 186.00 1,620.00
04-Mar-19 7,150.00 1,625.00 920.00 775.00 3,060.00 2,250.00 790.00 186.00 1,590.00
05-Mar-19 7,300.00 1,605.00 920.00 755.00 2,970.00 2,180.00 795.00 186.00 1,550.00
06-Mar-19 7,325.00 1,620.00 920.00 750.00 3,000.00 2,180.00 800.00 187.00 1,555.00
07-Mar-19 7,325.00 1,620.00 920.00 750.00 3,000.00 2,180.00 800.00 187.00 1,555.00
08-Mar-19 7,150.00 1,615.00 915.00 730.00 2,960.00 2,140.00 790.00 187.00 1,555.00
11-Mar-19 7,225.00 1,615.00 910.00 705.00 2,890.00 2,080.00 815.00 180.00 1,535.00
12-Mar-19 7,175.00 1,615.00 915.00 685.00 2,840.00 2,100.00 810.00 181.00 1,530.00
13-Mar-19 7,125.00 1,625.00 910.00 710.00 2,870.00 2,100.00 810.00 185.00 1,535.00
14-Mar-19 7,200.00 1,630.00 910.00 710.00 2,900.00 2,150.00 815.00 181.00 1,540.00
15-Mar-19 7,325.00 1,630.00 910.00 725.00 3,000.00 2,100.00 815.00 181.00 1,525.00
18-Mar-19 7,325.00 1,635.00 910.00 740.00 2,930.00 2,070.00 810.00 181.00 1,545.00
19-Mar-19 7,275.00 1,640.00 910.00 730.00 2,890.00 2,090.00 810.00 181.00 1,565.00
20-Mar-19 7,275.00 1,620.00 890.00 710.00 2,890.00 2,080.00 815.00 181.00 1,630.00
21-Mar-19 7,250.00 1,615.00 895.00 720.00 2,890.00 2,060.00 810.00 182.00 1,650.00
22-Mar-19 7,225.00 1,620.00 900.00 695.00 2,800.00 2,080.00 815.00 181.00 1,650.00
25-Mar-19 7,050.00 1,565.00 895.00 680.00 2,710.00 2,050.00 810.00 184.00 1,585.00
26-Mar-19 7,100.00 1,570.00 890.00 685.00 2,750.00 2,110.00 815.00 178.00 1,580.00
27-Mar-19 7,175.00 1,580.00 900.00 685.00 2,730.00 2,040.00 815.00 174.00 1,590.00
28-Mar-19 7,100.00 1,570.00 880.00 690.00 2,680.00 2,100.00 810.00 170.00 1,610.00
29-Mar-19 7,300.00 1,565.00 875.00 700.00 2,680.00 2,050.00 810.00 168.00 1,620.00
01-Apr-19 7,350.00 1,605.00 880.00 695.00 2,750.00 2,050.00 815.00 160.00 1,625.00
02-Apr-19 7,425.00 1,610.00 875.00 690.00 2,720.00 2,000.00 815.00 168.00 1,605.00
03-Apr-19 7,425.00 1,610.00 875.00 690.00 2,720.00 2,000.00 815.00 168.00 1,605.00
04-Apr-19 7,550.00 1,585.00 875.00 680.00 2,690.00 2,050.00 820.00 165.00 1,595.00
05-Apr-19 7,650.00 1,620.00 875.00 665.00 2,710.00 2,000.00 825.00 174.00 1,660.00
08-Apr-19 7,525.00 1,620.00 865.00 670.00 2,510.00 2,000.00 815.00 167.00 1,595.00
09-Apr-19 7,675.00 1,615.00 870.00 685.00 2,600.00 2,150.00 820.00 174.00 1,595.00
10-Apr-19 7,650.00 1,615.00 865.00 680.00 2,580.00 2,150.00 820.00 164.00 1,590.00
Date ASII AUTO BOLT GTJL IMAS INDS MASA PRAS SMSM
11-Apr-19 7,525.00 1,615.00 865.00 660.00 2,540.00 2,060.00 820.00 171.00 1,530.00
12-Apr-19 7,525.00 1,605.00 865.00 660.00 2,530.00 2,010.00 820.00 180.00 1,470.00
15-Apr-19 7,600.00 1,585.00 865.00 675.00 2,550.00 2,030.00 830.00 177.00 1,500.00
16-Apr-19 7,750.00 1,610.00 870.00 670.00 2,600.00 2,050.00 830.00 175.00 1,515.00
17-Apr-19 7,750.00 1,610.00 870.00 670.00 2,600.00 2,050.00 830.00 175.00 1,515.00
18-Apr-19 7,850.00 1,615.00 865.00 675.00 2,660.00 2,090.00 830.00 173.00 1,620.00
19-Apr-19 7,850.00 1,615.00 865.00 675.00 2,660.00 2,090.00 830.00 173.00 1,620.00
22-Apr-19 7,525.00 1,590.00 865.00 680.00 2,590.00 2,160.00 830.00 173.00 1,575.00
23-Apr-19 7,650.00 1,590.00 860.00 705.00 2,780.00 2,200.00 830.00 170.00 1,535.00
24-Apr-19 7,650.00 1,565.00 865.00 700.00 2,820.00 2,300.00 835.00 169.00 1,535.00
25-Apr-19 7,550.00 1,550.00 855.00 685.00 2,770.00 2,290.00 830.00 169.00 1,505.00
26-Apr-19 7,650.00 1,560.00 855.00 695.00 2,740.00 2,360.00 830.00 168.00 1,490.00
29-Apr-19 7,600.00 1,555.00 855.00 680.00 2,750.00 2,380.00 830.00 168.00 1,480.00
30-Apr-19 7,625.00 1,570.00 850.00 740.00 2,810.00 2,320.00 835.00 170.00 1,500.00
01-Mei-19 7,625.00 1,570.00 850.00 740.00 2,810.00 2,320.00 835.00 170.00 1,500.00
02-Mei-19 7,475.00 1,545.00 840.00 725.00 2,820.00 2,330.00 835.00 171.00 1,520.00
03-Mei-19 7,425.00 1,520.00 825.00 740.00 2,750.00 2,310.00 835.00 169.00 1,550.00
06-Mei-19 7,425.00 1,515.00 810.00 710.00 2,630.00 2,290.00 835.00 169.00 1,560.00
07-Mei-19 7,525.00 1,520.00 805.00 735.00 2,670.00 2,330.00 840.00 168.00 1,585.00
08-Mei-19 7,400.00 1,525.00 790.00 750.00 2,600.00 2,300.00 835.00 162.00 1,580.00
09-Mei-19 7,150.00 1,500.00 785.00 715.00 2,530.00 2,250.00 840.00 162.00 1,560.00
10-Mei-19 7,175.00 1,500.00 785.00 715.00 2,550.00 2,250.00 840.00 161.00 1,590.00
13-Mei-19 7,025.00 1,490.00 775.00 705.00 2,510.00 2,270.00 835.00 161.00 1,605.00
14-Mei-19 7,000.00 1,465.00 755.00 690.00 2,500.00 2,270.00 630.00 161.00 1,615.00
15-Mei-19 6,950.00 1,435.00 755.00 660.00 2,470.00 2,270.00 600.00 161.00 1,625.00
16-Mei-19 6,775.00 1,425.00 730.00 640.00 2,390.00 2,310.00 515.00 152.00 1,605.00
17-Mei-19 6,700.00 1,420.00 720.00 620.00 2,420.00 2,280.00 460.00 153.00 1,595.00
20-Mei-19 6,900.00 1,450.00 735.00 625.00 2,600.00 2,280.00 454.00 153.00 1,590.00
21-Mei-19 7,000.00 1,460.00 750.00 635.00 2,610.00 2,280.00 565.00 153.00 1,585.00
22-Mei-19 7,000.00 1,465.00 755.00 630.00 2,570.00 2,280.00 660.00 153.00 1,515.00
23-Mei-19 7,100.00 1,475.00 770.00 655.00 2,600.00 2,320.00 665.00 150.00 1,590.00
24-Mei-19 7,175.00 1,465.00 785.00 665.00 2,670.00 2,330.00 665.00 160.00 1,610.00
27-Mei-19 7,125.00 1,460.00 805.00 665.00 2,730.00 2,320.00 675.00 160.00 1,605.00
28-Mei-19 7,075.00 1,450.00 805.00 655.00 2,730.00 2,280.00 670.00 163.00 1,610.00
29-Mei-19 7,200.00 1,450.00 815.00 665.00 2,710.00 2,340.00 665.00 163.00 1,655.00
30-Mei-19 7,200.00 1,450.00 815.00 665.00 2,710.00 2,340.00 665.00 163.00 1,655.00
31-Mei-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
03-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
04-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
05-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
Date ASII AUTO BOLT GTJL IMAS INDS MASA PRAS SMSM
06-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
07-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
10-Jun-19 7,675.00 1,470.00 835.00 685.00 2,680.00 2,370.00 635.00 172.00 1,620.00
11-Jun-19 7,625.00 1,465.00 845.00 665.00 2,690.00 2,360.00 590.00 172.00 1,590.00
12-Jun-19 7,500.00 1,460.00 840.00 650.00 2,670.00 2,350.00 600.00 172.00 1,560.00
13-Jun-19 7,500.00 1,455.00 840.00 650.00 2,700.00 2,350.00 600.00 172.00 1,530.00
14-Jun-19 7,425.00 1,440.00 835.00 655.00 2,650.00 2,350.00 605.00 172.00 1,495.00
17-Jun-19 7,375.00 1,445.00 830.00 650.00 2,600.00 2,380.00 600.00 172.00 1,485.00
18-Jun-19 7,500.00 1,440.00 845.00 655.00 2,590.00 2,450.00 600.00 170.00 1,485.00
19-Jun-19 7,650.00 1,440.00 850.00 660.00 2,550.00 2,450.00 590.00 160.00 1,530.00
20-Jun-19 7,600.00 1,440.00 845.00 660.00 2,560.00 2,460.00 580.00 160.00 1,590.00
21-Jun-19 7,450.00 1,440.00 840.00 660.00 2,550.00 2,440.00 595.00 160.00 1,520.00
24-Jun-19 7,350.00 1,470.00 835.00 685.00 2,540.00 2,440.00 650.00 160.00 1,510.00
25-Jun-19 7,350.00 1,460.00 845.00 705.00 2,530.00 2,470.00 660.00 160.00 1,500.00
26-Jun-19 7,250.00 1,450.00 850.00 710.00 2,530.00 2,480.00 645.00 160.00 1,480.00
27-Jun-19 7,375.00 1,430.00 865.00 690.00 2,580.00 2,460.00 635.00 160.00 1,555.00
28-Jun-19 7,450.00 1,440.00 870.00 715.00 2,680.00 2,430.00 635.00 160.00 1,525.00
01-Jul-19 7,375.00 1,445.00 870.00 730.00 2,630.00 2,420.00 610.00 174.00 1,505.00
02-Jul-19 7,300.00 1,445.00 870.00 730.00 2,650.00 2,400.00 610.00 174.00 1,500.00
03-Jul-19 7,275.00 1,450.00 865.00 745.00 2,580.00 2,380.00 610.00 174.00 1,500.00
04-Jul-19 7,250.00 1,445.00 870.00 740.00 2,580.00 2,350.00 610.00 174.00 1,530.00
05-Jul-19 7,150.00 1,445.00 870.00 725.00 2,530.00 2,250.00 600.00 174.00 1,515.00
08-Jul-19 7,300.00 1,450.00 865.00 730.00 2,490.00 2,260.00 600.00 174.00 1,520.00
09-Jul-19 7,275.00 1,450.00 870.00 745.00 2,610.00 2,260.00 600.00 174.00 1,520.00
10-Jul-19 7,450.00 1,455.00 890.00 735.00 2,640.00 2,250.00 600.00 174.00 1,525.00
11-Jul-19 7,525.00 1,455.00 890.00 755.00 2,610.00 2,220.00 600.00 174.00 1,530.00
12-Jul-19 7,450.00 1,465.00 865.00 750.00 2,580.00 2,230.00 605.00 174.00 1,540.00
15-Jul-19 7,425.00 1,465.00 865.00 760.00 2,610.00 2,250.00 600.00 174.00 1,570.00
16-Jul-19 7,450.00 1,465.00 860.00 750.00 2,580.00 2,260.00 600.00 174.00 1,575.00
17-Jul-19 7,100.00 1,440.00 860.00 755.00 2,530.00 2,260.00 605.00 161.00 1,555.00
18-Jul-19 7,150.00 1,445.00 865.00 740.00 2,520.00 2,310.00 650.00 161.00 1,520.00
19-Jul-19 7,100.00 1,445.00 870.00 740.00 2,560.00 2,380.00 640.00 159.00 1,500.00
22-Jul-19 7,100.00 1,445.00 870.00 735.00 2,530.00 2,380.00 585.00 160.00 1,550.00
23-Jul-19 7,150.00 1,440.00 860.00 740.00 2,530.00 2,340.00 625.00 159.00 1,515.00
24-Jul-19 7,175.00 1,435.00 855.00 735.00 2,470.00 2,330.00 625.00 159.00 1,545.00
25-Jul-19 7,300.00 1,435.00 855.00 735.00 2,490.00 2,300.00 605.00 159.00 1,550.00
26-Jul-19 7,075.00 1,430.00 850.00 680.00 2,450.00 2,300.00 620.00 159.00 1,540.00
29-Jul-19 7,175.00 1,435.00 850.00 680.00 2,390.00 2,280.00 620.00 159.00 1,540.00
30-Jul-19 7,275.00 1,435.00 850.00 685.00 2,400.00 2,290.00 620.00 160.00 1,540.00
31-Jul-19 7,000.00 1,435.00 850.00 690.00 2,390.00 2,250.00 620.00 161.00 1,545.00
Date ASII AUTO BOLT GTJL IMAS INDS MASA PRAS SMSM
01-Agust-19 7,025.00 1,440.00 850.00 700.00 2,350.00 2,300.00 600.00 158.00 1,540.00
02-Agust-19 7,075.00 1,425.00 850.00 690.00 2,230.00 2,290.00 625.00 158.00 1,550.00
05-Agust-19 6,925.00 1,390.00 845.00 675.00 2,110.00 2,250.00 625.00 156.00 1,530.00
06-Agust-19 6,750.00 1,370.00 845.00 670.00 2,070.00 2,230.00 605.00 156.00 1,545.00
07-Agust-19 6,725.00 1,390.00 860.00 665.00 2,100.00 2,240.00 685.00 156.00 1,545.00
08-Agust-19 6,900.00 1,410.00 860.00 675.00 2,070.00 2,240.00 650.00 156.00 1,540.00
09-Agust-19 6,775.00 1,415.00 860.00 690.00 2,060.00 2,240.00 660.00 156.00 1,530.00
12-Agust-19 6,750.00 1,400.00 860.00 685.00 2,050.00 2,230.00 650.00 152.00 1,530.00
13-Agust-19 6,675.00 1,380.00 860.00 680.00 1,990.00 2,210.00 615.00 152.00 1,515.00
14-Agust-19 6,675.00 1,370.00 865.00 680.00 1,995.00 2,240.00 625.00 152.00 1,495.00
15-Agust-19 6,525.00 1,400.00 860.00 675.00 1,910.00 2,220.00 625.00 152.00 1,460.00
16-Agust-19 6,500.00 1,385.00 870.00 675.00 1,900.00 2,220.00 580.00 152.00 1,425.00
19-Agust-19 6,425.00 1,345.00 875.00 675.00 1,910.00 2,220.00 580.00 152.00 1,440.00
20-Agust-19 6,425.00 1,350.00 870.00 675.00 1,880.00 2,290.00 565.00 152.00 1,440.00
21-Agust-19 6,350.00 1,350.00 870.00 670.00 1,850.00 2,260.00 630.00 152.00 1,400.00
22-Agust-19 6,325.00 1,350.00 880.00 670.00 1,785.00 2,250.00 580.00 152.00 1,305.00
23-Agust-19 6,575.00 1,355.00 870.00 680.00 1,790.00 2,260.00 590.00 152.00 1,285.00
26-Agust-19 6,575.00 1,340.00 880.00 670.00 1,760.00 2,240.00 585.00 160.00 1,270.00
27-Agust-19 6,525.00 1,365.00 880.00 670.00 1,860.00 2,290.00 570.00 160.00 1,285.00
28-Agust-19 6,450.00 1,360.00 880.00 675.00 1,855.00 2,280.00 565.00 160.00 1,295.00
29-Agust-19 6,425.00 1,350.00 885.00 675.00 1,830.00 2,280.00 630.00 160.00 1,285.00
30-Agust-19 6,675.00 1,335.00 880.00 680.00 1,850.00 2,280.00 575.00 160.00 1,290.00
02-Sep-19 6,550.00 1,340.00 880.00 685.00 1,810.00 2,270.00 560.00 160.00 1,365.00
03-Sep-19 6,475.00 1,345.00 880.00 680.00 1,750.00 2,270.00 575.00 165.00 1,345.00
04-Sep-19 6,500.00 1,340.00 890.00 685.00 1,770.00 2,340.00 570.00 165.00 1,325.00
05-Sep-19 6,700.00 1,335.00 890.00 685.00 1,760.00 2,370.00 560.00 165.00 1,335.00
06-Sep-19 6,750.00 1,340.00 895.00 680.00 1,765.00 2,370.00 570.00 165.00 1,345.00
09-Sep-19 6,650.00 1,310.00 890.00 685.00 1,760.00 2,370.00 560.00 165.00 1,345.00
10-Sep-19 6,675.00 1,310.00 895.00 680.00 1,770.00 2,350.00 580.00 163.00 1,360.00
11-Sep-19 6,925.00 1,305.00 885.00 680.00 1,805.00 2,350.00 575.00 167.00 1,415.00
12-Sep-19 6,750.00 1,310.00 885.00 680.00 1,875.00 2,360.00 570.00 167.00 1,410.00
13-Sep-19 6,750.00 1,320.00 875.00 675.00 1,855.00 2,420.00 570.00 167.00 1,415.00
16-Sep-19 6,700.00 1,305.00 875.00 660.00 1,810.00 2,320.00 560.00 167.00 1,410.00
17-Sep-19 6,475.00 1,315.00 875.00 640.00 1,765.00 2,350.00 560.00 167.00 1,430.00
18-Sep-19 6,700.00 1,305.00 875.00 650.00 1,750.00 2,420.00 545.00 167.00 1,420.00
19-Sep-19 6,600.00 1,300.00 875.00 645.00 1,750.00 2,410.00 550.00 167.00 1,435.00
20-Sep-19 6,575.00 1,290.00 870.00 645.00 1,735.00 2,430.00 550.00 167.00 1,440.00
23-Sep-19 6,625.00 1,290.00 865.00 650.00 1,745.00 2,420.00 635.00 150.00 1,415.00
24-Sep-19 6,475.00 1,265.00 870.00 640.00 1,670.00 2,370.00 560.00 150.00 1,405.00
25-Sep-19 6,500.00 1,260.00 880.00 635.00 1,590.00 2,360.00 560.00 150.00 1,415.00
Date ASII AUTO BOLT GTJL IMAS INDS MASA PRAS SMSM
26-Sep-19 6,700.00 1,270.00 880.00 640.00 1,580.00 2,420.00 560.00 150.00 1,410.00
27-Sep-19 6,650.00 1,255.00 875.00 640.00 1,565.00 2,380.00 545.00 150.00 1,395.00
30-Sep-19 6,600.00 1,250.00 870.00 630.00 1,610.00 2,420.00 550.00 150.00 1,415.00
6,720
6,680
6,640
6,600
6,560
6,520
6,480
6,440
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
-5.292
-5.296
-5.300
-5.304
-5.308
-5.312
(4,2)(0,0)
(0,2)(0,0)
(2,0)(0,0)
(1,2)(0,0)
(2,1)(0,0)
(3,0)(0,0)
(2,2)(0,0)
(0,0)(0,0)
(3,1)(0,0)
(4,0)(0,0)
(1,1)(0,0)
(0,1)(0,0)
(4,1)(0,0)
(1,0)(0,0)
(3,2)(0,0)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1,320
1,310
1,300
1,290
1,280
1,270
1,260
1,250
1,240
1,230
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
-5.928
-5.932
-5.936
-5.940
-5.944
(2,8)(0,0)
(0,0)(0,0)
(4,3)(0,0)
(3,4)(0,0)
(2,4)(0,0)
(0,1)(0,0)
(1,0)(0,0)
(4,2)(0,0)
(0,2)(0,0)
(2,0)(0,0)
(1,1)(0,0)
(1,2)(0,0)
(4,4)(0,0)
(2,1)(0,0)
(3,3)(0,0)
(3,9)(0,0)
(0,3)(0,0)
(3,0)(0,0)
(2,2)(0,0)
(1,3)(0,0)
880
876
872
868
864
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
(1,1)(0,0)
(2,2)(0,1)
(2,2)(1,0)
(3,3)(0,0)
104
670
660
650
640
630
620
610
600
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
8.356
8.354
8.352
8.350
8.348
8.346
8.344
(4,2)(0,1)
(0,2)(0,0)
(2,0)(0,0)
(0,2)(1,0)
(0,2)(0,1)
(2,0)(1,0)
(2,0)(0,1)
(1,1)(0,0)
(1,2)(0,0)
(0,3)(0,0)
(2,1)(0,0)
(2,4)(2,0)
(1,3)(0,1)
(3,0)(0,0)
(4,4)(0,0)
(1,1)(1,0)
(1,1)(0,1)
(2,4)(0,0)
(0,0)(0,0)
(0,3)(0,1)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1,850
1,800
1,750
1,700
1,650
1,600
1,550
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
11.4925
11.4900
11.4875
11.4850
11.4825
11.4800
11.4775
11.4750
(3,2)(0,0)
(3,3)(0,0)
(4,2)(0,0)
(1,0)(0,0)
(3,2)(1,0)
(2,3)(0,0)
(1,1)(0,0)
(2,0)(0,0)
(4,3)(0,0)
(1,0)(1,0)
(1,0)(0,1)
(3,2)(0,2)
(3,2)(1,1)
(3,0)(0,0)
(1,2)(0,0)
(2,1)(0,0)
(4,3)(1,0)
(1,1)(1,0)
(2,0)(1,0)
(2,0)(0,1)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
2,440
2,400
2,360
2,320
2,280
2,240
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
-5.046
-5.048
-5.050
-5.052
-5.054
-5.056
-5.058
-5.060
-5.062
(1,0)(0,0)
(1,0)(0,1)
(1,0)(1,0)
(1,1)(0,0)
(2,0)(0,0)
(3,2)(1,0)
(4,3)(0,0)
(4,2)(0,0)
(1,1)(0,1)
(1,1)(1,0)
(2,0)(0,1)
(2,0)(1,0)
(3,0)(0,0)
(1,2)(0,0)
(2,1)(0,0)
(1,0)(1,1)
(1,0)(0,2)
(1,0)(2,0)
(3,3)(1,0)
(3,3)(0,1)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
640
620
600
580
560
540
520
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
-3.4875
-3.4900
-3.4925
-3.4950
-3.4975
-3.5000
-3.5025
-3.5050
(3,2)(0,0)
(3,2)(0,1)
(3,3)(0,0)
(4,2)(0,0)
(1,3)(0,0)
(3,4)(0,0)
(4,3)(0,0)
(4,2)(1,0)
(4,2)(0,1)
(2,0)(0,0)
(3,0)(0,0)
(1,1)(0,0)
(1,2)(0,0)
(1,0)(0,0)
(2,1)(0,0)
(2,4)(0,0)
(1,4)(0,0)
(1,3)(1,0)
(1,3)(0,1)
(2,3)(0,0)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
168
164
160
156
152
148
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
5.340
5.338
5.336
5.334
5.332
5.330
5.328
(2,2)(0,0)
(2,2)(1,0)
(2,2)(0,1)
(2,3)(0,0)
(3,3)(0,0)
(1,0)(0,0)
(4,3)(0,0)
(0,1)(0,0)
(1,4)(0,1)
(0,3)(0,0)
(2,4)(0,0)
(2,1)(2,0)
(2,1)(0,2)
(2,1)(1,1)
(3,0)(0,0)
(3,3)(0,1)
(2,3)(1,0)
(2,2)(2,0)
(2,2)(1,1)
(2,2)(0,2)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1,470
1,460
1,450
1,440
1,430
1,420
1,410
1,400
1,390
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
-5.028
-5.032
-5.036
-5.040
-5.044
-5.048
(3,2)(0,0)
(3,4)(1,0)
(3,4)(0,1)
(3,4)(0,0)
(3,4)(2,0)
(3,4)(0,2)
(4,4)(0,0)
(3,3)(1,0)
(1,0)(1,0)
(1,0)(0,1)
(4,4)(1,1)
(3,4)(2,1)
(4,3)(1,0)
(1,1)(1,0)
(2,0)(1,0)
(1,0)(2,0)
(1,0)(0,2)
(1,0)(1,1)
(1,1)(0,1)
(2,0)(0,1)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob