PERAMALAN DENGAN METODE ARIMA MELALUI PR
PERAMALAN DENGAN METODE ARIMA MELALUI PROGRAM SPSS 17
Tulisan ini hanyalah teknik peramalan dengan metode ARIMA yang menggunakan Aplikasi
SPSS 17. Untuk teorinya silahkan baca buku Ekonometrika
1.
2.
3.
4.
Buka Aplikasi SPSS 17
Buka File \Ekonometrika\data\arima_indeks_trans.xls
Lakukan uji stasioneritas dengan mengklik: Analyze-Forecasting-Autocorrelation
Masukkan variable closing ke dalam kolom ‘variable’, hilangkan tanda centang ‘partial
correlation’ pada parameter ‘display’ lalu klik Ok
5. Hasilnya
6. Dari gambar di atas menunjukkan bahwa data tidak stasioner, oleh karena itu harus
dilakukan differencing.
7. Lakukan lagi langkah ke-3 kali ini pada parameter transform beri tanda centang pada
difference dan isi kolom dengan 1, hasilnya:
8. Hasil pengolahan menunjukkan data telah stasioner, berarti siap untuk permodelan
dengan ARIMA.
9. Untuk menentukan ordo pada model ARIMA, lakukan lagi langkah ke-3 tapi kali ini beri
tanda centang pada ‘partial autocorrelations’ sehingga hasilnya menjadi:
10. Dari hasil-hasil di atas, maka dapat dibuat model ARIMA (p,d,q) sebagai ARIMA (1,1,1)
11. Langkah untuk membuat model klik Analyze-create model, pilih ARIMA pada parameter
methods, buat ordo (1,1,1) pada tombol criteria.
12. Pada Tabs ‘Statistik’ beri centang ‘Parameter estimates’ pada ‘Statistic for Individual
Model.
13. Pada Tabs ‘Save’ beri centang ‘Noise Residual’ lalu OK
14. Hasilnya sebagai berikut:
ARIMA Model Parameters
Estimate
Closing-Model_1
Closing
No Transformation
Constant
AR
Lag 1
Difference
MA
Lag 1
SE
t
Sig.
1.022
.492
2.078
.042
.838
.192
4.368
.000
.261
2.499
.015
1
.653
Model ARIMA yang dibuat:
ΔYt
= 1,022 + 0,838 ΔYt-1 – 0,653e t-1
Yt – (Yt-1 )
= 1,022 + 0,838(Yt-1 - Yt-2) - 0,653e t-1
Yt
= 1,022 + 1,83 Yt-1 – 0,83 Yt-2 - 0,653e t-1
15. Apakah model sudah baik? Model baik jika:
a. Semua koefisien signifikan kecuali intercept (konstant), Pada kolom ‘ sig ‘
menunjukkan syarat pertama terpenuhi.
b. Errornya White Noise (pure random), artinya error tidak dipengaruhi oleh error-error
waktu yang lalu.
16. Untuk mengetahui apakah error white noise atau tidak ikuti langkah analyze –
forecasting – autocorrelation. Kali ini variabelnya noise residual from closing lalu,
hilangkan centang partial correlation lalu OK. Hasilnya:
17. Hasil di atas menunjukkan bahwa error tidak white noise. Untuk itu model ARIMA harus
diturunkan dengan metode trial error misalnya ARIMA (1,1,0) atau ARIMA (0,1,1) Untuk
itu ulangi langkah ke-11 hingga ke-16.
18. Jika tidak ditemukan model yang baik yang memenuhi 2 syarat di atas, maka dilakukan
permodelan dengan ARCH/GARCH
TUNGGU MODUL BERIKUTNYA
Tulisan ini hanyalah teknik peramalan dengan metode ARIMA yang menggunakan Aplikasi
SPSS 17. Untuk teorinya silahkan baca buku Ekonometrika
1.
2.
3.
4.
Buka Aplikasi SPSS 17
Buka File \Ekonometrika\data\arima_indeks_trans.xls
Lakukan uji stasioneritas dengan mengklik: Analyze-Forecasting-Autocorrelation
Masukkan variable closing ke dalam kolom ‘variable’, hilangkan tanda centang ‘partial
correlation’ pada parameter ‘display’ lalu klik Ok
5. Hasilnya
6. Dari gambar di atas menunjukkan bahwa data tidak stasioner, oleh karena itu harus
dilakukan differencing.
7. Lakukan lagi langkah ke-3 kali ini pada parameter transform beri tanda centang pada
difference dan isi kolom dengan 1, hasilnya:
8. Hasil pengolahan menunjukkan data telah stasioner, berarti siap untuk permodelan
dengan ARIMA.
9. Untuk menentukan ordo pada model ARIMA, lakukan lagi langkah ke-3 tapi kali ini beri
tanda centang pada ‘partial autocorrelations’ sehingga hasilnya menjadi:
10. Dari hasil-hasil di atas, maka dapat dibuat model ARIMA (p,d,q) sebagai ARIMA (1,1,1)
11. Langkah untuk membuat model klik Analyze-create model, pilih ARIMA pada parameter
methods, buat ordo (1,1,1) pada tombol criteria.
12. Pada Tabs ‘Statistik’ beri centang ‘Parameter estimates’ pada ‘Statistic for Individual
Model.
13. Pada Tabs ‘Save’ beri centang ‘Noise Residual’ lalu OK
14. Hasilnya sebagai berikut:
ARIMA Model Parameters
Estimate
Closing-Model_1
Closing
No Transformation
Constant
AR
Lag 1
Difference
MA
Lag 1
SE
t
Sig.
1.022
.492
2.078
.042
.838
.192
4.368
.000
.261
2.499
.015
1
.653
Model ARIMA yang dibuat:
ΔYt
= 1,022 + 0,838 ΔYt-1 – 0,653e t-1
Yt – (Yt-1 )
= 1,022 + 0,838(Yt-1 - Yt-2) - 0,653e t-1
Yt
= 1,022 + 1,83 Yt-1 – 0,83 Yt-2 - 0,653e t-1
15. Apakah model sudah baik? Model baik jika:
a. Semua koefisien signifikan kecuali intercept (konstant), Pada kolom ‘ sig ‘
menunjukkan syarat pertama terpenuhi.
b. Errornya White Noise (pure random), artinya error tidak dipengaruhi oleh error-error
waktu yang lalu.
16. Untuk mengetahui apakah error white noise atau tidak ikuti langkah analyze –
forecasting – autocorrelation. Kali ini variabelnya noise residual from closing lalu,
hilangkan centang partial correlation lalu OK. Hasilnya:
17. Hasil di atas menunjukkan bahwa error tidak white noise. Untuk itu model ARIMA harus
diturunkan dengan metode trial error misalnya ARIMA (1,1,0) atau ARIMA (0,1,1) Untuk
itu ulangi langkah ke-11 hingga ke-16.
18. Jika tidak ditemukan model yang baik yang memenuhi 2 syarat di atas, maka dilakukan
permodelan dengan ARCH/GARCH
TUNGGU MODUL BERIKUTNYA