NAMA : UMI WULAN SARI

NIM : 112011524
KELAS : 3D32
TUGAS METRAM PRAKTIK P10 (MODEL UNTUK DATA TIDAK STASIONER : ARIMA)

Identifikasi Stasioneritas dengan Tren Data

Dari grafik di atas terlihat bahwa data IHK memiliki tren yang meningkat. Jika data memiliki
tren, maka dugaan awal adalah data IHK tidak stasioner.

Pengamatan Pola Correlogram ACF -PACF

Dari hasil tabel correlogram terlihat bahwa nilai koefisien ACF dan PACF yang cukup tinggi
yaitu 0.952 pada lag satu artinya nilai autokorelasi sampel tidak berada di sekitar nol. Oleh
karena itu, dapat disimpulkan data IHK memiliki pola atau tidak stasioner.

Identifikasi Stasioneritas dengan Uji Akar Unit

Jika tingkat signifikansi (𝛼) sebesar 5%, nilai prob (p-value) > 0.05 maka 𝐻0 tidak ditolak yang
artinya data IHK tidak stasioner.

Membuat data differensiasi

genr d_ihk=d(ihk)

Grafik

Dari grafik di atas terlihat bahwa data IHK tidak memiliki tren dan memiliki gelombang yang cenderung
sama. Jika data tidak memiliki tren dan dan memiliki gelombang yang cenderung sama, dugaan awal
adalah data IHK stasioner.
Correlogram

Dari hasil tabel correlogram terlihat bahwa nilai koefisien ACF relatif rendah yaitu 0.212 pada lag 1.
Oleh karena itu, dapat disimpulkan data IHK tidak memiliki pola atau stasioner.
Karena ada prob (p-value) > 0.05 maka 𝐻0 tidak ditolak yang artinya data stasioner.

Unit Root Test

Pada tingkat signifikansi (𝛼) sebesar 5%, nilai prob (p-value) < 0.05 maka 𝐻0 ditolak yang artinya data
IHK stasioner.

Automatic ARIMA Forecasting

Diperoleh hasil estimasi model terbaik yaitu ARIMA(4,1,11)

Model estimasi:

• ARIMA(0,1,2)
• ARIMA(2,1,0)
• ARIMA(2,1,2)
• ARIMA(2,1,3)
• ARIMA(3,1,0)
• ARIMA(3,1,2)
• ARIMA(3,1,3)
• ARIMA(3,1,9)
• ARIMA(4,1,11)

ARIMA(0,1,2)

ARIMA(2,1,0)
ARIMA(2,1,2)

ARIMA(2,1,3)
ARIMA(3,1,0)

ARIMA(3,1,2)
ARIMA(3,1,3)
ARIMA(3,1,9)
ARIMA(4,1,11)
 (2,1,0) (0,1,2) (2,1,2) (2,1,3) (3,1,0) (3,1,2) (3,1,3) (3,1,9) (4,1,11)
R-squared 0,132309 0,080663 0,251943 0,266547 0,247793 0,285093 0,299271 0,586794 0,694258
Adj R- 0,084980 0,030518 0,181372 0,181918 0,192074 0,202604 0,203092 0,467423 0,577785
Squared
AIC 1,146225 1,203425 1,073713 1,089467 1,044143 1,066686 1,102385 1,018380 0,954437
Hannan- 1,201207 1,238407 1,156186 1,185685 1,112871 1,162905 1,212350 1,210817 1,188111
Quinn

Model yang dipilih ARIMA(4,1,11)

Correlogram Q-Statistics
Correlogram Residuals Squared
Dari coreelogram diatas, dapat terlihat bahwa ACF maupun PACF dari Q-statistics dan residuals
squarednya tidak melewati garis batas selang lagnya sehingga menunjukkan bahwa residual sudah
random.

Normality Test

Hipotesis:
H0: residual berdistribusi normal
H1: residual tidak berdistribusi normal
Pada tingkat signifikansi (𝛼) sebesar 5%, nilai prob (p-value) = 0,664 > 0.05 maka 𝐻0 tidak ditolak
yang artinya residual berdistribusi normal.

Heteroskedasticity Test

Hipotesis:
H0: residual bersifat homoskedastis
H1: residual tidak bersifat homoskedastis
Pada tingkat signifikansi (𝛼) sebesar 5%, nilai prob (p-value) = 0,2889 > 0.05 maka 𝐻0 tidak ditolak
yang artinya residual bersifat homoskedastisitas.