Ta Prak PRW

LAPORAN AKHIR
PRAKTIKUM PENGANTAR RUNTUN WAKTU
KELOMPOK B
Disusun Oleh :
Nama : Maria Jeanne Natalia Pakaenoni
NIM : 201064001
Jurusan : Statistika
JURUSAN STATISTIKA
FAKULTAS SAINS TERAPAN
INSTITUT SAINS & TEKNOLOGI AKPRIND
YOGYAKARTA
2022
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada TYME, atas bimbingan dan Berkat-Nya sehingga penulis
dapat menyelesaikan penyusunan Laporan Tugas Akhir ini. Penyusunan Tugas Akhir ini merupakan salah
satu persyaratan dalam mengikuti responsi dan penilaian tugas keempat dari mata kuliah Pengantar Runtun
Waktu.
Pada kesempatan ini, izinkan penulis untuk mengucapkan terima kasih atas segala bantuan yang telah
diberikan kepada penulis sehingga dapat menyelesaikan Laporan Tugas Akhir ini, yaitu kepada Dosen
Pengampu Mata Kuliah Pengantar Runtun Waktu dan kepada Kakak-kakak ASLAB praktikum Penagntar
Runtun Waktu.
Dalam penyusunan Laporan ini tentunya masih banyak terdapat kekurangan dan karena keterbatasan
kemampuan penulis, untuk itu sebelumnya penulis mohon maaf yang sebesar-besarnya. Penulis juga
mengharapkan kritik dan saran dari semua pihak demi perbaikan yang bersifat membangun atas laporan ini.
Akhirnya dengan segala kerendahan hati penulis mengucapkan terima kasih dan semoga laporan ini
dapat bermanfaat bagi penulis maupun kita bersama.
Yogyakarta, 30 November 2022
Penulis
DAFTAR ISI
BAB I ................................................................................................................................................................................ 4
PENDAHULUAN ............................................................................................................................................................... 4
1.1 Latar Belakang ................................................................................................................................................ 4
1.2 Rumusan Masalah ................................................................................................................................................. 4
1.3 Batasan Masalah ................................................................................................................................................... 5
1.4 Tujuan ................................................................................................................................................................... 5
1.5 Manfaat ................................................................................................................................................................. 6
BAB II ............................................................................................................................................................................... 7
LANDASAN TEORI............................................................................................................................................................ 7
2.1 Teori yang lengkap dan banyak sesuai metode data yg dianalisis dan variabelnya.............................................. 7
BAB III ............................................................................................................................................................................ 10
METODE PENELITIAN .................................................................................................................................................... 10
3.1 Objek Penelitian.................................................................................................................................................. 10
3.2 Variabel Penelitian.............................................................................................................................................. 12
3.3 Metode Analisis Data.................................................................................................................................... 13
BAB IV ........................................................................................................................................................................... 16
ANALISIS DAN PEMBAHASAN ....................................................................................................................................... 16
4.1 judul metode pada soal 1 .................................................................................................................................... 16
BAB V ............................................................................................................................................................................ 77
PENUTUP....................................................................................................................................................................... 77
5.1 Kesimpulan ......................................................................................................................................................... 77
5.2 Saran ................................................................................................................................................................... 79
Daftar Pustaka .............................................................................................................................................................. 80
Lampiran ....................................................................................................................................................................... 81
BAB I
PENDAHULUAN
1.1 Latar Belakang
Suatu runtun waktu adalah himpunan observasi beraturan dalam waktu. Berdasarkan sifat ada
tidaknya kepastian terjadinya suatu keadaan di waktu-waktu yang akan datang, maka data time series
terbagi dalam dua kelompok, yaitu time series yang merupakan proses deterministik dan proses stokastik.
Proses deterministik adalah ketika keadaan yang akan datang dari suatu time series dapat diramalkan
secara pasti. Sementara itu, proses stokastik adalah jika pengalaman yang lalu hanya dapat menunjukkan
struktur probabilistik dari suatu keadaan yang akan datang dari suatu time series.
Runtun waktu statistik dapat dipandang sebagai suatu realisasi dari proses statistik (stokastik).
Biasanya tidak mungkin diperoleh realisasi yang lain suatu proses statistik, yaitu tidak dapat diulang
kembali keadaan untuk memperoleh himpunan observasi serupa seperti yang telah dikumpulkan.
Selanjutnya, misalkan Z 1 ,Z 2 ,…,Z n adalah observasi yang telah diidentifikasikan suatu model yang
diperkirakan telah menghasilkan observasi itu. Dengan demikian Z t dapat dipandang sebagai suatu
realisasi dari suatu variable random Z t yang mempunyai distribusi dengan fungsi densitas probabilitas
(fdp) tertentu, misalnya p(Z t ). Setiap himpunan Zt.
Misalnya : Zt,…,Zt+r mempunyai fdp bersama p(Z t 1 ,…,Z tr ), jika suatu proses statistic mempunyai
fdp bersama p(Z t + n1 ,…,Z t + nm ) yang independen dengan t, sebarang pilihan n 1 ,n 2 ,…,n m yang
mempunyai struktur probabilistik tidak berubah dengan berubahnya waktu. Proses seperti ini dinamakan
stasioner, jika tidak demikian maka proses itu dinamakan non stasioner.
Runtun waktu yang stasioner pada umumnya jarang sekali dijumpai dalam praktek namun
stasioneritas merupakan asumsi yang sangat bermanfaat dalam mengestimasi runtun waktu. Pada tahun
1970-an Box-Jenkins membahas tentang model runtun waktu klasik, termasuk didalamnya model
autoregresif klasik. Dalam perkembangannya model autoregresi itu mempunyai dua macam yakni model
autoregresif yang stasioner dan model autoregresif yang tidak stasioner (nonstasioner). Pada runtun
waktu yang stasioner biasanya bisa langsung dilakukan estimasi terhadap parameter- parameter yang ada,
tetapi untuk model runtun waktu yang tidak stasioner perlu dilakukan langkah untuk menjadikan runtun
waktu itu stasioner dulu, kemudian mengestimasi parameter-parameternya hingga penentuan model
terbaik berdasarkan uji keakurasian
1.2 Rumusan Masalah

Nomor 1:
Tentukan identifikasi model dengan data training 80% dan testing 20%!
Nomor 2:
a) Tentukan identifikasi model dengan data training 80% dan testing 20%!
b) Tentukan estimasi model!
c) Tentukan uji diagnostik!
Nomor 3:
a) Tentukan identifikasi model dengan data training 80% dan testing 20%!
b) Tentukan estimasi model!
c) Tentukan uji diagnostik!
d) Tentukan peramalan!
e) Tentukan model terbaik dari model yang diperoleh
1.3 Batasan Masalah

Dalam menganalisis data-data percobaan yang ada ini, agar sesuai dengan tujuan semula serta untuk
mencapai sasaran sesuai dengan rumusan masalah di atas, maka penulis membatasi permasalahan,
diantaranya sebagai berikut :
a) Pada nomor 1, analisis yang dilakukan ialah mulai dari pembagian data training & testing hingga
identifikasi dugaan model sementara.
b) Pada nomor 2, analisis yang dilakukan ialah mulai dari pembagian data training & testing hingga uji
diagnostik (white noise dan dist. normal).
c) Pada nomor 3, analisis yang dilakukan ialah mulai dari pembagian data training & testing hingga
penentuan model terbaik.
d) Software yang digunakan dalam membantu analisis ini ialah R & Excel.
1.4 Tujuan
a) Menampilkan hasil output dari pembagian data training & testing dan menginterpretasikannya serta
mengidentifikasi dugaan model yang terbentuk.
b) Menampilkan hasil output pembagian data training & testing dan menginterpretasikannya,
mengidentifikasi dugaan model yang terbentuk, menampilkan hasil output estimasi parameter model
dan model yang terbentuk tersebut kemudian menginterpretasikannya serta menentukan residual
apakah white noise dan berdistribusi normal.
c) Menampilkan hasil output pembagian data training & testing dan menginterpretasikannya,
mengidentifikasi dugaan model yang terbentuk, menampilkan hasil output estimasi parameter model
dan model yang terbentuk tersebut kemudian menginterpretasikannya, menentukan residual apakah
white noise dan berdistribusi normal, melakukan peramalan hingga mencari model terbaik dengan uji
keakurasian.
1.5 Manfaat
a) Untuk mengetahui pembagian data training & testing dan identifikasi dugaan model sementara
berdasarkan plot acf dan pacf.
b) Untuk mengetahui pembagian data training & testing hingga uji diagnostik.
c) Untuk mengetahui pembagian data training & testing hingga model terbaik.
BAB II
LANDASAN TEORI
2.1 Teori yang lengkap dan banyak sesuai metode data yg dianalisis dan variabelnya
➢ Identifikasi Model menggunakan 4 uji, diantaranya:
• Plot Time Series
Dikatakan stasioner apabila mengikuti pola horizontal sepanjang sumbu waktu. Dengan kata lain,
fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung waktu dan
varians dari fluktuasi tersebut pada dasarnya konstan setiap waktu.
• Plot ACF
Autokorelasi didefinisikan korelasi yang terjadi antar observasi satu atau lebih variabel (Hanke
& Winchern, 2005:327). Autokorelasi merupakan korelasi dari sebuah data time series untuk
selang waktu (lag) yang berlainan. Autokorelasi dapat digunakan untuk menentukan ada tidaknya
faktor musiman (seasonality), dan juga digunakan untuk menentukan kestasioneran data.
Dikatakan stasioner apabila nilai-nilai koefisien autokorelasi dari data biasanya akan turun sampai
nol sesudah time-lag kedua atau ketiga.
• Uji Ljung-Box
Uji Ljung-Box digunakan untuk menguji independensi residual antar lag pada model ARIMA
(p,d,q). Hipotesis : H0: k= 0 (tidak ada korelasi residual antar lag). H1: paling sedikit ada satu k 0
dengan k = 1,2,3,…l (ada korelasi residual antar lag).
• ADF test
Uji Stasioneritas Augmented Dickey-Fuller (ADF) adalah pengujian yang dilakukan terhadap
data deret waktu (time series) untuk mengetahui apakah data deret waktu tersebut stasioner atau
tidak.
➢ Estimasi Model (parameter), terbagi atas 3 cara estimasi:
i. Metode Momen
adalah salah satu metode estimasi yang paling mudah, tetapi juga yang paling tidak efisien, untuk
mendapatkan taksiran parameter pada model ARIMA. Metode ini menggunakan persamaan
sampel momen dan menyelesaikan persamaan-persamaan yang ada untuk mendapatkan taksiran
parameter-parameter yang tidak diketahui.
Contoh yang paling sederhana dari metode momen ini adalah untuk menaksir mean dari suatu
series µ digunakan sampel meannya 𝑍̅
ii. Metode Least Square
merupakan salah satu metode berupa data deret berkala atau time series, yang mana dibutuhkan
data dimasa lampau untuk melakukan peramalan penjualan dimasa mendatang sehingga dapat
ditentukan hasilnya. Least Square adalah metode peramalan yang digunakan untuk melihat trend
dari data deret waktu
iii. Metode Maximum Likelihood

Maximum Likelihood adalah metode estimasi parameter berdasarkan pendekatan distribusi
dengan cara memaksimalkan fungsi likelihood. Mean, deviasi standar, proporsi dan lain-lain
merupakan perkiraan nilai parameter dengan menggunakan data atau sampel yang dapat diambil
dari populasi tersebut.
➢ Uji Diagnostik
Yakni memeriksa apakah model yang kita estimasi sudah sesuai dengan data yang ada.
Uji diagnostik dibuktikan dengan 2 uji yakni, uji White Noise dengan Ljung-Box dan uji Distribusi
Normal dengan Kolmogorov Smirnov
- Uji white noise, pengujian terhadap residual apakah merupakan proses yang white noise dapat
dilakukan secara individu ataupun secara bersama-sama. Pengujian secara individu dapat
dilakukan jika diketahui distribusi dari estimasi residual, yaitu secara umum menedekati normal
dengan mean 0.
- Uji Distribusi Normal merupakan sebuah fungsi probabilitas yang menunjukkan distribusi atau
penyebaran suatu variabel. Fungsi tersebut umumnya dibuktikan oleh sebuah grafik simetris yang
disebut kurva lonceng (bell curve). Saat menandakan distribusi yang merata, kurva akan
memuncak di bagian tengah dan melandai di kedua sisinya dengan nilai yang setara.
Seperti halnya teori distirbusi lain dalam statistika probabilitas, bentuk kurva serta nilai peluang
distribusi normal ditentukan oleh sejumlah parameter. Untuk distribusi ini, terdapat dua jenis
parameter yang dijadikan acuan, yakni mean (nilai rata-rata), serta standar deviasi atau simpangan
baku.
• Nilai rata-rata digunakan sebagai pusat distribusi atau penyebaran nilai lainnya. Nilai tersebut
akan menentukan lokasi titik puncak dalam kurva lonceng, sedangkan nilai-nilai lainnya akan
menyebar mengikuti rerata
• Standar deviasi adalah penghitungan variabilitas yang menentukan lebar sebuah kurva
distribusi normal. Standar ini dapat menghitung seberapa jauh kecendrungan data akan
melebar dari nilai rata-rata yang menjadi titik pusatnya. Semakin kecil nilai standar deviasi,
maka kurva akan berbentuk semakin runcing. Selain itu, standar deviasi juga menggambarkan
jarak atau selisih umum antara mean dengan data lain yang diobservasi.
➢ Peramalan dan Model terbaik
Peramalan (forecasting) adalah proses atau metode dalam meramal suatu peristiwa yang akan
terjadi pada masa datang dengan mendasarkan diri pada variabel-variabel tertentu (Awat, 1990:2).
Peramalan (forecasting) didefinisikan sebagai alat atau teknik untuk memprediksi atau
memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data atau informasi
yang relevan, baik data atau informasi masa lalu maupun data atau informasi saat ini (Nachrowi,
2004:2006).
Peramalan time series adalah bagian dari analitik prediktif. Ini dapat menunjukkan
kemungkinan perubahan dalam data, seperti perilaku musiman atau siklus, yang memberikan
pemahaman yang lebih baik tentang variabel data dan membantu memperkirakan dengan lebih baik
Setiap model peramalan tentunya menghasilkan kesalahan. Jika tingkat kesalahan yang
dihasilkan semakin kecil, maka hasil peramalan akan semakin mendekati tepat.
Alat ukur yang digunakan untuk menghitung kesalahan peramalan, antara lain:
• MSE (Mean Squared Error)
adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan
atau sisa dikuadratkan. Kemudian dijumlahkan dan dibagi ddengan jumlah observasi.
Pendekatan ini mengacu pada kesalahan peramalan yang besar karena kesalahan moderat
terkadang mengahasilkan sesuatu yang sangat besar.
• MAPE (Mean Absolute Percentage Error)
Dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai
observasi yang nyata untuk periode itu. Kemudian merata-ratakan kesalahan persentase
absolut tersebut. Suatu model mempunyai kinerja yang sangat bagus jika nilai MAPE
berada dibawah 10%.
• RMSE (Root Mean Square Error)
adalah salah satu cara untuk mengevaluasi model dengan mengukur tingkat akurasi hasil
perkiraan suatu model
• Pemilihan model terbaik
Kriteria dalam menentukan model terbaik yakni nilai AIC (Akaike’s Information
Criterion). Model yang dipilih adalah yang mempunyai nilai AIC terendah di antara semua
model yang mungkin
BAB III
METODE PENELITIAN
3.1 Objek Penelitian
1. Diketahui data Close dari saham PT Mineral Sumberdaya Mandiri Tbk (AKSI.JK) sebagai berikut:
(245 data)
2. Diketahui data Close dari saham PT Adira Dinamika Multi Finance Tbk (ADMF.JK) sebagai berikut:
(245 data)
3. Diketahui data Close dari saham PT Aneka Tambang Tbk (ANTM.JK) sebagai berikut: (60 data)
3.2 Variabel Penelitian
(variabel yang ada dalam setiap analisis diperjelas)
Nomor 1
Variabel Y → Variabel Close AKSI
Variabel X :
- Open
- High
- Low
- Adj Close
- Volume
Nomor 2
Variabel Y → Variabel Close AMDF
Variabel X :
- Open
- High
- Low
- Adj Close
- Volume
Nomor 3
Variabel Y → Close ANTM
Variabel X → Date
3.3 Metode Analisis Data

1) Identifikasi Model
• Plot Time Series
Dikatakan stasioner apabila mengikuti pola horizontal sepanjang sumbu waktu. Dengan
kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung
waktu dan varians dari fluktuasi tersebut pada dasarnya konstan setiap waktu.
• Plot ACF
Autokorelasi didefinisikan korelasi yang terjadi antar observasi satu atau lebih variabel
(Hanke & Winchern, 2005:327). Autokorelasi merupakan korelasi dari sebuah data time
series untuk selang waktu (lag) yang berlainan. Autokorelasi dapat digunakan untuk
menentukan ada tidaknya faktor musiman (seasonality), dan juga digunakan untuk
menentukan kestasioneran data.
Dikatakan stasioner apabila nilai-nilai koefisien autokorelasi dari data biasanya akan turun
sampai nol sesudah time-lag kedua atau ketiga.
• Uji Ljung-Box
Uji Ljung-Box digunakan untuk menguji independensi residual antar lag pada model
ARIMA (p,d,q). Hipotesis : H0: k= 0 (tidak ada korelasi residual antar lag). H1: paling sedikit
ada satu k 0 dengan k = 1,2,3,…l (ada korelasi residual antar lag).
• ADF test
Uji Stasioneritas Augmented Dickey-Fuller (ADF) adalah pengujian yang dilakukan
terhadap data deret waktu (time series) untuk mengetahui apakah data deret waktu tersebut
stasioner atau tidak.
2) Identifikasi – Uji Diagnostik

• Metode Maximum Likelihood
Maximum Likelihood adalah metode estimasi parameter berdasarkan pendekatan distribusi
dengan cara memaksimalkan fungsi likelihood. Mean, deviasi standar, proporsi dan lain-
lain merupakan perkiraan nilai parameter dengan menggunakan data atau sampel yang dapat
diambil dari populasi tersebut.
• Uji diagnostik dibuktikan dengan 2 uji yakni, uji White Noise dengan Ljung-Box dan uji
Distribusi Normal dengan Kolmogorov Smirnov
- Uji white noise, pengujian terhadap residual apakah merupakan proses yang white
noise dapat dilakukan secara individu ataupun secara bersama-sama. Pengujian secara
individu dapat dilakukan jika diketahui distribusi dari estimasi residual, yaitu secara
umum menedekati normal dengan mean 0.
- Uji Distribusi Normal merupakan sebuah fungsi probabilitas yang menunjukkan
distribusi atau penyebaran suatu variabel. Fungsi tersebut umumnya dibuktikan oleh
sebuah grafik simetris yang disebut kurva lonceng (bell curve). Saat menandakan
distribusi yang merata, kurva akan memuncak di bagian tengah dan melandai di kedua
sisinya dengan nilai yang setara.
3) Identifikasi – Model Terbaik

Alat ukur yang digunakan untuk menghitung kesalahan peramalan, antara lain:
• MSE (Mean Squared Error)
adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau
sisa dikuadratkan. Kemudian dijumlahkan dan dibagi ddengan jumlah observasi.
Pendekatan ini mengacu pada kesalahan peramalan yang besar karena kesalahan moderat
terkadang mengahasilkan sesuatu yang sangat besar.
• MAPE (Mean Absolute Percentage Error)
Dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai
observasi yang nyata untuk periode itu. Kemudian merata-ratakan kesalahan persentase
absolut tersebut. Suatu model mempunyai kinerja yang sangat bagus jika nilai MAPE
berada dibawah 10%.
• RMSE (Root Mean Square Error)
adalah salah satu cara untuk mengevaluasi model dengan mengukur tingkat akurasi hasil
perkiraan suatu model
• Pemilihan model terbaik
Kriteria dalam menentukan model terbaik yakni nilai AIC (Akaike’s Information Criterion).
Model yang dipilih adalah yang mempunyai nilai AIC terendah di antara semua model yang
mungkin.
BAB IV
ANALISIS DAN PEMBAHASAN
4.1 judul metode pada soal 1
Stasioneritas dan pengujiannya & Identifikasi Model
➢ Pembagian data dengan komposisi data training 80% dan data testing 20%
Hasil Output:
Interpretasi:
Berdasarkan hasil output diatas, diketahui jumlah data ada sebanyak 245 sehingga untuk pembagian
data training dan testing dengan komposisi secara berturut-turut 80%;20% didapatkan data training
start dari 1-196 (378, 378,…,420), sedangkan data testing sisanya yakni start dari 197-245 (420,
420,…,404).
➢ Uji Stasioneritas Data

Hasil Output:
Interpretasi:
Berdasarkan hasil output plot time series data Close AKSI diatas, dapat dilihat bahwa data tidak
stasioner karena tidak mengikuti pola horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi
data tidak berada di sekitar suatu nilai rata-rata yang konstan, melainkan tergantung mean dan varians
atau tidak berada pada kesetimbangan disekitar nilai mean dan variansi yang konstan selama waktu
tertentu.
Hasil Output:
Interpretasi:
Dari hasil output plot acf data Close diatas, dapat dilihat bahwa data tidak stasioner karena nilai-nilai
koefisien autokorelasi tidak mengalami penurunan sampai nol setelah time-lag kedua atau ketiga
melainkan mengalami penurunan yang lambat seiring bertambahnya periode waktu.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: ρk = 0 (nilai autokorelasi nol, data Close stasioner)
H1: ρk ≠ 0 (nilai autokorelasi bukan nol, data Close tidak stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
X-Squared = 1538.5
Daerah Kritis
H0 ditolak jika, X-Squared > Xhitung(0.05;1)
Kesimpulan
Karena X-Squared = 1538.5 > Xhitung(0.05;10) = 18.3070, maka H0 ditolak. Dengan demikian, dapat
disimpulkan bahwa nilai autokorelasi bukan nol, data Close tidak stasioner dengan tingkat
kepercayaan 95%.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: γ = 0 (data Close AKSI memiliki unit root/tidak stasioner)
H1: γ ≠ 0 (data Close AKSI tidak memiliki unit root/stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.2993
Daerah Kritis
H0 ditolak jika, P-value < α
Kesimpulan
Karena P-value = 0.2993 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat disimpulkan
data Close memiliki unit root/tidak stasioner dengan tingkat kepercayaan 95%.
#Setelah diuji stasioneritas, diperoleh data Close AKSI tidak stasioner maka lakukan differencing
___________________________Differencing________________________
Hasil Output:
Interpretasi:
Dilihat dari hasil plot time series diffTA1 diatas, dikatakan telah stasioner karena mengikuti pola
horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-
rata yang konstan, tidak tergantung mean dan varians atau berada pada kesetimbangan disekitar nilai
mean dan variansi yang konstan selama waktu tertentu.
Hasil Output:
Interpretasi:
Dari hasil output plot acf diffTA1 diatas, dapat dilihat bahwa data telah stasioner karena nilai-nilai
koefisien autokorelasi mengalami penurunan sampai nol setelah time-lag pertama dan kedua. Atau
dapat dikatakan cuts off (terputus) after lag q
Hasil Output:
Interpretasi:
Dari hasil output plot pacf diffTA1 diatas, dapat dilihat bahwa data telah stasioner karena nilai-nilai
koefisien autokorelasi mengalami penurunan sampai nol setelah time-lag pertama dan ketiga. Atau
dapat dikatakan cuts off (terputus) after lag q
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: ρk = 0 (nilai autokorelasi nol, data diffTA1 stasioner)
H1: ρk ≠ 0 (nilai autokorelasi bukan nol, data diffTA1 tidak stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
X-Squared = 16.737
Daerah Kritis
Kesimpulan
Karena X-Squared = 16.737 < Xhitung(0.05;10) = 18.3070, maka H0 tidak ditolak. Dengan demikian,
dapat disimpulkan bahwa nilai autokorelasi nol, data diffTA1 stasioner dengan tingkat kepercayaan
95%.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: γ = 0 (data diffTA1 memiliki unit root/tidak stasioner)
H1: γ ≠ 0 (data diffTA1 tidak memiliki unit root/stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.01
Daerah Kritis
Kesimpulan
Karena P-value = 0.01 < α = 0.05, maka H0 ditolak. Dengan demikian, dapat disimpulkan data
diffTA1 tidak memiliki unit root/stasioner dengan tingkat kepercayaan 95%.
➢ Identifikasi Model (dugaan model sementara)
Berdasarkan hasil output plot ACF & PACF diffTA1 diatas yang cuts off pada lag 1 dan lag 2, maka
dugaan model sementara yang terbentuk ialah
ARI (1,2)
IMA (2,1)
- ARIMA (1,1,2)
- ARIMA (1,1,1)
- ARIMA (2,1,2)
- ARIMA (2,1,1)
- ARIMA (1,1,0)
- ARIMA (2,1,0)
- ARIMA (0,1,2)
- ARIMA (0,1,1)

Stasioneritas dan pengujiannya, Identifikasi Model, Estimasi Model & Uji Diagnostik
➢ Pembagian data dengan komposisi data training 80% dan data testing 20%
Hasil Output:
Interpretasi:
7750,…,7750).

Hasil Output:
Interpretasi:
Berdasarkan hasil output plot time series data Close ADMF diatas, dapat dilihat bahwa data tidak
tertentu.
Hasil Output:
Interpretasi:
Dari hasil output plot acf data Close diatas, dapat dilihat bahwa data tidak stasioner karena nilai-nilai
koefisien autokorelasi tidak mengalami penurunan sampai nol setelah time-lag kedua atau ketiga
melainkan mengalami penurunan yang lambat seiring bertambahnya periode waktu.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: ρk = 0 (nilai autokorelasi nol, data Close stasioner)
H1: ρk ≠ 0 (nilai autokorelasi bukan nol, data Close tidak stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
X-Squared = 1502.7
Daerah Kritis
Kesimpulan
disimpulkan bahwa nilai autokorelasi bukan nol, data Close tidak stasioner dengan tingkat
kepercayaan 95%.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: γ = 0 (data Close ADMF memiliki unit root/tidak stasioner)
H1: γ ≠ 0 (data Close ADMF tidak memiliki unit root/stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.01
Daerah Kritis
Kesimpulan
Karena P-value = 0.01 > α = 0.05, maka H0 ditolak. Dengan demikian, dapat disimpulkan data Close
tidak memiliki unit root/stasioner dengan tingkat kepercayaan 95%.
#Setelah diuji stasioneritas, diperoleh data Close ADMF tidak stasioner maka lakukan differencing
___________________________Differencing________________________
Hasil Output:
Interpretasi:
Hasil Output:
Interpretasi:
koefisien autokorelasi dies down (turun cepat) secara eksponensial sampai nol setelah time-lag
pertama.
Hasil Output:
Interpretasi:
Dari hasil output plot pacf diffTA2 diatas, dapat dilihat bahwa data telah stasioner karena nilai-nilai
koefisien autokorelasi dies down (turun cepat) secara eksponensial sampai nol setelah time-lag
pertama.
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
X-Squared = 16.188
Daerah Kritis
Kesimpulan
95%.
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.01
Daerah Kritis
Kesimpulan
Berdasarkan hasil output plot ACF & PACF diffTA2 diatas yang cuts off pada lag 1, lag 6 dan lag 7,
ARI (1,6) & (1,7)
IMA (1,6)
- ARIMA (1,1,1)
- ARIMA (1,1,6)
- ARIMA (6,1,1)
- ARIMA (6,1,6)
- ARIMA (7,1,1)
- ARIMA (7,1,6)
- ARIMA (1,1,0)
- ARIMA (6,1,0)
- ARIMA (7,1,0)
- ARIMA (0,1,1)
- ARIMA (0,1,6)
➢ Estimasi Model (parameter) menggunakan metode ML (Maximum Likelihood)

Hasil Output model1:
̂ = 𝟖𝟐𝟎𝟒. 𝟏𝟔𝟔𝟑 + 𝟎. 𝟗𝟕𝟕𝟓𝒘𝒕−𝟏 − 𝟎. 𝟏𝟕𝟑𝟐𝒆𝒕−𝟏
Persamaan model1 yang terbentuk: 𝑾𝒕
Interpretasi:
- Jika data training ADMF variabel Close naik 1 satuan pada satu periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.9775
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model 1
saat ini mengalami penurunan sebesar -0.1732
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 1 yang diperoleh sebesar 8204.1663
̂ = 𝟖𝟐𝟏𝟒. 𝟒𝟐𝟕𝟕 + 𝟎. 𝟗𝟗𝟎𝟏𝒘𝒕−𝟏 − 𝟎. 𝟏𝟑𝟒𝟎𝒆𝒕−𝟏 +

𝟎. 𝟎𝟑𝟔𝟗𝒆𝒕−𝟐 + 𝟎. 𝟎𝟖𝟕𝟔𝒆𝒕−𝟑 + 𝟎. 𝟏𝟑𝟖𝟒𝒆𝒕−𝟒 − 𝟎. 𝟎𝟓𝟔𝟗𝒆𝒕−𝟓 + 𝟎. 𝟏𝟏𝟗𝟒𝒆𝒕−𝟔
Interpretasi:
- Jika nilai variabel lain dua periode sebelumnya konstan, maka dugaan model 2
saat ini mengalami kenaikan sebesar 0.0369
- Jika nilai variabel lain tiga periode sebelumnya konstan, maka dugaan model 2
- Jika nilai variabel lain empat periode sebelumnya konstan, maka dugaan model
2 saat ini mengalami kenaikan sebesar 0.1384
- Jika nilai variabel lain lima periode sebelumnya konstan, maka dugaan model
2 saat ini mengalami penurunan sebesar -0.0569
- Jika nilai variabel lain enam periode sebelumnya konstan, maka dugaan model
̂ = 𝟖𝟐𝟏𝟎. 𝟕𝟖𝟖𝟔 + 𝟎. 𝟔𝟐𝟖𝟐𝒘𝒕−𝟏 + 𝟎. 𝟑𝟕𝟔𝟓𝒘𝒕−𝟐 −

𝟎. 𝟎𝟕𝟕𝒘𝒕−𝟑 − 𝟎. 𝟎𝟒𝟏𝟔𝒘𝒕−𝟒 + 𝟎. 𝟏𝟓𝟒𝟒𝒘𝒕−𝟓 − 𝟎. 𝟎𝟔𝟕𝟒𝒘𝒕−𝟔 − 𝟎. 𝟓𝟐𝟕𝟕𝒆𝒕−𝟏
Interpretasi:
- Jika data training ADMF variabel Close naik 1 satuan pada dua periode sebelumnya, maka
- Jika data training ADMF variabel Close naik 1 satuan pada tiga periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.077
- Jika data training ADMF variabel Close naik 1 satuan pada empat periode sebelumnya, maka
- Jika data training ADMF variabel Close naik 1 satuan pada lima periode sebelumnya, maka
- Jika data training ADMF variabel Close naik 1 satuan pada enam periode sebelumnya, maka
̂ = 𝟖𝟐𝟐𝟐. 𝟗𝟑𝟏𝟐 + 𝟎. 𝟓𝟑𝟔𝟒𝒘𝒕−𝟏 − 𝟎. 𝟐𝟏𝟖𝟓𝒘𝒕−𝟐 +

𝟎. 𝟗𝟐𝟖𝟗𝒘𝒕−𝟑 + 𝟎. 𝟏𝟏𝟎𝟐𝒘𝒕−𝟒 − 𝟎. 𝟏𝟏𝟏𝟕𝒘𝒕−𝟓 − 𝟎. 𝟐𝟓𝟑𝟓𝒘𝒕−𝟔 − 𝟎. 𝟔𝟏𝟗𝟐𝒆𝒕−𝟏 −
𝟎. 𝟕𝟒𝟔𝟒𝒆𝒕−𝟐 + 𝟎. 𝟐𝟕𝟑𝟖𝒆𝒕−𝟑 + 𝟎. 𝟔𝟓𝟗𝟗𝒆𝒕−𝟒 + 𝟎. 𝟒𝟎𝟓𝟒𝒆𝒕−𝟓 + 𝟎. 𝟏𝟖𝟒𝟗𝒆𝒕−𝟔
Interpretasi:
̂ = 𝟖𝟐𝟎𝟎. 𝟒𝟒𝟏 + 𝟏. 𝟎𝟒𝟔𝟖𝒘𝒕−𝟏 − 𝟎. 𝟏𝟏𝟒𝟏𝒘𝒕−𝟐 +

𝟎. 𝟎𝟐𝟐𝟑𝒘𝒕−𝟑 − 𝟎. 𝟎𝟔𝟎𝟒𝒘𝒕−𝟒 + 𝟎. 𝟏𝟕𝟕𝟏𝒘𝒕−𝟓 − 𝟎. 𝟐𝟒𝟐𝟐𝒘𝒕−𝟔 + 𝟎. 𝟏𝟓𝟑𝟗𝒘𝒕−𝟕 − 𝟎. 𝟏𝟏𝟒𝟒𝒆𝒕−𝟏
Interpretasi:
- Jika data training ADMF variabel Close naik 1 satuan pada tujuh periode sebelumnya, maka
̂ = 𝟖𝟐𝟏𝟕. 𝟔𝟗𝟕𝟖 + 𝟎. 𝟓𝟐𝟔𝟏𝒘𝒕−𝟏 + 𝟎. 𝟔𝟎𝟔𝟑𝒘𝒕−𝟐 +

𝟎. 𝟒𝟐𝟏𝟖𝒘𝒕−𝟑 − 𝟎. 𝟏𝟓𝟓𝟓𝒘𝒕−𝟒 − 𝟎. 𝟑𝟒𝟓𝟕𝒘𝒕−𝟓 − 𝟎. 𝟕𝟏𝟎𝟕𝒘𝒕−𝟔 + 𝟎. 𝟔𝟓𝟎𝟖𝒘𝒕−𝟕 −
𝟎. 𝟔𝟑𝟐𝟓𝒆𝒕−𝟏 + 𝟎. 𝟎𝟔𝟏𝟕𝒆𝒕−𝟐 + 𝟎. 𝟔𝟗𝟎𝟔𝒆𝒕−𝟑 + 𝟎. 𝟔𝟖𝟗𝟐𝒆𝒕−𝟒 + 𝟎. 𝟏𝟑𝟖𝟒𝒆𝒕−𝟓 − 𝟎. 𝟔𝟑𝟑𝟐𝒆𝒕−𝟔
Interpretasi:

̂ = 𝟖𝟐𝟎𝟐. 𝟖𝟑𝟗𝟖 + 𝟎. 𝟗𝟖𝟑𝟕𝒘𝒕−𝟏
Interpretasi:
̂ = 𝟖𝟐𝟎𝟖. 𝟓𝟓𝟑𝟐 + 𝟏. 𝟏𝟒𝟕𝟒𝒘𝒕−𝟏 − 𝟎. 𝟐𝟏𝟕𝟔𝒘𝒕−𝟐 +

𝟎. 𝟎𝟑𝟏𝟖𝒘𝒕−𝟑 − 𝟎. 𝟎𝟒𝟔𝟒𝒘𝒕−𝟒 + 𝟎. 𝟏𝟑𝟐𝟓𝒘𝒕−𝟓 − 𝟎. 𝟎𝟔𝟓𝟐𝒘𝒕−𝟔
Interpretasi:
̂ = 𝟖𝟐𝟏𝟎. 𝟐𝟐𝟏𝟕 + 𝟏. 𝟏𝟓𝟗𝟒𝒘𝒕−𝟏 − 𝟎. 𝟐𝟒𝟑𝟔𝒘𝒕−𝟐 +

𝟎. 𝟎𝟒𝟕𝟓𝒘𝒕−𝟑 − 𝟎. 𝟎𝟔𝟓𝟐𝒘𝒕−𝟒 + 𝟎. 𝟏𝟖𝟓𝟕𝒘𝒕−𝟓 − 𝟎. 𝟐𝟕𝟎𝟗𝒘𝒕−𝟔 + 𝟎. 𝟏𝟕𝟐𝟖𝒘𝒕−𝟕
Interpretasi:
̂ = 𝟖𝟏𝟖𝟏. 𝟐𝟔𝟑𝟓 − 𝟎. 𝟗𝟐𝟓𝟓𝒆𝒕−𝟏

̂ = 𝟖𝟏𝟖𝟒. 𝟖𝟎𝟎𝟕 − 𝟏. 𝟑𝟖𝟑𝟓𝒆𝒕−𝟏 − 𝟏. 𝟒𝟔𝟖𝟐𝒆𝒕−𝟐 −

𝟏. 𝟑𝟗𝟔𝟔𝒆𝒕−𝟑 − 𝟏. 𝟎𝟔𝟑𝟕𝒆𝒕−𝟒 − 𝟎. 𝟖𝟑𝟖𝟎𝒆𝒕−𝟓 − 𝟎. 𝟑𝟎𝟕𝟏𝒆𝒕−𝟔
Interpretasi:
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model
- Jika nilai variabel lain dua periode sebelumnya konstan, maka dugaan model
- Jika nilai variabel lain tiga periode sebelumnya konstan, maka dugaan model
11 saat ini mengalami penuruna sebesar -1.3966
➢ Uji diagnostik
a) Menghitung Residual
b) Uji White Noise dengan Ljung-Box test
• Model1
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 1 white noise
H1 : Sekurang-kurangnya ada satu residual model 1 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.4732
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.4732 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 1 white noise dengan tingkat kepercayaan 95%.
• Model 2
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.8202
Daerah Kritis
Kesimpulan
• Model 3
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.6842
Daerah Kritis
Kesimpulan
• Model 4
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.9888
Daerah Kritis
Kesimpulan
• Model 5
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.8951
Daerah Kritis
Kesimpulan
• Model 6
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.9934
Daerah Kritis
Kesimpulan
• Model 7
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.1032
Daerah Kritis
Kesimpulan
• Model 8
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.5256
Daerah Kritis
Kesimpulan
• Model 9
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.936
Daerah Kritis
Kesimpulan
• Model 10
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 2.2e-16
Daerah Kritis
Kesimpulan
Karena P-value = 2.2e-16 < α = 0.05, maka H0 ditolak. Dengan demikian, dapat disimpulkan
bahwa sekurang-kurangnya ada satu residual model 10 tidak white noise dengan tingkat
kepercayaan 95%.
• Model 11
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 2.2e-16
Daerah Kritis
Kesimpulan
Karena P-value = 2.2e-16 < α = 0.05, maka H0 ditolak. Dengan demikian, dapat disimpulkan
bahwa sekurang-kurangnya ada satu residual model 11 tidak white noise dengan tingkat
kepercayaan 95%.
c) Uji Distribusi Normal Residual dengan Kolmogorv Smirnov

• Model 1
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 1 berdistribusi normal
H1 : Residual model 1 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.0501
Daerah Kritis
Kesimpulan
disimpulkan bahwa residual model 1 berdistribusi normal dengan tingkat kepercayaan 95%.
• Model 2
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.06181
Daerah Kritis
Kesimpulan
• Model 3
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.05447
Daerah Kritis
Kesimpulan
• Model 4
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.01381
Daerah Kritis
Kesimpulan
Karena P-value = 0.01381 < α = 0.025, maka H0 ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 4 tidak berdistribusi normal dengan tingkat kepercayaan
95%.
• Model 5
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.05104
Daerah Kritis
Kesimpulan
• Model 6
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.0345
Daerah Kritis
Kesimpulan
Karena P-value = 0.0345 < α = 0.025, maka H0 ditolak. Dengan demikian, dapat disimpulkan
bahwa residual model 6 tidak berdistribusi normal dengan tingkat kepercayaan 95%.
• Model 7
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.007986
Daerah Kritis
Kesimpulan
95%.
• Model 8
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.02863
Daerah Kritis
Kesimpulan
95%.
• Model 9
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.03889
Daerah Kritis
Kesimpulan
95%.
• Model 10
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.2307
Daerah Kritis
Kesimpulan
Karena P-value = 0.2307 < α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
• Model 11
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.5163
Daerah Kritis
Kesimpulan
Karena P-value = 0.5163 < α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat

Stasioneritas dan pengujiannya, Identifikasi Model, Estimasi Model, Uji Diagnostik, Peramalan & Uji
Keakurasian dan Perbandingan Model
➢ Pembagian data menjadi data training dan testing dengan perbandingan 80%:20%
Hasil Output:
Interpretasi:
1935,…,2320).

Hasil Output:
Interpretasi:
Berdasarkan hasil output plot time series data Close ANTM diatas, dapat dilihat bahwa data tidak
tertentu.
Hasil Output:
Interpretasi:
koefisien autokorelasi dies down (turun cepat) secara eksponensial sampai nol setelah time-lag ketiga.
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
X-Squared = 45.528
Daerah Kritis
Kesimpulan
disimpulkan bahwa nilai autokorelasi bukan nol, data diffTA3 tidak stasioner dengan tingkat
kepercayaan 95%.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: γ = 0 (data Close ANTM memiliki unit root/tidak stasioner)
H1: γ ≠ 0 (data Close ANTM tidak memiliki unit root/stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.3767
Daerah Kritis
Kesimpulan
Karena P-value = 0.3767 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat disimpulkan
data Close ANTM memiliki unit root/ tidak stasioner dengan tingkat kepercayaan 95%.
#Setelah diuji stasioneritas, diperoleh data Close ANTM tidak stasioner maka lakukan differencing
___________________________Differencing________________________
Hasil Output:
Interpretasi:
Hasil Output:
Interpretasi:
koefisien autokorelasi dies down (turun cepat) secara eksponensial melewati nol setelah time-lag
pertama.
Hasil Output:
Interpretasi:
koefisien autokorelasi dies down (turun cepat) secara eksponensial melewati nol setelah time-lag
pertama.
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
X-Squared = 10.498
Daerah Kritis
Kesimpulan
95%.
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.0444
Daerah Kritis
Kesimpulan
Berdasarkan hasil output plot ACF & PACF diffTA3 diatas yang cuts off pada lag ke-9, maka
ARI (9,0)
IMA (0,9)
- ARIMA (9,1,0)
- ARIMA (9,1,9)
- ARIMA (0,1,9)
➢ Estimasi Model (parameter)

• Model 1
Hasil Output:
̂ = 𝟖𝟎𝟐. 𝟑𝟎𝟓𝟖 + 𝟎. 𝟐𝟐𝟎𝟔𝒘𝒕−𝟏 + 𝟎. 𝟐𝟐𝟓𝟒𝒘𝒕−𝟐 −

𝟎. 𝟎𝟑𝟗𝟐𝒘𝒕−𝟑 − 𝟎. 𝟎𝟖𝟕𝟓𝒘𝒕−𝟒 + 𝟎. 𝟎𝟕𝟐𝟒𝒘𝒕−𝟓 + 𝟎. 𝟏𝟖𝟖𝟏𝒘𝒕−𝟔 − 𝟎. 𝟐𝟓𝟗𝟓𝒘𝒕−𝟕 −
𝟎. 𝟎𝟒𝟓𝟏𝒘𝒕−𝟖 − 𝟎. 𝟑𝟐𝟑𝟏𝒘𝒕−𝟗
Interpretasi:
- Jika data training ANTM variabel Close naik 1 satuan pada satu periode sebelumnya, maka
data training ANTM variabel Close saat ini diprediksi naik sebesar 0.2206
- Jika data training ANTM variabel Close naik 1 satuan pada dua periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada tiga periode sebelumnya, maka
data training ANTM variabel Close saat ini diprediksi turun sebesar -0.0392
- Jika data training ANTM variabel Close naik 1 satuan pada empat periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada lima periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada enam periode sebelumnya, maka
data training ANTM variabel Close saat ini diprediksi naik sebesar -0.1881
- Jika data training ANTM variabel Close naik 1 satuan pada tujuh periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada delapan periode sebelumnya,
maka data training ANTM variabel Close saat ini diprediksi turun sebesar -0.0451
- Jika data training ANTM variabel Close naik 1 satuan pada sembilan periode sebelumnya,
- Untuk intercept, jika data training ANTM variabel Close konstan, maka jumlah
• Model 2
Hasil Output:
̂ = 𝟖𝟎𝟔. 𝟒𝟏𝟒𝟒 + 𝟎. 𝟕𝟖𝟖𝟎𝒘𝒕−𝟏 − 𝟎. 𝟕𝟒𝟕𝟖𝒘𝒕−𝟐 +

𝟎. 𝟓𝟔𝟗𝟔𝒘𝒕−𝟑 + 𝟎. 𝟐𝟏𝟑𝟎𝒘𝒕−𝟒 − 𝟎. 𝟔𝟐𝟖𝟑𝒘𝒕−𝟓 + 𝟎. 𝟔𝟐𝟓𝟒𝒘𝒕−𝟔 − 𝟎. 𝟔𝟎𝟓𝟎𝒘𝒕−𝟕 +
𝟎. 𝟑𝟒𝟕𝟒𝒘𝒕−𝟖 − 𝟎. 𝟒𝟐𝟎𝟓𝒘𝒕−𝟗 + 𝟎. 𝟎𝟐𝟐𝟐𝒆𝒕−𝟏 − 𝟎. 𝟕𝟒𝟓𝟑𝒆𝒕−𝟐 + 𝟎. 𝟑𝟑𝟐𝟕𝒆𝒕−𝟑 +
𝟎. 𝟕𝟏𝟕𝟎𝒆𝒕−𝟒 − 𝟎. 𝟐𝟏𝟏𝟔𝒆𝒕−𝟓 + 𝟎. 𝟓𝟎𝟎𝟕𝒆𝒕−𝟔 − 𝟎. 𝟎𝟗𝟎𝟕𝒆𝒕−𝟕 + 𝟎. 𝟎𝟖𝟏𝟎𝒆𝒕−𝟖 + 𝟎. 𝟑𝟐𝟓𝟗𝒆𝒕−𝟗
Interpretasi:
- Jika data training ANTM variabel Close naik 1 satuan pada satu periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada dua periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada tiga periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada empat periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada lima periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada enam periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada tujuh periode sebelumnya, maka
- Jika data training ANTM variabel Close naik 1 satuan pada delapan periode sebelumnya,
maka data training ANTM variabel Close saat ini diprediksi naik sebesar 0.3474
- Jika data training ANTM variabel Close naik 1 satuan pada sembilan periode sebelumnya,
- Jika nilai variabel lain tujuh periode sebelumnya konstan, maka dugaan model
- Jika nilai variabel lain delapan periode sebelumnya konstan, maka dugaan
model 2 saat ini mengalami kenaikan sebesar 0.0810
- Jika nilai variabel lain sembilan periode sebelumnya konstan, maka dugaan
• Model 3
Hasil Output:
̂ = 𝟕𝟗𝟗. 𝟖𝟒𝟐𝟓 − 𝟎. 𝟕𝟖𝟒𝟎𝒆𝒕−𝟏 − 𝟎. 𝟐𝟑𝟔𝟑𝒆𝒕−𝟐 −
𝟎. 𝟏𝟏𝟖𝟐𝒆𝒕−𝟑 + 𝟎. 𝟑𝟓𝟎𝟓𝒆𝒕−𝟒 + 𝟎. 𝟓𝟒𝟐𝟏𝒆𝒕−𝟓 + 𝟎. 𝟑𝟔𝟏𝟑𝒆𝒕−𝟔 + 𝟎. 𝟐𝟖𝟐𝟖𝒆𝒕−𝟕 + 𝟎. 𝟏𝟖𝟕𝟑𝒆𝒕−𝟖 +
𝟎. 𝟒𝟏𝟒𝟐𝒆𝒕−𝟗
Interpretasi:
- Jika nilai variabel lain tujuh periode sebelumnya konstan, maka dugaan model
- Jika nilai variabel lain delapan periode sebelumnya konstan, maka dugaan
- Jika nilai variabel lain sembilan periode sebelumnya konstan, maka dugaan
➢ Uji Diagnostik
1) Perhitungan Residual
2) Uji White Noise dengan Ljung-Box test

• Model 1
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.9997
Daerah Kritis
Kesimpulan
• Model 2
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.9963
Daerah Kritis
Kesimpulan
• Model 3
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.7489
Daerah Kritis
Kesimpulan
3) Uji Distribusi Normal Residual dengan Kolmogorv Smirnov

• Model 1
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.5749
Daerah Kritis
Kesimpulan
• Model 2
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.9701
Daerah Kritis
Kesimpulan
• Model 3
Hasil Output:
Uji Hipotesis:
Hipotesis
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.7401
Daerah Kritis
Kesimpulan
➢ Peramalan (12 periode berikutnya/bulan)

• Model 1
Hasil Output:
Interpretasi:
- Peramalan pada Nov-21 sebesar 1107.8036 dengan standar errorsebesar 88.27075
- Peramalan pada Des-21 sebesar 1093.4436 dengan standar errorsebesar 114.73616
- Peramalan pada Jan-22 sebesar 1076.8240 dengan standar errorsebesar 120.27247
hingga
- Peramalan pada Okt-22 sebesar 613.2041 dengan standar errorsebesar 143.47481
• Model 2
Hasil Output:
Interpretasi:
hingga
• Model 3
Hasil Output:
Interpretasi:
hingga
➢ Model Terbaik
❖ Perhitungan MSE
dimana:
Yt = nilai data sesungguhnya pada periode ke-t
Ŷt = nilai ramalan pada periode ke-t
n = banyaknya data
Peramalan Perhitungan MSE

Time Data Aktual
model 1 model 2 model 3 model 1 (Data Aktual - Peramalan)^2 model 2 model 3
49 1145 1107.8036 1101.8999 1049.0209 1383.572173 1857.619 9211.98764
50 1935 1093.4436 1140.5126 966.8277 708217.1744 631210.2288 937357.602
51 2220 1076.824 1065.2557 938.2075 1306851.367 1333434.398 1642992.01
52 2840 1018.8128 985.0104 836.6354 3316722.817 3440986.416 4013469.72
53 2250 899.626 937.2831 795.5482 1823509.94 1723225.66 2115430.04
54 2490 909.5506 971.088 763.5235 2497820.306 2307093.664 2980721.11
55 2450 784.8691 790.65780 794.9671 2772660.914 2753416.537 2739133.9
56 2300 775.5081 792.1738 794.3419 2324075.553 2273539.849 2267006.31
57 2520 644.7169 720.97000 726.8142 3516686.705 3236508.941 3215515.31
58 2390 603.3984 640.49940 799.8425 3191945.277 3060752.349 2528600.87
59 2290 573.3815 547.85840 799.8425 2946779.075 3035057.354 2220569.37
60 2320 613.2041 661.94640 799.8425 2913152.244 2749141.74 2310878.82
Total 27319804.95 26546224.7565 26980887.1
Uji Diagnostik Uji normal, White noise
Penyelesaian:
27319804.95
- Nilai MSE model 1 = → 2276650.412
12
26546224.7665
- Nilai MSE model 2 = → 2212185.396
12
26980887.1
- Nilai MSE model 3 = → 2248407.256
12
Interpretasi:
Berdasarkan hasil perhitungan diatas, dapat diketahui bahwa nilai MSE pada model 2 lebih kecil
sehingga kesalahan pada model 2 lebih kecil dibandingkan dua model lainnya yakni model 1 dan
model 3 maka, hasil peramalan akan mendekati tepat. Atau dapat dikatakan model 2 lebih akurat
dibandingkan model 1 dan model 3.
Perhitungan MAPE
Dimana:
T = Banyaknya periode peramalan/dugaan (banyaknya data testing)

Peramalan Perhitungan MAPE
Time Data Aktual
model 1 model 2 model 3 model 1 (Data Aktual - Peramalan)/Data Aktual model 2 model 3
49 1145 1107.804 1101.8999 1049.0209 0.032485939 0.038 0.08382
50 1935 1093.444 1140.5126 966.8277 0.434912868 0.411 0.50035
51 2220 1076.824 1065.2557 938.2075 0.514944144 0.520 0.57738
52 2840 1018.813 985.0104 836.6354 0.641263099 0.653 0.70541
53 2250 899.626 937.2831 795.5482 0.600166222 0.583 0.64642
54 2490 909.5506 971.088 763.5235 0.634718635 0.610 0.69336
55 2450 784.8691 790.65780 794.9671 0.679645265 0.677 0.67552
56 2300 775.5081 792.1738 794.3419 0.662822565 0.656 0.65463
57 2520 644.7169 720.97000 726.8142 0.74415996 0.714 0.71158
58 2390 603.3984 640.49940 799.8425 0.74753205 0.732 0.66534
59 2290 573.3815 547.85840 799.8425 0.749615066 0.761 0.65072
60 2320 613.2041 661.94640 799.8425 0.735687888 0.715 0.65524
Total 7.177953701 7.0692 7.21979
Uji Diagnostik Uji normal, White noise
Penyelesaian:
7.177953701
- Nilai MAPE model 1 = 𝑥 100% → 59.81628084
12
7.0692
12
7.21979
12
Interpretasi:
Berdasarkan hasil perhitungan diatas, dapat diketahui bahwa nilai MAPE ketiga model yakni model
1, 2 dan 3 sama-sama tidak memiliki kinerja yang bagus karena nilainya berada di atas 10%.
Sehingga, dapat dikatakan bahwa ketiga model tersebut tidak akurat namun interpretasinya ialah
nilai MAPE pada model 2 lebih kecil sehingga kesalahan pada model 2 lebih kecil dibandingkan
dua model lainnya yakni model 1 dan model 3 maka, model 2 cukup lebih akurat dibandingkan
model 1 dan model 3
❖ Perhitungan RMSE
Penyelesaian:
- Nilai RMSE model 1 = √2276650.412 → 1508.85732
- Nilai RMSE model 2 = √2212185.396 → 1487.341721
- Nilai RMSE model 3 = √2248407.256 → 1499.468991
Interpretasi:
Berdasarkan hasil perhitungan diatas, dapat diketahui bahwa nilai RMSE pada
model 2 lebih kecil sehingga kesalahan pada model 2 lebihkecil dibandingkan
dua model lainnya yakni model 1 dan model 3 maka, hasil peramalan akan
mendekati tepat. Atau dapat dikatakan model 2 lebih akurat dibandingkan model
1 dan model 3.
❖ Nilai AIC
• Model 1
Hasil Output:
Dengan nilai AIC sebesar 594.05
• Model 2
Hasil Output:
• Model 3
Hasil Output:
Model AIC
ARIMA (9,0,0) 594.05
ARIMA (9,0,9) 602.93
ARIMA (0,0,9) 596.99
Interpretasi:
Berdasarkan hasil output penentuan model terbaik dengan melihat nilai AIC diatas, diperoleh
model ARIMA (9,0,0) dengan nilai AIC terkecil.
❖ Penentuan Model Terbaik

Berdasarkan keempat uji keakurasian, diperoleh bahwa model terbaik ada pada model 2.
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil analisis dan pembahasan pada bab sebelumnya, diperoleh beberapa kesimpulan
diantaranya:
➢ Nomor 1
a. Pembagian data menjadi data training dan testing dengan perbandingan 80%:20% dengan
panjang data 245 data, secara berturut-turut didapatkan untuk data training start dari 1-196 (378,
378,…,420), sedangkan data testing sisanya yakni start dari 197-245 (420, 420,…,404).
b. Berdasarkan hasil output plot ACF & PACF diffTA1 diatas yang cuts off pada lag 1 dan lag 2,
maka dugaan model sementara yang terbentuk ialah 8 model:
- ARIMA (1,1,2)
- ARIMA (1,1,1)
- ARIMA (2,1,2)
- ARIMA (2,1,1)
- ARIMA (1,1,0)
- ARIMA (2,1,0)
- ARIMA (0,1,2)
- ARIMA (0,1,1)
➢ Nomor 2
a. Pembagian data menjadi data training dan testing dengan perbandingan 80%:20% dengan panjang
data 245 data, secara berturut-turut didapatkan untuk data training start dari 1-196 (8725,
b. Berdasarkan hasil output plot ACF & PACF diffTA2 diatas yang cuts off pada lag 1, lag 6 dan
lag 7, maka dugaan model sementara yang terbentuk ialah 11 model:
- ARIMA (1,1,1)
- ARIMA (1,1,6)
- ARIMA (6,1,1)
- ARIMA (6,1,6)
- ARIMA (7,1,1)
- ARIMA (7,1,6)
- ARIMA (1,1,0)
- ARIMA (6,1,0)
- ARIMA (7,1,0)
- ARIMA (0,1,1)
- ARIMA (0,1,6)
c. Estimasi parameter model menggunakan metode maximumlikelihood menghasilkan persamaan

̂ = 𝟖𝟐𝟎𝟒. 𝟏𝟔𝟔𝟑 + 𝟎. 𝟗𝟕𝟕𝟓𝒘𝒕−𝟏 − 𝟎. 𝟏𝟕𝟑𝟐𝒆𝒕−𝟏 dimana, jika data training ADMF
model : 𝑾𝒕
variabel Close naik 1 satuan pada satu periode sebelumnya, maka data training ADMF variabel
Close saat ini diprediksi naik sebesar 0.9775 dan jika nilai variabel lain satu periode sebelumnya
konstan, maka dugaan model 1 saat ini mengalami penurunan sebesar -0.1732, kemudia untuk
intercept, jika data training ADMF variabel Close konstan, maka jumlah nilai dugaan model 1
yang diperoleh sebesar 8204.1663
(ambil salah satu contoh model)
d. Uji diagnostik dari model yang terbentuk menghasilkan kesimpulan untuk model 1-9 residual
white noise, sedangkan untuk model 10-11 sekurang-kurangnya ada satu residual tidak white
noise dan menghasilkan kesimpulan untuk model 1-3,5,10-11 residual berdistribusi normal
sedangkan untuk model 4,6-9 residual tidak berdistribusi normal
➢ Nomor 3
a. Pembagian data menjadi data training dan testing dengan perbandingan 80%:20% dengan panjang
data 60 data, secara berturut-turut didapatkan untuk data training start dari 1-48 (970,
b. Berdasarkan hasil output plot ACF & PACF diffTA3 diatas yang cuts off pada lag ke-9, maka
dugaan model sementara yang terbentuk ialah 3 model:
- ARIMA (9,1,0)
- ARIMA (9,1,9)
- ARIMA (0,1,9)
c. Estimasi parameter model menggunakan metode maximumlikelihood menghasilkan persamaan

̂ = 𝟖𝟎𝟐. 𝟑𝟎𝟓𝟖 + 𝟎. 𝟐𝟐𝟎𝟔𝒘𝒕−𝟏 + 𝟎. 𝟐𝟐𝟓𝟒𝒘𝒕−𝟐 − 𝟎. 𝟎𝟑𝟗𝟐𝒘𝒕−𝟑 − 𝟎. 𝟎𝟖𝟕𝟓𝒘𝒕−𝟒 +
model : 𝑾𝒕
𝟎. 𝟎𝟕𝟐𝟒𝒘𝒕−𝟓 + 𝟎. 𝟏𝟖𝟖𝟏𝒘𝒕−𝟔 − 𝟎. 𝟐𝟓𝟗𝟓𝒘𝒕−𝟕 − 𝟎. 𝟎𝟒𝟓𝟏𝒘𝒕−𝟖 − 𝟎. 𝟑𝟐𝟑𝟏𝒘𝒕−𝟗 dimana, jika
data training ANTM variabel Close naik 1 satuan pada satu periode sebelumnya, maka data
training ANTM variabel Close saat ini diprediksi naik sebesar 0.2206, data training ANTM
variabel Close naik 1 satuan pada dua periode sebelumnya, maka data training ANTM variabel
Close saat ini diprediksi naik sebesar 0.2254J, data training ANTM variabel Close naik 1 satuan
pada tiga periode sebelumnya, maka data training ANTM variabel Close saat ini diprediksi turun
sebesar -0.0392, data training ANTM variabel Close naik 1 satuan pada empat periode
sebelumnya, maka data training ANTM variabel Close saat ini diprediksi turun sebesar -0.0875,
data training ANTM variabel Close naik 1 satuan pada lima periode sebelumnya, maka data
training ANTM variabel Close saat ini diprediksi naik sebesar 0.0724, data training ANTM
variabel Close naik 1 satuan pada enam periode sebelumnya, maka data training ANTM variabel
Close saat ini diprediksi naik sebesar -0.1881, data training ANTM variabel Close naik 1 satuan
pada tujuh periode sebelumnya, maka data training ANTM variabel Close saat ini diprediksi turun
sebesar -0.2595, data training ANTM variabel Close naik 1 satuan pada delapan periode
sebelumnya, maka data training ANTM variabel Close saat ini diprediksi turun sebesar -0.0451,
data training ANTM variabel Close naik 1 satuan pada sembilan periode sebelumnya, maka data
training ANTM variabel Close saat ini diprediksi turun sebesar -0.3231 dan untuk intercept, jika
data training ANTM variabel Close konstan, maka jumlah nilai dugaan model 1 yang diperoleh
sebesar 802.3058
(ambil salah satu contoh model)
d. Uji diagnostik dari model yang terbentuk menghasilkan kesimpulan untuk model 1-3 residual
white noise dan residual berdistribusi normal
e. Peramalan yang berhasil diramalkan ialah model 1 dimana didapatkan peramalan untuk 12
periode (bulan) kedepannya yakni Nov-21 s/d Okt-22 dengan nilai peramalannya sebagai berikut
1107.8036, 1093.4436,…, 613.2041.
(ambil salah satu peramalan model).
f. Dari keempat uji keakurasian, diperoleh bahwa model terbaik ada pada model 2 karena hasil
peramalan pada model 2 mendekati tepat yang artinya dapat dikatakan akurat serta kesalahannya
lebih kecil dibandingkan model 1 dan 3.
5.2 Saran
Untuk melakukan sebuah uji untuk soal pada studi kasus yang ada alangkah baik terlebih dahulu kita
mengetahui asumsi – asumsi atau metode-metode yang tepat yang diperlukan dalam melakukan uji tersebut
sehingga pada hasil output yang telah dianalisis sesuai dengan uji digunakan.
Daftar Pustaka
https://adoc.pub/bab-1-pendahuluan-11-latar-belakang107fb9bde5992b41c63dafc0844f486323648.html
https://www.google.com/search?q=metode+maximum+likelihood&sxsrf=ALiCzsbfa99-
WZ3mQYr61EFNQIH_cfDk9Q%3A1669787511409&ei=d--
GY_zMGNiMxc8PuYCigA4&oq=metode+maximum&gs_lcp=Cgxnd3Mtd2l6LXNlcnAQARgAMggIAB
CABBDLATIGCAAQFhAeMgYIABAWEB4yBggAEBYQHjIGCAAQFhAeMgYIABAWEB4yCAgAE
BYQHhAPMgYIABAWEB4yBggAEBYQHjIGCAAQFhAeOgoIABBHENYEELADOgcIABCwAxBDO
gUIABCABDoECCMQJzoGCCMQJxATOgUIIRCgAUoECEEYAEoECEYYAFDlA1jqJGDMLmgCcAF
4AYABqgKIAbkUkgEGNS4xMy4ymAEAoAEByAEKwAEB&sclient=gws-wiz-serp
https://www.google.com/search?q=metode+least+square&oq=metode+leas&aqs=chrome.0.0l2j69i57j0l5.4
261j0j8&sourceid=chrome&ie=UTF-8
https://www.google.com/search?q=pengertian+peramalan+runtun+waktu&sxsrf=ALiCzsbQFgr9vl_qDPEc
m-Rsh9nyc_m_Dg%3A1669787778897&ei=gvCGY-
SuNsyMxc8P2NmMwAc&ved=0ahUKEwjk96SbnNX7AhVMRvEDHdgsA3gQ4dUDCA8&uact=5&oq=
pengertian+peramalan+runtun+waktu&gs_lcp=Cgxnd3Mtd2l6LXNlcnAQAzIGCAAQFhAeOgoIABBHE
NYEELADOgoIABCABBAKEMsBOgUIABCABDoECCMQJzoICAAQgAQQywFKBAhBGABKBAhG
GABQvwRYq0Jg5ERoAXABeACAAZEDiAHJIZIBCjIuMTEuNi4yLjGYAQCgAQHIAQjAAQE&sclie
nt=gws-wiz-serp
http://lib.unnes.ac.id/2079/1/4212.pdf
https://www.google.com/search?q=uji+ljung+box+pengertian&sxsrf=ALiCzsb_oFxafCqLU5z9_dhCKFF
DOHHLrg%3A1669787950199&ei=LvGGY_beC_irxc8P2Zi94As&oq=uji+ljung+box+pengerti&gs_lcp=
Cgxnd3Mtd2l6LXNlcnAQARgAMgUIIRCgATIFCCEQoAEyBQghEKABOgcIIxDqAhAnOgQIABBDO
gsIABCABBCxAxCDAToFCAAQgAQ6BAgjECc6CAgAEIAEEMsBOgcIABCABBATOggIABAWEB4
QEzoGCAAQFhAeOgQIIRAVSgQIQRgASgQIRhgAUL7HcViD_nFg84lyaAJwAXgCgAHCBIgBjSKSA
QwyLjE0LjMuMS4xLjGYAQCgAQGwAQrAAQE&sclient=gws-wiz-serp
Lampiran
Langkah-langkah kerja untuk data percobaan diatas, diantaranya:
a) Buka R kemudian import data excel harga saham AKSI, AMDF,
ANTM dan run untuk panggil data nya
b) Selanjutnya, bagi data menjadi data training dan testing
dengan komposisi 80%:20% dan lihat hasil outputnya
c) Estimasi parameter model menggunakan metode
maximum likelihood untuk model arima (1,0,1) & (9, 0,
1) dengan sintax seperti di bawah ini kemudian lihat
hasil outputnya (Misal: ambil salah satu contoh
model per soal)
d) Uji diagnostic (white noise dan distribusi normal)

dengan sintax dibawah ini kemudian lihat hasil
outputnya (Misal: ambil salah satu contoh hasil
output model per soal)
e) Lakukan peramalan dengan sintax dibawah ini, kemudian lihat hasil outputnya (ambil
salah satu contoh hasil output peramalan model)

Ta Prak PRW

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ta Prak PRW

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN AKHIR

PRAKTIKUM PENGANTAR RUNTUN WAKTU

Nama : Maria Jeanne Natalia Pakaenoni

FAKULTAS SAINS TERAPAN

INSTITUT SAINS & TEKNOLOGI AKPRIND

Yogyakarta, 30 November 2022

1.2 Rumusan Masalah

1.3 Batasan Masalah

iii. Metode Maximum Likelihood

3.3 Metode Analisis Data

2) Identifikasi – Uji Diagnostik

3) Identifikasi – Model Terbaik

➢ Uji Stasioneritas Data

➢ Identifikasi Model (dugaan model sementara)

4.2 judul metode pada soal 2

➢ Uji Stasioneritas Data

➢ Identifikasi Model (dugaan model sementara)

➢ Estimasi Model (parameter) menggunakan metode ML (Maximum Likelihood)

Hasil Output model2:

̂ = 𝟖𝟐𝟏𝟒. 𝟒𝟐𝟕𝟕 + 𝟎. 𝟗𝟗𝟎𝟏𝒘𝒕−𝟏 − 𝟎. 𝟏𝟑𝟒𝟎𝒆𝒕−𝟏 +

Hasil Output model3:

̂ = 𝟖𝟐𝟏𝟎. 𝟕𝟖𝟖𝟔 + 𝟎. 𝟔𝟐𝟖𝟐𝒘𝒕−𝟏 + 𝟎. 𝟑𝟕𝟔𝟓𝒘𝒕−𝟐 −

Hasil Output model4:

̂ = 𝟖𝟐𝟐𝟐. 𝟗𝟑𝟏𝟐 + 𝟎. 𝟓𝟑𝟔𝟒𝒘𝒕−𝟏 − 𝟎. 𝟐𝟏𝟖𝟓𝒘𝒕−𝟐 +

Hasil Output model5:

̂ = 𝟖𝟐𝟎𝟎. 𝟒𝟒𝟏 + 𝟏. 𝟎𝟒𝟔𝟖𝒘𝒕−𝟏 − 𝟎. 𝟏𝟏𝟒𝟏𝒘𝒕−𝟐 +

Hasil Output model6:

̂ = 𝟖𝟐𝟏𝟕. 𝟔𝟗𝟕𝟖 + 𝟎. 𝟓𝟐𝟔𝟏𝒘𝒕−𝟏 + 𝟎. 𝟔𝟎𝟔𝟑𝒘𝒕−𝟐 +

Hasil Output model7:

Hasil Output model8:

̂ = 𝟖𝟐𝟎𝟖. 𝟓𝟓𝟑𝟐 + 𝟏. 𝟏𝟒𝟕𝟒𝒘𝒕−𝟏 − 𝟎. 𝟐𝟏𝟕𝟔𝒘𝒕−𝟐 +

Hasil Output model9:

̂ = 𝟖𝟐𝟏𝟎. 𝟐𝟐𝟏𝟕 + 𝟏. 𝟏𝟓𝟗𝟒𝒘𝒕−𝟏 − 𝟎. 𝟐𝟒𝟑𝟔𝒘𝒕−𝟐 +

Hasil Output model10:

̂ = 𝟖𝟏𝟖𝟏. 𝟐𝟔𝟑𝟓 − 𝟎. 𝟗𝟐𝟓𝟓𝒆𝒕−𝟏

Hasil Output model11:

̂ = 𝟖𝟏𝟖𝟒. 𝟖𝟎𝟎𝟕 − 𝟏. 𝟑𝟖𝟑𝟓𝒆𝒕−𝟏 − 𝟏. 𝟒𝟔𝟖𝟐𝒆𝒕−𝟐 −

c) Uji Distribusi Normal Residual dengan Kolmogorv Smirnov

4.3 judul metode pada soal 3

➢ Uji Stasioneritas Data

➢ Identifikasi Model (dugaan model sementara)

➢ Estimasi Model (parameter)

̂ = 𝟖𝟎𝟐. 𝟑𝟎𝟓𝟖 + 𝟎. 𝟐𝟐𝟎𝟔𝒘𝒕−𝟏 + 𝟎. 𝟐𝟐𝟓𝟒𝒘𝒕−𝟐 −

̂ = 𝟖𝟎𝟔. 𝟒𝟏𝟒𝟒 + 𝟎. 𝟕𝟖𝟖𝟎𝒘𝒕−𝟏 − 𝟎. 𝟕𝟒𝟕𝟖𝒘𝒕−𝟐 +

2) Uji White Noise dengan Ljung-Box test

3) Uji Distribusi Normal Residual dengan Kolmogorv Smirnov

➢ Peramalan (12 periode berikutnya/bulan)

Peramalan Perhitungan MSE

T = Banyaknya periode peramalan/dugaan (banyaknya data testing)

Dengan nilai AIC sebesar 594.05

Dengan nilai AIC sebesar 602.93

Dengan nilai AIC sebesar 596.99

❖ Penentuan Model Terbaik

c. Estimasi parameter model menggunakan metode maximumlikelihood menghasilkan persamaan

c. Estimasi parameter model menggunakan metode maximumlikelihood menghasilkan persamaan

d) Uji diagnostic (white noise dan distribusi normal)

Anda mungkin juga menyukai