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
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
Lower CL *
0,085 Upper CL -1,28
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
0,0002
0,0001
Limit
0,0000
-5,0 -2,5 0,0 2,5 5,0
λ
4. Uji stasioneritas terhadap rata-rata data BI Rate menurut periode bulan pada tahun
2009 sampai 2014
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
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
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)
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
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
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
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
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
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
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
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
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