ANALISIS TIME SERIES

AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

DARI DATA INDEKS HARGA SAHAM GABUNGAN
Makalah Ini Disusun Untuk Memenuhi Tugas Mata Kuliah
EKONOMETRIKA

Dosen Pengampu :
Ika Septiana Windi Antari, S.Si. M.STAT.

Disusun Oleh Kelompok (1) :

1. Risalatin (401190166)
2. Shalza Yashinta M (401190180)
3. Sindy Vebri Permatasari (401190184)

Ekonomi Syari’ah F

JURUSAN EKONOMI SYARI’AH

FAKULTAS EKONOMI DAN BISNIS ISLAM
INSTITUT AGAMA ISLAM NEGERI PONOROGO
2022
 KATA PENGANTAR

Segala puji bagi Allah SWT yang telah melimpahkan rahmat dan karunianya, sehingga
kelompok kami dapat menyelesaikan makalah ini tanpa adanya kendala yang pasti. Sholawat serta
salam semoga tetap senantiasa tercurahkan kepada Nabi Muhammad SAW yang telah membawa
umat manusia dari zaman jahiliyah menuju zaman islamiah melalui perantara agama islam.
Adapun maksud dan tujuan dari pembuatan makalah ini untuk memenuhi tugas mata kuliah
Ekonometrika, selain itu dapat memberikan sedikit pengetahuan tentang Cara Analisis Data Time
Series Menggunakan Metode ARIMA. Terimakasih kami sampaikan kepada Ibu Ika Septiana
Windi Antari, S.Si. M.STAT. selaku dosen pengampu mata kuliah ini yang telah membimbing dan
memberikan materi demi kelancaran dan terselesaikannya makalah ini.
Semoga makalah ini dapat menjadi bahan pedoman dan tuntunan bagi generasi muda
dalam mempelajari Cara Analisis Data Time Series Menggunakan Metode ARIMA, serta
memberikan informasi bagi pembaca, mahasiswa dan bermanfaat untuk pengembangan wawasan
dan peningkatan ilmu pengetahuan bagi kita semua.

Madiun, 4 April 2022

Penyusun

2
A. PENDAHULUAN
ARIMA sering juga disebut metode runtun waktu. ARIMA sangat baik
ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan jangka
panjang ketepatan peramalannya kurang baik. Biasanya akan cenderung flat
(mendatar/konstan) untuk periode yang cukup panjang.
Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang
secara penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA
menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan
peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret waktu
(timeseries) secara statistik berhubungan satu sama lain (dependent).
ARIMA hanya menggunakan suatu variabel (univariate) deret waktu.
Misalnya: variabel IHSG. Program komputer yang dapat digunakan adalah EViews,
Minitab, SPSS, dll.
Model ARIMA terdiri dari tiga langkah dasar, yaitu tahap identifikasi, tahap
penaksiran dan pengujian, dan pemeriksaan diagnostik. Selanjutnya model ARIMA
dapat digunakan untuk melakukan peramalan jika model yang diperoleh memadai.
Tujuan analisis model ini adalah untuk menentukan hubungan statistik yang
baik antar variabel yang diramal dengan nilai historis variabel tersebut sehingga
peramalan dapat dilakukan dengan model tersebut.
Langkah-langkah pengujian metode ARIMA :
1. Berdasarkan plot data aktual dapat diketahui apakah data sudah stasioner. Jika
belum stasioner maka data harus distasionerkan terlebih dahulu.
2. Tentukan kombinasi model ARIMA yang mungkin. Dari plot autokorelasi tentukan
ordo MA (q), dari plot autokorelasi parsial tentukan orde AR (p).
3. Estimasi dan pengujian model ARIMA yang mungkin serta pemilihan model terbaik.
4. Tentukan persamaan dan nilai ramalan model ARIMA terbaik.

3
B. DATA

Misalkan kita ingin meramalkan nilai IHSG harian untuk jangka pendek.
Contoh: data IHSG harian (fiktif) selama 48 hari dimulai dari periode awal
bulan Januari 2021
Hari IHSG Hari IHSG Hari IHSG Hari IHSG Hari IHSG Hari IHSG
1 240 9 250 17 270 25 230 33 260 41 350
2 240 10 200 18 220 26 200 34 240 42 350
3 240 11 190 19 220 27 200 35 180 43 210
4 220 12 170 20 190 28 290 36 170 44 260
5 210 13 220 21 190 29 290 37 150 45 210
6 150 14 180 22 180 30 270 38 140 46 340
7 230 15 320 23 270 31 270 39 210 47 300
8 230 16 320 24 300 32 230 40 330 48 290

C. HASIL DAN PEMBAHASAN

1. PLOT DATA

IHSG
360

320

280

240

200

160

120
4 11 18 25 1 8 15
M1 M2

4
2. UJI STASIONERITAS

Hipotesis :

H0 : Data Tidak Stasioner

H1 : Data Stasioner

Keputusan :

Jika P Value < 𝛼 maka h0 ditolak

Hasil :

P Value (0,0003) < 0,05 maka h0 ditolak

Kesimpulan :

Data IHSG pada tanggal 1/1/2021-17/2/2021 sudah stasioner, artinya nilai tengah
dan varian tetap tidak tergantung pada perubahan waktu.

5
3. PENENTUAN ORDE

Dari plot autokorelasi dan plot autokorelasi parsial, terlihat bahwa lag 1 signifikan
sehingga ordo p&q yang mungkin adalah 1. Kombinasi model ARIMA yang
mungkin : ARIMA (0,0,1) , ARIMA (1,0,1) , ARIMA (1,0,0).

6
4. AUTO ARIMA

Model Terpilih ARMA (1,0) ➔ Model Terpilih ARIMA (1,0,0)

5. MODEL

7
 Estimasi Model :

IHSGt

=231.5105+0,519802 IHSGt-1 – 0

Hipotesis :

H0 : Jumlah IHSG hari ini tidak dipengaruhi jumlah IHSG pada hari dan eror
sebelumnya

H1 : Jumlah IHSG hari ini dipengaruhi jumlah IHSG pada hari dan eror sebelumnya

Keputusan :

Jika P Value < 𝛼 maka h0 ditolak

Hasil :

P Value (0,000738) < (0,05) maka h0 ditolak

Kesimpulan :

Jadi, Dengan tingkat kepercayaan 95% diperoleh bahwa Jumlah IHSG hari ini
dipengaruhi jumlah IHSG pada hari dan eror sebelumnya

6. PENGUJIAN ASUMSI NORMALITAS

Kesimpulan :

Karena P Value (0,081546) > (0,05) maka residual berdistribusi normal

8
7. PENGUJIAN ASUMSI WHITE NOISE

Hasil :

Asumsi white noise tidak terpenuhi karena dilihat dari grafik ACF dan PACF, terdapat
diagram yang keluar garis.

Bisa juga dilihat dari nilai probabilitas 𝛼 (0,05) sehingga asumsi white noise tidak
terpenuhi.

9
8. PLOT DATA VS PERAMALAN

➔PERAMALAN

➔PLOT DATA

10
D. KESIMPULAN
Berdasarkan pengujian diatas dapat disimpulkan bahwa :
Dilihat dari plot data dan dari uji stasioneritas menunjukan bahwa data IHSG pada
tanggal 1/1/2021-17/2/2021 sudah stasioner, artinya nilai tengah dan varian tetap tidak
tergantung pada perubahan waktu. Lalu pada penentuan orde terlihat bahwa lag 1
signifikan sehingga ordo p&q yang mungkin adalah 1. Kombinasi model ARIMA yang
mungkin : ARIMA (0,0,1) , ARIMA (1,0,1) , ARIMA (1,0,0). Selanjutnya AUTO ARIMA,
menunjukan bahwa model yang terpilih yaitu ARMA (1,0) ➔ Model Terpilih ARIMA
(1,0,0).
Selanjutnya pada pengujian model menunjukan bahwa dengan tingkat kepercayaan
95% diperoleh bahwa Jumlah IHSG hari ini dipengaruhi jumlah IHSG pada hari dan eror
sebelumnya. Dilanjutkan dengan pengujian asumsi normalitasnya menunjukan bahwa
residual berdistribusi normal. Selanjutnya pengujian asumsi white noise menunjukan
bahwa asumsi white noise tidak terpenuhi karena dilihat dari grafik ACF dan PACF,
terdapat diagram yang keluar garis, selain iu bisa juga dilihat dari nilai probabilitas 𝛼 (0,05)
sehingga asumsi white noise tidak terpenuhi.

11