2. Mengevaluasi Model ARIMA
Model ARIMA p,d,q terbentuk dari data yang sudah stasioner. Penentuan lag terbaik dari model ARIMA dibangun berdasarkan koefisien autokorelasi
ACF dan autokorelasi parsial PACF. Berdasarkan plot korelogram maka dapat ditentukan time lag untuk membangun model. Time lag yang digunakan pada
penelitian ini adalah lag 1 lampiran 2. Data harga minyak stasioner pada first difference
dan lag maksimum adalah 1, maka model tentatif dalam penelitian ini yaitu AR 1 dan MA1, serta ARIMA 1,1,1. Pemilihan model yang terbaik
berdasarkan goodness of fit. Tabel 4.3. Hasil Evaluasi Model ARIMA
Model Probabilitas adj.
R-sq AIC SC SSR
ARIMA 1,1,0 0.0001
0.102416 -2.62448
-2.58285 0.585846
ARIMA 0,1,1 0.0000
0.103964 -2.62969
-2.58826 0.587019
ARIMA 1,1,1 AR1
MA1 0.4630
0.4871 0.098853
-2.6136 -2.55115
0.58397
Berdasarkan evaluasi model Tabel 4.3, maka model ARIMA 0,1,1 merupakan model yang terbaik. Hal ini berdasarkan dari tingkat signifikansi yang
tinggi, nilai adj R-sq yang tertinggi dan kriteria nilai AIC, SC, dan SSR terkecil Lampiran 3.
3. Uji Asumsi
Klasik Uji Normalitas
Uji normalitas digunakan untuk mengetahui kebaikan model terhadap galat terbakukan standardized residuals dengan mengamati nilai statistik uji Jarque-
Bera JB untuk memeriksa asumsi kenormalan. Ketidaknormalan galat diatasi
dengan pendugaan parameter Quasi Maximum Likelihood QML. Selain itu, dalam pengolahan data digunakan opsi Heteroscedasticity Consistent Covariance
Bollerslev-Wooldridge agar asumsi galat menyebar normal dapat dipertahankan.
Sehingga galat baku dugaan parameter tetap konsisten.
Gambar 4.3. Histogram GalatResidual Nilai probabilitas Jarque-Bera data harga minyak yang diteliti yaitu sebesar
0,0000 lebih kecil dari taraf nyata 5 persen, sehingga dapat dikatakan bahwa residual
tidak menyebar normal.
Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui kebaikan model terhadap korelasi serial. Ketika sebuah model melanggar asumsi ini akan menghasilkan
estimator kuadrat terkecil yang masih bersifat linear, tak bias, dan juga tidak efisisen atau tidak memiliki varians minimum.
Tabel 4.4. Uji Autokorelasi Breusch-Godfrey Serial Correlation LM Test:
F-statistik 0.178881 Prob. F2,139
0.8364 Obs R-squared
0.367064 Prob. Chi-square
0.8323
Taraf Nyata 5
Berdasarkan hasil uji autokorelasi dengan Breusch-Godfrey Serial Correlation LM Test
, nilai probablitas chi-square model ARIMA 1 lebih besar dari pada taraf nyata 5 persen, maka terima H0 yang artinya model ARIMA
0,1,1 tidak mengandung autokorelasi, atau tidak ada korelasi serial.
5 10
15 20
25 30
-0.3 -0.2
-0.1 -0.0
0.1
Series: Residuals Sample 2000M02 2011M12
Observations 143 Mean
-3.71e-05 Median
0.008586 Maximum
0.114103 Minimum -0.336466
Std. Dev. 0.064296
Skewness -1.529420
Kurtosis 7.750791
Jarque-Bera 190.2289
Probability 0.000000
Uji Heteroskedastisitas
Uji Heteroskedastisitas digunakan untuk mengetahui kebaikan model terhadap kondisi sebaran dari variansnya. Ketika sebuah model melanggar asumsi
ini, maka akan menghasilkan estimator yang masih linear, tidak bias, tidak efisien atau tidak memiliki varians minimum yang akan berakibat pada penarikan
kesimpulan yang salah. Tabel 4.5. Uji Heteroskedatisitas
F-statistic 2.639838 Prob. F5,137
0.0260 ObsR-squared
12.56654 Prob. Chi-Square5 0.0278
Scaled explained SS 41.26050 Prob. Chi-Square5
0.0000
Taraf Nyata 5
Berdasarkan hasil uji heteroskedastisitas dengan white test, nilai probabilitas chi-square model ARIMA kurang dari taraf nyata 5 maka tolak H0 yang artinya
model ARIMA 0,1,1 mengandung heteroskedastisitas dan dapat diolah lebih lanjut dengan metode ARCH-GARCH.
4. Mengevaluasi Model ACRH-GARCH