1.

Data BI Rate menurut periode bulan pada tahun 2009 sampai 2014

BI Rate
Bulan 2009 2010 2011
Januari 8,75 6,50 6,50
Februari 8,25 6,50 6,75
Maret 7,75 6,50 6,75
April 7,50 6,50 6,75
Mei 7,25 6,50 6,75
Juni 7,00 6,50 6,75
Juli 6,75 6,50 6,75
Agustus 6,50 6,50 6,75
September 6,50 6,50 6,75
Oktober 6,50 6,50 6,50
Nopember 6,50 6,50 6,00
Desember 6,50 6,50 6,00
Bulan 2012 2013 2014
Januari 6,00 5,75 7,50
Februari 5,75 5,75 7,50
Maret 5,75 5,75 7,50
April 5,75 5,75 7,50
Mei 5,75 5,75 7,50
Juni 5,75 6,00 7,50
Juli 5,75 6,50 7,50
Agustus 5,75 7,00 7,50
September 5,75 7,25 7,50
Oktober 5,75 7,25 7,50
Nopember 5,75 7,50 7,75
Desember 5,75 7,50 7,75

2. Pola time series data BI rate menurut periode bulan pada tahun 2009 sampai 2014
 BI RATE
9,0

8,5

8,0
BI_RATE

7,5

7,0

6,5

6,0

Month Jan Jan Jan Jan Jan Jan

Year 2009 2010 2011 2012 2013 2014

Pada data BI Rate terjadi fluktuasi, dan pola data yang terbentuk adalah tren naik

3. Uji stasioneritas terhadap ragam data BI Rate menurut periode bulan pada tahun 2009
sampai 2014

Box-Cox Plot of BI_RATE

Upper CL
0,095 λ
(using 95,0% confidence)
0,090 Estimate -3,55

Lower CL *
0,085 Upper CL -1,28

Rounded Value -4,00

0,080
StDev

0,075

0,070

0,065
Limit

0,060
-5,0 -2,5 0,0 2,5 5,0
λ

Rounded value =-4. Data belum stasioner terhadap ragam, maka perlu dilakukan
transformasi lagi
 Box-Cox Plot of Transformasi_1
Lower CL Upper CL
0,0004 λ
(using 95,0% confidence)
Estimate 0,89

0,0003 Lower CL 0,33

Upper CL 1,43
Rounded Value 1,00
StDev

0,0002

0,0001

Limit
0,0000
-5,0 -2,5 0,0 2,5 5,0
λ

Rounded value =1 maka data sudah stasioner terhadap ragam

4. Uji stasioneritas terhadap rata-rata data BI Rate menurut periode bulan pada tahun
2009 sampai 2014

Autocorrelation Function for Transformasi_1

(with 5% significance limits for the autocorrelations)

1,0

0,8

0,6

0,4
Autocorrelation

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18
Lag

Terdapat 4 lag keluar dari grafik batas kendali, maka data belum stasioner terhadap
rata-rata. Jadi harus dilakukan differensiasi agar data stasioner terhadap rata-rata

5. Diferensiasi 1 kali (d=1) terhadap rata-rata data BI Rate menurut periode bulan pada
tahun 2009 sampai 2014
 Autocorrelation Function for Differensiasi
(with 5% significance limits for the autocorrelations)

1,0

0,8

0,6

0,4
Autocorrelation

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag

Terdapat satu lag dari 3 lag pertama yang keluar dari batas kendali,q=1 maka data
sudah stasioner terhadap rata-rata.
 ACF MA (q) = ACF MA (1)
2 2
 LCL;UCL = ± =± =(−0,11785; 0,11785)
√n √ 72
 Autocorrelation Function: Differensiasi
Lag ACF T LBQ
1 0,535331 4,51 21,22
2 0,251891 1,69 25,99
3 0,291941 1,89 32,48
4 0,158462 0,98 34,42
5 0,075171 0,46 34,87
6 0,019670 0,12 34,90
7 0,001821 0,01 34,90
8 -0,030179 -0,18 34,97
9 -0,084352 -0,51 35,57
10 0,001786 0,01 35,57
11 0,001774 0,01 35,57
12 -0,047337 -0,29 35,77
13 0,001751 0,01 35,77
14 0,012383 0,07 35,78
15 0,030355 0,18 35,87
16 -0,062891 -0,38 36,24
17 -0,128481 -0,77 37,82
18 -0,140689 -0,84 39,76
19 -0,227278 -1,34 44,91
20 -0,315599 -1,82 55,03
21 -0,299715 -1,65 64,34
22 -0,137281 -0,73 66,33
23 -0,050256 -0,26 66,61
24 -0,071870 -0,38 67,18
25 -0,022374 -0,12 67,23
26 0,028308 0,15 67,33
27 0,109035 0,57 68,73
28 0,148457 0,78 71,38
29 0,161002 0,83 74,58
 30 0,179403 0,92 78,65
 95% ACF berada dalam selang (−0,11785 ; 0,11785)yaitu terdapat 29 lag dari
30 lag yang ada di dalam selang.

6. Menetukan PACF

Partial Autocorrelation Function for Differensiasi

(with 5% significance limits for the partial autocorrelations)

1,0

0,8

0,6
Partial Autocorrelation

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag

 Terdapat 2 lag yang keluar dari batas grafik kendali, p=2

 PACF AR (p) = PACF AR (2)

7. Model Tentative
a) P=2 d=1 q=2, maka modelnya ARIMA(2,1,1)
b) P=1 d=1 q=1, maka modelnya ARIMA(1,1,1)
c) P=0 d=1 q=1, maka modelnya ARIMA(0,1,1)
d) P=2 d=1 q=0, maka modelnya ARIMA(2,1,0)
e) P=1 d=1 q=0, maka modelnya ARIMA(1,1,0)

8. Uji Signifikansi dan Uji Kelayakan Model

H 0 : β 1=0 vs H 0 : β 1 ≠ 0 dan α =0 , 05
 Dengan Melihat pada “final Estimates of parameter”
Apabila p ≥ α maka terima H 0 (Tidak Signifikan)
Apabila p<α maka tolak H 0 (Signifikan)
 Dengan Melihat pada “L Jung-Box”
Apabila p ≤ α maka terima H 0 (Tidak Layak)
Apabila p>α maka tolak H 0 (Layak)
a) ARIMA(2,1,1)
ARIMA Model: Transformasi_1

Estimates at each iteration

Iteration SSE Parameters

0 1,83982E-07 0,100 0,100 0,100
1 1,76776E-07 0,250 0,080 0,211
2 1,70759E-07 0,400 0,053 0,326
3 1,64329E-07 0,550 0,017 0,433
4 1,56738E-07 0,700 -0,034 0,525
5 1,47753E-07 0,850 -0,106 0,586
6 1,39278E-07 1,000 -0,206 0,601
7 1,36900E-07 1,092 -0,277 0,580
8 1,36885E-07 1,134 -0,298 0,615
9 1,36884E-07 1,128 -0,295 0,608
10 1,36884E-07 1,125 -0,293 0,605
11 1,36883E-07 1,122 -0,292 0,603
12 1,36883E-07 1,120 -0,291 0,601
13 1,36883E-07 1,111 -0,286 0,592
14 1,36883E-07 1,113 -0,286 0,594
15 1,36883E-07 1,114 -0,287 0,595
16 1,36883E-07 1,115 -0,287 0,595
17 1,36883E-07 1,115 -0,288 0,596

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 1,1151 2,0835 0,54 0,594
AR 2 -0,2877 1,1639 -0,25 0,806
MA 1 0,5958 2,0524 0,29 0,772

Differencing: 1 regular difference

Number of observations: Original series 72, after differencing 71
Residuals: SS = 0,000000136194 (backforecasts excluded)
MS = 0,000000002003 DF = 68

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 8,1 18,8 23,1 27,0
DF 9 21 33 45
P-Value 0,523 0,599 0,900 0,984


Type p-value Keputusan
AR 1 0,594 > 0,05 Tidak signifikan
AR 2 0,806 > 0,05 Tidak signifikan
MA 1 0,772 > 0,05 Tidak signifikan

 Ljung-Box :
Lag 12 24 36 48
P-value 0,523 > 0,05 0,599 > 0,05 0,900 > 0,05 0,984 > 0,05
Keputusan Layak Layak Layak Layak
 Keputusan : Model ARIMA (2,1,1) Tidak Signifikan Dan Layak
b) ARIMA (1,1,1)
ARIMA Model: Transformasi_1

Estimates at each iteration

Iteration SSE Parameters

0 1,92777E-07 0,100 0,100
1 1,48578E-07 0,250 -0,050
2 1,36163E-07 0,344 -0,200
3 1,35044E-07 0,322 -0,290
4 1,34362E-07 0,262 -0,373
5 1,33697E-07 0,199 -0,452
6 1,33148E-07 0,141 -0,521
7 1,32808E-07 0,096 -0,573
8 1,32662E-07 0,067 -0,607
9 1,32615E-07 0,050 -0,625
10 1,32603E-07 0,041 -0,634
11 1,32601E-07 0,037 -0,639
12 1,32600E-07 0,035 -0,641
13 1,32600E-07 0,034 -0,642
14 1,32600E-07 0,033 -0,642
15 1,32600E-07 0,033 -0,643
16 1,32600E-07 0,033 -0,643

Unable to reduce sum of squares any further

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,0329 0,1827 0,18 0,858
MA 1 -0,6427 0,1411 -4,55 0,000

Differencing: 1 regular difference

Number of observations: Original series 72, after differencing 71
Residuals: SS = 0,000000132462 (backforecasts excluded)
MS = 0,000000001920 DF = 69

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 7,6 20,9 29,6 33,8
DF 10 22 34 46
P-Value 0,665 0,526 0,685 0,909


Type p-value Keputusan
AR 1 0,858 > 0,05 Tidak signifikan
MA 1 0,000 < 0,05 Signifikan

 Ljung-Box :
Lag 12 24 36 48
P-value 0,665 > 0,05 0,526 > 0,05 0,685 > 0,05 0,909 > 0,05
Keputusan Layak Layak Layak Layak
 Keputusan : Model ARIMA (1,1,1) Tidak Signifikan Dan Layak
 c) ARIMA (0,1,1)
ARIMA Model: Transformasi_1
Estimates at each iteration

Iteration SSE Parameters

0 2,16649E-07 0,100
1 1,83139E-07 -0,050
2 1,60958E-07 -0,200
3 1,46182E-07 -0,350
4 1,36837E-07 -0,500
5 1,32718E-07 -0,646
6 1,32646E-07 -0,662
7 1,32644E-07 -0,665
8 1,32644E-07 -0,665

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 -0,6655 0,0901 -7,38 0,000

Differencing: 1 regular difference

Number of observations: Original series 72, after differencing 71
Residuals: SS = 0,000000132514 (backforecasts excluded)
MS = 0,000000001893 DF = 70

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 7,7 21,4 30,3 34,7
DF 11 23 35 47
P-Value 0,742 0,554 0,695 0,908

Type p-value Keputusan

MA 1 0,000 < 0,05 Signifikan

 Ljung-Box :
Lag 12 24 36 48
P-value 0,742 > 0,05 0,554 > 0,05 0,695 > 0,05 0,908 > 0,05
Keputusan Layak Layak Layak Layak
 Keputusan : Model ARIMA (0,1,1) Signifikan Dan Layak
 d) ARIMA (2,1,0)
ARIMA Model: Transformasi_1
Estimates at each iteration

Iteration SSE Parameters

0 1,68222E-07 0,100 0,100
1 1,51224E-07 0,250 0,051
2 1,40746E-07 0,400 0,002
3 1,36824E-07 0,550 -0,045
4 1,36794E-07 0,563 -0,048
5 1,36794E-07 0,564 -0,048
6 1,36794E-07 0,564 -0,048

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,5635 0,1202 4,69 0,000
AR 2 -0,0477 0,1207 -0,39 0,694

Differencing: 1 regular difference

Number of observations: Original series 72, after differencing 71
Residuals: SS = 0,000000136284 (backforecasts excluded)
MS = 0,000000001975 DF = 69

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 8,8 19,0 23,7 27,4
DF 10 22 34 46
P-Value 0,555 0,646 0,908 0,987

Type p-value Keputusan

AR 1 0,000 < 0,05 Signifikan
AR 2 0,694 > 0,05 Tidak Signifikan

 Ljung-Box :
Lag 12 24 36 48
P-value 0,555 > 0,05 0,646 > 0,05 0,908 > 0,05 0,987 > 0,05
Keputusan Layak Layak Layak Layak
 Keputusan : Model ARIMA (2,1,0) Tidak Signifikan Dan Layak
 e) ARIMA (1,1,0)
ARIMA Model: Transformasi_1
Estimates at each iteration

Iteration SSE Parameters

0 1,74043E-07 0,100
1 1,53101E-07 0,250
2 1,40779E-07 0,400
3 1,37116E-07 0,529
4 1,37102E-07 0,537
5 1,37102E-07 0,538

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,5378 0,1004 5,35 0,000

Differencing: 1 regular difference

Number of observations: Original series 72, after differencing 71
Residuals: SS = 0,000000136509 (backforecasts excluded)
MS = 0,000000001950 DF = 70

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 8,5 18,9 23,2 27,1
DF 11 23 35 47
P-Value 0,665 0,705 0,936 0,991

Type p-value Keputusan

AR 1 0,000 < 0,05 Signifikan

 Ljung-Box :
Lag 12 24 36 48
P-value 0,655 > 0,05 0,705 > 0,05 0,936 > 0,05 0,991 > 0,05
Keputusan Layak Layak Layak Layak
 Keputusan : Model ARIMA (1,1,0) Signifikan Dan Layak
9. Pemilihan Model Terbaik
Model ARIMA (0,1,1)
Differencing: 1 regular difference
Number of observations: Original series 72, after differencing 71
Residuals: SS = 0,000000132514 (backforecasts excluded)
MS = 0,000000001893 DF = 70

Model ARIMA (1,1,0)

Differencing: 1 regular difference
Number of observations: Original series 72, after differencing 71
Residuals: SS = 0,000000136509 (backforecasts excluded)
MS = 0,000000001950 DF = 70

Keputusan :
Model yang Memiliki Standart Eror Signifikasi (MS) terkecil adalah Model ARIMA
(0,1,1) yaitu 0,000000001893 jadi Model yang layak untuk peramalan adalah Model
ARIMA (0,1,1)
∇ y t=et −θ e t
∇ y t=et + 0.6655 et −1