Ruang Lingkup Penelitian Metode Analisis
41
1.96Se ρ
k
1,96Se........................................................3.1 1.96√1n ρ
k
1,96√1n Hipotesis nol H
untuk nilai uji ρ
k =
0. jika ρ
k
terletak dalam selang persamaan 3.1, maka keputusannya belum cukup bukti
untuk menolak H
0,
berarti data stasioner. sebaliknya jika diluar selang persamaan 3.1, keptusan menolak H
0,
yang berarti data tidak stasioner Juanda, 2012:24.
b Uji Akar Unit Unit Root Test Stationaritas data diperiksa dengan mengamati apakah data runtun
waktu mengandung akar unit unit root, yakni apakah terdapat komponen trend yang berupa random walk dalam data dengan
dapat menggunakan Augmented Dickey Fuller ADF Rosadi, 2012:38.
Pengujian ADF dilakukan dengan menguji hipotesis H :
ρ = 0 terdapat unit root dalam persamaan regresi :
∆ Y
t
= α + δt + ρY
t –1
+ ∑
j ∆Y
t-1
+ e
t
dengan ∆ Y
t
= Y
t
– Y
t-1
dan ρ = a – 1
Hipotesis nol ditolak jika nilai satistik uji ADF memiliki nilai kurang lebih negatif dibandingkan nilai daerah kritik nilai kritik
ini ditabelkan, jika hipotesis nol ditolak, maka data stationer. Dalam mengaplikasikan uji ADF ditentukan banyaknya lag dari
komponen diferensi yang akan dimasukkan kedalam model untuk uji ADF digunakan k0. Dalam praktek biasanya dipilih k yang
42
dapat korelasi serial dari residual, yang dapat dilihat dengan lag yang masih signifikan dalam model regresi ADF Rosadi, 2012:
42. 2 Transformasi Data dan Identifikasi Model
Apabila data tidak stationer dalam level, maka diperlukan transformasi untuk membentuk data yang staioner. Salah satu cara
melakukan tranformasi data untuk membuang komponen trend dengan metode diferensiasi terhadap data dan dilakukan uji akar unit dengan
PACF, ACF dan uji ADF dengan melihat apakah terdapat akar unit atau tidak dengan cara mengamati nilai satistik uji ADF memiliki nilai
kurang lebih negatif dibandingkan nilai daerah kritik nilai kritik ini ditabelkan, jika hipotesis nol ditolak, maka data stationer dan dapat
dilakukan indetifikasi dari model Autoregressivce Moving Average ARMA Autoregressivce Moving Integrated Average ARIMA,
Rosadi, 2012:151. 3 Estimasi Parameter dari Model
Untuk menggambarkan data hasil diferensiasi menggunakan plot ACFPACF yang akan membentuk grafik ACF dan PACF dengan
melihat hasil estimasi korelogram data yang akan menampilkan nilai stasioneritas
untuk pembentukan
model ARIMA
dengan memban
dingkan nilai AC dan PAC dengan ±1.96√1n yang berarti signifikan keluar dari batas interval, apabila AC dan PAC diantara Se
maka datanya sationer, selanjutnya dapat dilakukan pembemtukan
43
model ARIMA adapun ketentuannya menurut Juanda 2012: 76 yang ditunjukkan pada tabel 3.1 sebagai berikut:
Tabel 3.1 Pola ACF dan PACF Pembentukan Model
Model Pola ACF
Pola PACF ARp
Exponential, exponential- Oscillation atau sinewave
Menurun drastis
pada lag
tertentu cut off MAq
Menurun drastis pada lag tertentu cut off
Exponential, exponential- Oscillation atau sinewave
ARMAp,q Exponential, exponential- Oscillation atau sinewave
Exponential, exponential- Oscillation atau sinewave
Sumber: Rosadi, Dedi. “Ekonometrika dan Analisis Runtun Waktu
Terapan dengan Eviews”. Yogyakarta: ANDI, 2012.
setelah dilakukan pembentukan model, maka mengestimasi parameter-parameter dari model dengan menggunakan metode
Least Square Rosadi, 2012:151-153
4 Diagnostic ChekingEvaluasi Model. Untuk melakukan diagnostic cheking dengan menggunakan
beberapa kriteria sebagai berikut Rosadi, 2012:155-158: a Dengan melakukan uji t, Uji F, maupun nilai koefesien determinasi
R
2
hasil estimasi untuk parameterkoefesien dari model yang dibuat dengan melihat tingkat
signifikasi α=5 koefesien dari semua model.
44
b Dengan melihat nilai Schwarz Criterion SC, Akaike info criterion AIC, dan Sum of Squared Regression SSR yang paling
minimum dari berbagai model yang dibuat. c Selanjutnya dengan melakukan uji Q-Ljung-BoxQ-statistik dan
plot ACFPACF untuk melihat apakah terdapat korelasi serial dalam residual dari hasil estimasi dengan model yang diamati yang
ditandai dengan nilai p-value prob dari Q-statistik yang lebih besar dari α=5.
5 Prediksi Tahap terakhir adalah melakukan prediksi atau peramalan
berdasarkan model yang dipilih. untuk mengevaluasi kesalahan peramalan bisa menggunakan Root Mean Squares Error RMSE,
Mean Absolute Error MAE atau Mean Absolute Error MAPE.
dalam kasus pengujian satu model, besar kecilnya kesalahan peramalan lebih tepat dideteksi melalui MAPE Juanda, 2012:91.