Ta Prak PRW
Ta Prak PRW
KELOMPOK B
Disusun Oleh :
NIM : 201064001
Jurusan : Statistika
JURUSAN STATISTIKA
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.
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
2.2 Teori yang lengkap dan banyak sesuai metode data yg dianalisis dan variabelnya.............................................. 7
2.3 Teori yang lengkap dan banyak sesuai metode data yg dianalisis dan variabelnya.............................................. 9
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
4.2 judul metode pada soal 2 .................................................................................................................................... 22
4.3 judul metode pada soal 3 .................................................................................................................................... 56
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
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
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.
2.2 Teori yang lengkap dan banyak sesuai metode data yg dianalisis dan variabelnya
➢ 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
➢ 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.
2.3 Teori yang lengkap dan banyak sesuai metode data yg dianalisis dan variabelnya
➢ 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
• 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.
➢ 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).
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
H0 ditolak jika, X-Squared > Xhitung(0.05;1)
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
H0 ditolak jika, P-value < α
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%.
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)
➢ 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 (8725, 8725,…,7800), sedangkan data testing sisanya yakni start dari 197-245 (7700,
7750,…,7750).
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
H0 ditolak jika, X-Squared > Xhitung(0.05;1)
Kesimpulan
Karena X-Squared = 1502.7 > 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 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
H0 ditolak jika, P-value < α
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:
Dilihat dari hasil plot time series diffTA2 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 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:
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
H0: ρk = 0 (nilai autokorelasi nol, data diffTA2 stasioner)
H1: ρk ≠ 0 (nilai autokorelasi bukan nol, data diffTA2 tidak stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
X-Squared = 16.188
Daerah Kritis
H0 ditolak jika, X-Squared > Xhitung(0.05;1)
Kesimpulan
Karena X-Squared = 16.188 < Xhitung(0.05;10) = 18.3070, maka H0 tidak ditolak. Dengan demikian,
dapat disimpulkan bahwa nilai autokorelasi nol, data diffTA2 stasioner dengan tingkat kepercayaan
95%.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: γ = 0 (data diffTA2 memiliki unit root/tidak stasioner)
H1: γ ≠ 0 (data diffTA2 tidak memiliki unit root/stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.01
Daerah Kritis
H0 ditolak jika, P-value < α
Kesimpulan
Karena P-value = 0.01 < α = 0.05, maka H0 ditolak. Dengan demikian, dapat disimpulkan data
diffTA2 tidak memiliki unit root/stasioner dengan tingkat kepercayaan 95%.
Berdasarkan hasil output plot ACF & PACF diffTA2 diatas yang cuts off pada lag 1, lag 6 dan lag 7,
dugaan model sementara yang terbentuk ialah
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)
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
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 0.9901
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model 2
saat ini mengalami penurunan sebesar -0.1340
- 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
saat ini mengalami kenaikan sebesar 0.0876
- 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
1 saat ini mengalami kenaikan sebesar 0.1194
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 2 yang diperoleh sebesar 8214.4277
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 0.6282
- Jika data training ADMF variabel Close naik 1 satuan pada dua periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.3765
- 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
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.0416
- Jika data training ADMF variabel Close naik 1 satuan pada lima periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.1544
- Jika data training ADMF variabel Close naik 1 satuan pada enam periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.0674
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model 3
saat ini mengalami penurunan sebesar -0.5277
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 3 yang diperoleh sebesar 8210.7886
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 0.5364
- Jika data training ADMF variabel Close naik 1 satuan pada dua periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.2185
- Jika data training ADMF variabel Close naik 1 satuan pada tiga periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.9289
- Jika data training ADMF variabel Close naik 1 satuan pada empat periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.1102
- Jika data training ADMF variabel Close naik 1 satuan pada lima periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.1117
- Jika data training ADMF variabel Close naik 1 satuan pada enam periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.2535
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model 4
saat ini mengalami penurunan sebesar -0.6192
- Jika nilai variabel lain dua periode sebelumnya konstan, maka dugaan model 4
saat ini mengalami penurunan sebesar -0.464
- Jika nilai variabel lain tiga periode sebelumnya konstan, maka dugaan model 4
saat ini mengalami kenaikan sebesar 0.2738
- Jika nilai variabel lain empat periode sebelumnya konstan, maka dugaan model
4 saat ini mengalami kenaikan sebesar 0.6599
- Jika nilai variabel lain lima periode sebelumnya konstan, maka dugaan model
4 saat ini mengalami kenaikan sebesar 0.4054
- Jika nilai variabel lain empat periode sebelumnya konstan, maka dugaan model
4 saat ini mengalami kenaikan sebesar 0.1849
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 4 yang diperoleh sebesar 8222.9312
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model 5
saat ini mengalami penurunan sebesar -0.1144
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 5 yang diperoleh sebesar 8200.441
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model 6
saat ini mengalami penurunan sebesar -0.6325
- Jika nilai variabel lain dua periode sebelumnya konstan, maka dugaan model 6
saat ini mengalami kenaikan sebesar 0.0617
- Jika nilai variabel lain tiga periode sebelumnya konstan, maka dugaan model 6
saat ini mengalami kenaikan sebesar 0.6906
- Jika nilai variabel lain empat periode sebelumnya konstan, maka dugaan model
6 saat ini mengalami kenaikan sebesar 0.6892
- Jika nilai variabel lain lima periode sebelumnya konstan, maka dugaan model
6 saat ini mengalami kenaikan sebesar 0.1384
- Jika nilai variabel lain enam periode sebelumnya konstan, maka dugaan model
6 saat ini mengalami penurunan sebesar -0.6332
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 6 yang diperoleh sebesar 8217.6978
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 0.9837
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 7 yang diperoleh sebesar 8202.8398
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 1.1474
- Jika data training ADMF variabel Close naik 1 satuan pada dua periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.2176
- Jika data training ADMF variabel Close naik 1 satuan pada tiga periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.0318
- Jika data training ADMF variabel Close naik 1 satuan pada empat periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.0464
- Jika data training ADMF variabel Close naik 1 satuan pada lima periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.1325
- Jika data training ADMF variabel Close naik 1 satuan pada enam periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.0652
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 8 yang diperoleh sebesar 8208.5532
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 1.1594
- Jika data training ADMF variabel Close naik 1 satuan pada dua periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.2436
- Jika data training ADMF variabel Close naik 1 satuan pada tiga periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.0475
- Jika data training ADMF variabel Close naik 1 satuan pada empat periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.0652
- Jika data training ADMF variabel Close naik 1 satuan pada lima periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.1857
- Jika data training ADMF variabel Close naik 1 satuan pada enam periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi turun sebesar -0.2709
- Jika data training ADMF variabel Close naik 1 satuan pada tujuh periode sebelumnya, maka
data training ADMF variabel Close saat ini diprediksi naik sebesar 0.1728
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 9 yang diperoleh sebesar 8210.2217
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model 6
saat ini mengalami penurunan sebesar -0.9255
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 10 yang diperoleh sebesar 8181.2635
Interpretasi:
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model
11 saat ini mengalami penurunan sebesar -1.3835
- Jika nilai variabel lain dua periode sebelumnya konstan, maka dugaan model
11 saat ini mengalami penurunan sebesar -1.4682
- Jika nilai variabel lain tiga periode sebelumnya konstan, maka dugaan model
11 saat ini mengalami penuruna sebesar -1.3966
- Jika nilai variabel lain empat periode sebelumnya konstan, maka dugaan model
11 saat ini mengalami penurunan sebesar -1.0637
- Jika nilai variabel lain lima periode sebelumnya konstan, maka dugaan model
11 saat ini mengalami penurunan sebesar -0.8380
- Jika nilai variabel lain enam periode sebelumnya konstan, maka dugaan model
11 saat ini mengalami penurunan sebesar -0.3071
- Untuk intercept, jika data training ADMF variabel Close konstan, maka jumlah
nilai dugaan model 11 yang diperoleh sebesar 8184.8007
➢ 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
H0 : Residual model 2 white noise
H1 : Sekurang-kurangnya ada satu residual model 2 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.8202
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.8202 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 2 white noise dengan tingkat kepercayaan 95%.
• Model 3
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 3 white noise
H1 : Sekurang-kurangnya ada satu residual model 3 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.6842
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.6842 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 3 white noise dengan tingkat kepercayaan 95%.
• Model 4
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 4 white noise
H1 : Sekurang-kurangnya ada satu residual model 4 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.9888
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.9888 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 4 white noise dengan tingkat kepercayaan 95%.
• Model 5
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 5 white noise
H1 : Sekurang-kurangnya ada satu residual model 5 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.8951
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.8951 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 5 white noise dengan tingkat kepercayaan 95%.
• Model 6
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 6 white noise
H1 : Sekurang-kurangnya ada satu residual model 6 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.9934
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.9934 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 6 white noise dengan tingkat kepercayaan 95%.
• Model 7
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 7 white noise
H1 : Sekurang-kurangnya ada satu residual model 7 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.1032
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.1032 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 7 white noise dengan tingkat kepercayaan 95%.
• Model 8
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 8 white noise
H1 : Sekurang-kurangnya ada satu residual model 8 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.5256
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.5256 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 8 white noise dengan tingkat kepercayaan 95%.
• Model 9
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 9 white noise
H1 : Sekurang-kurangnya ada satu residual model 9 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.936
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.936 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 9 white noise dengan tingkat kepercayaan 95%.
• Model 10
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 10 white noise
H1 : Sekurang-kurangnya ada satu residual model 10 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 2.2e-16
Daerah Kritis
H0 ditolak, jika P-value < α
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
H0 : Residual model 11 white noise
H1 : Sekurang-kurangnya ada satu residual model 11 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 2.2e-16
Daerah Kritis
H0 ditolak, jika P-value < α
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%.
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
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.0501 > α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 1 berdistribusi normal dengan tingkat kepercayaan 95%.
• Model 2
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 2 berdistribusi normal
H1 : Residual model 2 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.06181
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.06181 > α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 2 berdistribusi normal dengan tingkat kepercayaan 95%.
• Model 3
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 3 berdistribusi normal
H1 : Residual model 3 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.05447
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.05447 > α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 3 berdistribusi normal dengan tingkat kepercayaan 95%.
• Model 4
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 4 berdistribusi normal
H1 : Residual model 4 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.01381
Daerah Kritis
H0 ditolak, jika P-value < α
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
H0 : Residual model 5 berdistribusi normal
H1 : Residual model 5 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.05104
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.05104 > α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 5 berdistribusi normal dengan tingkat kepercayaan 95%.
• Model 6
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 6 berdistribusi normal
H1 : Residual model 6 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.0345
Daerah Kritis
H0 ditolak, jika P-value < α
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
H0 : Residual model 7 berdistribusi normal
H1 : Residual model 7 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.007986
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.007986 < α = 0.025, maka H0 ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 7 tidak berdistribusi normal dengan tingkat kepercayaan
95%.
• Model 8
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 8 berdistribusi normal
H1 : Residual model 8 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.02863
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.02863 < α = 0.025, maka H0 ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 8 tidak berdistribusi normal dengan tingkat kepercayaan
95%.
• Model 9
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 9 berdistribusi normal
H1 : Residual model 9 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.03889
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.03889 < α = 0.025, maka H0 ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 9 tidak berdistribusi normal dengan tingkat kepercayaan
95%.
• Model 10
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 10 berdistribusi normal
H1 : Residual model 10 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.2307
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.2307 < α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 10 berdistribusi normal dengan tingkat kepercayaan 95%.
• Model 11
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 11 berdistribusi normal
H1 : Residual model 11 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.5163
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.5163 < α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 11 berdistribusi normal dengan tingkat kepercayaan 95%.
➢ Pembagian data menjadi data training dan testing dengan perbandingan 80%:20%
Hasil Output:
Interpretasi:
Berdasarkan hasil output diatas, diketahui jumlah data ada sebanyak 60 sehingga untuk pembagian
data training dan testing dengan komposisi secara berturut-turut 80%;20% didapatkan data training
start dari 1-48 (970, 895,…,1055), sedangkan data testing sisanya yakni start dari 49-60 (1145,
1935,…,2320).
Interpretasi:
Berdasarkan hasil output plot time series data Close ANTM 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 diffTA3 diatas, dapat dilihat bahwa data telah stasioner karena nilai-nilai
koefisien autokorelasi dies down (turun cepat) secara eksponensial sampai nol setelah time-lag ketiga.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: ρk = 0 (nilai autokorelasi nol, data diffTA3 stasioner)
H1: ρk ≠ 0 (nilai autokorelasi bukan nol, data diffTA3 tidak stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
X-Squared = 45.528
Daerah Kritis
H0 ditolak jika, X-Squared > Xhitung(0.05;1)
Kesimpulan
Karena X-Squared = 45.528 > Xhitung(0.05;10) = 18.3070, maka H0 ditolak. Dengan demikian, dapat
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
H0 ditolak jika, P-value < α
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:
Dilihat dari hasil plot time series diffTA3 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 diffTA3 diatas, dapat dilihat bahwa data telah stasioner karena nilai-nilai
koefisien autokorelasi dies down (turun cepat) secara eksponensial melewati nol setelah time-lag
pertama.
Hasil Output:
Interpretasi:
Dari hasil output plot acf diffTA3 diatas, dapat dilihat bahwa data telah stasioner karena nilai-nilai
koefisien autokorelasi dies down (turun cepat) secara eksponensial melewati nol setelah time-lag
pertama.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: ρk = 0 (nilai autokorelasi nol, data diffTA3 stasioner)
H1: ρk ≠ 0 (nilai autokorelasi bukan nol, data diffTA3 tidak stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
X-Squared = 10.498
Daerah Kritis
H0 ditolak jika, X-Squared > Xhitung(0.05;1)
Kesimpulan
Karena X-Squared = 10.498 < Xhitung(0.05;10) = 18.3070, maka H0 tidak ditolak. Dengan demikian,
dapat disimpulkan bahwa nilai autokorelasi nol, data diffTA3 stasioner dengan tingkat kepercayaan
95%.
Hasil Output:
Uji Hipotesis:
Hipotesis
H0: γ = 0 (data diffTA3 memiliki unit root/tidak stasioner)
H1: γ ≠ 0 (data diffTA3 tidak memiliki unit root/stasioner)
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.0444
Daerah Kritis
H0 ditolak jika, P-value < α
Kesimpulan
Karena P-value = 0.0444 < α = 0.05, maka H0 ditolak. Dengan demikian, dapat disimpulkan data
diffTA3 tidak memiliki unit root/stasioner dengan tingkat kepercayaan 95%.
Berdasarkan hasil output plot ACF & PACF diffTA3 diatas yang cuts off pada lag ke-9, maka
dugaan model sementara yang terbentuk ialah
ARI (9,0)
IMA (0,9)
- ARIMA (9,1,0)
- ARIMA (9,1,9)
- ARIMA (0,1,9)
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
data training ANTM variabel Close saat ini diprediksi naik sebesar 0.2254
- 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
data training ANTM variabel Close saat ini diprediksi turun sebesar -0.0875
- Jika 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
- 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
data training ANTM variabel Close saat ini diprediksi turun sebesar -0.2595
- 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,
maka data training ANTM variabel Close saat ini diprediksi turun sebesar -0.3231
- Untuk intercept, jika data training ANTM variabel Close konstan, maka jumlah
nilai dugaan model 1 yang diperoleh sebesar 802.3058
• Model 2
Hasil Output:
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 0.7880
- Jika data training ANTM variabel Close naik 1 satuan pada dua periode sebelumnya, maka
data training ANTM variabel Close saat ini diprediksi turun sebesar -0.7478
- Jika data training ANTM variabel Close naik 1 satuan pada tiga periode sebelumnya, maka
data training ANTM variabel Close saat ini diprediksi naik sebesar 0.5696
- Jika data training ANTM variabel Close naik 1 satuan pada empat periode sebelumnya, maka
data training ANTM variabel Close saat ini diprediksi naik sebesar 0.2130
- Jika data training ANTM variabel Close naik 1 satuan pada lima periode sebelumnya, maka
data training ANTM variabel Close saat ini diprediksi turun sebesar -0.6283
- Jika data training ANTM variabel Close naik 1 satuan pada enam periode sebelumnya, maka
data training ANTM variabel Close saat ini diprediksi naik sebesar 0.6254
- Jika data training ANTM variabel Close naik 1 satuan pada tujuh periode sebelumnya, maka
data training ANTM variabel Close saat ini diprediksi turun sebesar -0.6050
- 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,
maka data training ANTM variabel Close saat ini diprediksi turun sebesar -0.4205
- Jika nilai variabel lain satu periode sebelumnya konstan, maka dugaan model 2
saat ini mengalami kenaikan sebesar 0.0222
- Jika nilai variabel lain dua periode sebelumnya konstan, maka dugaan model 2
saat ini mengalami penurunan sebesar -0.7453
- Jika nilai variabel lain tiga periode sebelumnya konstan, maka dugaan model 2
saat ini mengalami kenaikan sebesar 0.3327
- Jika nilai variabel lain empat periode sebelumnya konstan, maka dugaan model
2 saat ini mengalami kenaikan sebesar 0.7170
- Jika nilai variabel lain lima periode sebelumnya konstan, maka dugaan model
2 saat ini mengalami penurunan sebesar -0.2116
- Jika nilai variabel lain enam periode sebelumnya konstan, maka dugaan model
2 saat ini mengalami kenaikan sebesar 0.5007
- Jika nilai variabel lain tujuh periode sebelumnya konstan, maka dugaan model
2 saat ini mengalami penurunan sebesar -0.0907
- 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 2 saat ini mengalami kenaikan sebesar 0.3259
- Untuk intercept, jika data training ANTM variabel Close konstan, maka jumlah
nilai dugaan model 2 yang diperoleh sebesar 806.4144
• Model 3
Hasil Output:
̂ = 𝟕𝟗𝟗. 𝟖𝟒𝟐𝟓 − 𝟎. 𝟕𝟖𝟒𝟎𝒆𝒕−𝟏 − 𝟎. 𝟐𝟑𝟔𝟑𝒆𝒕−𝟐 −
Persamaan model1 yang terbentuk: 𝑾𝒕
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 satu periode sebelumnya konstan, maka dugaan model 3
saat ini mengalami penurunan sebesar -0.7840
- Jika nilai variabel lain dua periode sebelumnya konstan, maka dugaan model 3
saat ini mengalami penurunan sebesar -0.2363
- Jika nilai variabel lain tiga periode sebelumnya konstan, maka dugaan model 3
saat ini mengalami penurunan sebesar -0.1182
- Jika nilai variabel lain empat periode sebelumnya konstan, maka dugaan model
3 saat ini mengalami kenaikan sebesar 0.3505
- Jika nilai variabel lain lima periode sebelumnya konstan, maka dugaan model
3 saat ini mengalami kenaikan sebesar 0.5421
- Jika nilai variabel lain enam periode sebelumnya konstan, maka dugaan model
3 saat ini mengalami kenaikan sebesar 0.3613
- Jika nilai variabel lain tujuh periode sebelumnya konstan, maka dugaan model
3 saat ini mengalami kenaikan sebesar 0.2828
- Jika nilai variabel lain delapan periode sebelumnya konstan, maka dugaan
model 3 saat ini mengalami kenaikan sebesar 0.1873
- Jika nilai variabel lain sembilan periode sebelumnya konstan, maka dugaan
model 3 saat ini mengalami kenaikan sebesar 0.4142
- Untuk intercept, jika data training ANTM variabel Close konstan, maka jumlah
nilai dugaan model 3 yang diperoleh sebesar 799.8425
➢ Uji Diagnostik
1) Perhitungan Residual
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 = 0.9997
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.9997 > 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
H0 : Residual model 2 white noise
H1 : Sekurang-kurangnya ada satu residual model 2 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.9963
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.9963 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 2 white noise dengan tingkat kepercayaan 95%.
• Model 3
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 3 white noise
H1 : Sekurang-kurangnya ada satu residual model 3 tidak white noise
Taraf Signifikansi
α = 5% → 0.05
Statistik Uji
P-value = 0.7489
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.7489 > α = 0.05, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 3 white noise dengan tingkat kepercayaan 95%.
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 = 0.5749
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.5749 > α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 1 berdistribusi normal dengan tingkat kepercayaan 95%.
• Model 2
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 2 berdistribusi normal
H1 : Residual model 2 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.9701
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.9701 > α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 2 berdistribusi normal dengan tingkat kepercayaan 95%.
• Model 3
Hasil Output:
Uji Hipotesis:
Hipotesis
H0 : Residual model 3 berdistribusi normal
H1 : Residual model 3 tidak berdistribusi normal
Taraf Signifikansi
α = 5% → 0.05/2 → 0.025
Statistik Uji
P-value = 0.7401
Daerah Kritis
H0 ditolak, jika P-value < α
Kesimpulan
Karena P-value = 0.7401 > α = 0.025, maka H0 tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa residual model 3 berdistribusi normal dengan tingkat kepercayaan 95%.
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:
- Peramalan pada Nov-21 sebesar 1101.8999 dengan standar errorsebesar 76.26199
- Peramalan pada Des-21 sebesar 1140.5126 dengan standar errorsebesar 96.24207
- Peramalan pada Jan-22 sebesar 1065.2557 dengan standar errorsebesar 105.80745
hingga
- Peramalan pada Okt-22 sebesar 661.9464 dengan standar errorsebesar 146.12377
• Model 3
Hasil Output:
Interpretasi:
- Peramalan pada Nov-21 sebesar 1049.0209 dengan standar errorsebesar 91.68774
- Peramalan pada Des-21 sebesar 966.8277 dengan standar errorsebesar 115.67495
- Peramalan pada Jan-22 sebesar 938.2075 dengan standar errorsebesar 118.24651
hingga
- Peramalan pada Okt-22 sebesar 799.8425 dengan standar errorsebesar 141.76262
➢ Model Terbaik
❖ Perhitungan MSE
dimana:
Yt = nilai data sesungguhnya pada periode ke-t
Ŷt = nilai ramalan pada periode ke-t
n = banyaknya data
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:
Penyelesaian:
7.177953701
- Nilai MAPE model 1 = 𝑥 100% → 59.81628084
12
7.0692
- Nilai MAPE model 2 = 𝑥 100% → 58.90993
12
7.21979
- Nilai MAPE model 3 = 𝑥 100% → 60.16495
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:
• 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.
➢ 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,
8725,…,7800), sedangkan data testing sisanya yakni start dari 197-245 (7700, 7750,…,7750).
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)
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,
895,…,1055), sedangkan data testing sisanya yakni start dari 49-60 (1145, 1935,…,2320).
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)
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)