Professional Documents
Culture Documents
My File
My File
140,000
120,000
100,000
80,000
60,000
40,000
20,000
0
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2012 2013 2014 2015 2016 2017
Berdasarkan plot tersebut terlihat bahwa data Harga sudah stasioner karena tidak ada pola naik dan
menurun
pada autocorelation function hanya terdapat dua lag yang keluar, data tidak stasioner terhadap rata-
rata ketika terdapat 5 lag yang keluar dari batas. Sehingga dengan hal tersebut data sudah stasioner
terhadap rata-rata dan tidak perlu dilakukan difrensi.
Statistik uji
t-Statistic Prob.*
berdasarkan output nilai prob lebih kecil dari 0.05 sehingga tolak H0 dapat disimpukan bahwa data
harga stasioner dan tidak perlu dilakukan difrensiasi.
dari Partial Corelation Function dan Auto Corelation Function tersebut dapat diketahui
a. Pada autocorelation, terdapat 2 lag yang keluar jadi q=2 dengan ACF sama dengan model MA(q)
b. Pada Partial Auto Corelation Function, terdapat 2 lag yang keluar jadi p=2 dengan PCF sama
dengan model AR(p)
Berdasrkan hasil tersebut di dapatkan kemungkinan model tentatif ARMA (p,q) adalah (1,1) (1,0)
(0,1) (2,2) (2.,1) (1,2)
ARMA (1,1)
Pada model ARMA (1,1) dapat dilihat bahwa nilai prob dari AR(1)lebih kecil dari 0.05 sehingga AR(1)
signifikan dan MA(1) prob lebih kecil dari 0.05 9signifikan) dapat disimpulkan bahwa model ARMA sesuai dengan
data harga.
berdasrkan output tersebut tidak terdapat satupun lag yang keluar dari batas sehingga dapt dismpulkan sisaan
ARMA (1,1) bersifat white nose dan layak digunakan sebagai peramalan.
ARMA (1,0)
berdasrkan output tersebut tidak terdapat satupun lag yang keluar dari batas sehingga dapt dismpulkan
sisaan ARMA (1,0) bersifat white nose dan layak digunakan sebagai peramalan.
ARMA (0,1)
Pada model ARMA (0,1) dapat dilihat bahwa nilai prob dari MA(1)lebih kecil dari 0.05 sehingga MA(1)
signifikan dapat disimpulkan bahwa model ARMA sesuai dengan data harga.
berdasrkan output tersebut terdapat 2 lag yang keluar dari batas sehingga dapt dismpulkan sisaan ARMA
(0,1) tdk bersifat white nose dan tdk layak digunakan sebagai peramalan.
ARMA (2,1)
Pada model ARMA (0,1) dapat dilihat bahwa nilai prob dari MA(1)lebih kecil dari 0.05 sehingga AR(2)
signifikan dan MA(1)prob<0.05 dapat disimpulkan bahwa model ARMA sesuai dengan data harga.
Date: 01/01/19 Time: 09:23
Sample: 2012M01 2017M12
Included observations: 72
Q-statistic probabilities adjusted for 2 ARMA terms
berdasrkan output tersebut tdk terdapat lag yang keluar dari batas sehingga dapt dismpulkan sisaan
ARMA (2,1) bersifat white nose dan layak digunakan sebagai peramalan.
ARMA (2.1)
Dependent Variable: HARGA_KG
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 01/01/19 Time: 09:23
Sample: 2012M01 2017M12
Included observations: 72
Convergence achieved after 17 iterations
Coefficient covariance computed using outer product of gradients
Variable Coefficient Std. Error t-Statistic Prob.
Pada model ARMA (0,1) dapat dilihat bahwa nilai prob dari AR(1)lebih kecil dari 0.05 sehingga AR(1)
signifikan dan MA(2)prob>0.05 dapat disimpulkan bahwa model ARMA tdk sesuai dengan data harga.
berdasrkan output tersebut tdk terdapat lag yang keluar dari batas sehingga dapt dismpulkan sisaan
ARMA (1,2) bersifat white nose dan layak digunakan sebagai peramalan.
ARMA (2,2)
Pada model ARMA (2,2) dapat dilihat bahwa nilai prob dari AR(2)lebih besar dari 0.05 sehingga AR(2) tdk
signifikan dan MA(2)prob>0.05 dapat disimpulkan bahwa model ARMA tdk sesuai dengan data harga.
berdasrkan output tersebut tdk terdapat 3 lag yang keluar dari batas sehingga dapt dismpulkan sisaan
ARMA (2,2) tdk bersifat white nose dan tdk layak digunakan sebagai peramalan.
Berdasarkan estimasi model tentaif ARIMA yang sudah dilakukan maka di dapatkan nilai
perbandingan sebagai berikut.
MODEL AIC SIC White nose signif
1,0 22.35 22.45 ya ya
0,1 22.46 22.25 tdk ya
1,1 22.25 22.37 ya ya
2,1 22.33 22.46 ya ya
1,2 22.34 22.47 ya tdk
2,2 23.00 23.12 tdk tdk
Berdasarkan kriteria model terbaik maka model yang layak dan sesuai dengan data harga
adalah ARMA(1,0) (1,1) (1,1) (2,1) (1,2) dan untuk model terbaik adalah ARMA 1,1 dengan
nilai AIC dan SIC terkecil.
Opent = 31005.52 + εt.
Uji ARCH LM
LAG 1.
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/01/19 Time: 10:14
Sample (adjusted): 2012M02 2017M12
Included observations: 71 after adjustments
dari uotput di ats di dapatkan nilai prob lebih kecil dari 0.05
dapat disimpulkan bahwa model mengandung efek ARCH
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/01/19 Time: 10:16
Sample (adjusted): 2012M03 2017M12
Included observations: 70 after adjustments
berdasrkan output di atas dapat dilihat nilai prob residual 2 lebih besar dari 0.05 dapat disimpulkan bahwa efek
ARCH hanya terdapat pada lag 1
ARCH (1,0)
Variance Equation
Berdasarkan output di atas dapat dilihat bahwa niali prob lebih besar dari 0.05 (tdk signifikan) ode
p=0 q=1
ARCH (2,0)
Dependent Variable: HARGA_KG
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 01/01/19 Time: 11:30
Sample (adjusted): 2012M02 2017M12
Included observations: 71 after adjustments
Convergence achieved after 191 iterations
Coefficient covariance computed using outer product of gradients
MA Backcast: 2012M01
Presample variance: backcast (parameter = 0.7)
GARCH = C(5) + C(6)*RESID(-1)^2 + C(7)*RESID(-2)^2
Variance Equation
Berdasarkan output di atas dapat dilihat bahwa niali prob lag 1 lebih besar dari 0.05 (tdk signifikan)
namun pada lag 2 lebih kecil dari 0.05 (signifikan)ode p=0 q=1
ARCH 1,1
Dependent Variable: HARGA_KG
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 01/01/19 Time: 11:36
Sample (adjusted): 2012M02 2017M12
Included observations: 71 after adjustments
Convergence not achieved after 500 iterations
Coefficient covariance computed using outer product of gradients
MA Backcast: 2012M01
Presample variance: backcast (parameter = 0.7)
GARCH = C(5) + C(6)*RESID(-1)^2 + C(7)*GARCH(-1)
Variance Equation
C 73342904 69335994 1.057790 0.2902
RESID(-1)^2 0.456963 0.324964 1.406194 0.1597
GARCH(-1) 0.345486 0.401385 0.860735 0.3894
Berdasarkan output di atas dapat dilihat bahwa niali prob ARCH lebih besar dari 0.05 (tdk signifikan)
begitu juga pada GARCH lebih Bessr dari 0.05 (signifikan)ode p=1 q=1
GARCH 2,1
Variance Equation
Berdasarkan tabel tersebut maka model peramalan yang cocok untuk data tersebut adalah ARCH (1)
Karena memiliki nilai AIC dan SIC terkecil. Berikut persamaanya Opent = 26895.56
+ εt. σ 2 t = 0.139052 + 2.04E + 08 ε 2 t − 1
b. Uji ARCHLM
H0: model mengandung efec ARCH
H1: model tdk mengandung ARCH efect
Tolak H0 jika nilai prob lebih besar dari 0.05
Test Equation:
Dependent Variable: WGT_RESID^2
Method: Least Squares
Date: 01/01/19 Time: 12:38
Sample (adjusted): 2012M03 2017M12
Included observations: 70 after adjustments
c. Uji normalitas
H0:residual distribusi normal
H1: residual tdk distribusi normal
Tolak H0 jika nilai Prob lebih kecil dari 0.05
12
Series: Standardized Residuals
10 Sample 2012M02 2017M12
Observations 71
8
Mean -0.183972
Median -0.397852
6
Maximum 3.862424
Minimum -2.068479
4
Std. Dev. 1.010779
Skewness 1.163412
2 Kurtosis 5.459013
0 Jarque-Bera 33.90504
-2 -1 0 1 2 3 4
Probability 0.000000
Residual tidak terdistribusi normal maka di gunakan perbaikan dengan metode bollerslev-wooldrige
160,000
Forecast: HARGA_KGF
120,000 Actual: HARGA_KG
Forecast sample: 2012M01 2017M12
80,000 Adjusted sample: 2012M03 2017M12
Included observations: 70
40,000 Root Mean Squared Error 15452.87
Mean Absolute Error 11587.18
0 Mean Abs. Percent Error 45.63503
Theil Inequality Coefficient 0.201932
-40,000 Bias Proportion 0.000259
2012 2013 2014 2015 2016 2017 Variance Proportion 0.177974
Covariance Proportion 0.821768
HARGA_KGF ± 2 S.E.
Theil U2 Coefficient 0.904093
Symmetric MAPE 38.60882
700,000,000
600,000,000
500,000,000
400,000,000
300,000,000
200,000,000
2012 2013 2014 2015 2016 2017
Forecast of Variance
Hasil forcast