TIME SERIES DENGAN K STAT
TIME SERIES DENGAN
K-STAT &EVIEWS
Oleh
Prana Ugiana Gio
Video Cara Mendownload Aplikasi Olah Data K-Stat :
https://www.youtube.com/watch?v=CnYWqjEs6HQ
Menggunakan Aplikasi Olah Data K-Stat secara Online:
https://gioprana.shinyapps.io/K-Stat/
Panduan Mengolah Data dengan K-Stat:
https://osf.io/svqzj/
1. Data
Berikut diberikan data harga saham bank BNI dari tanggal 4 Desember 2017 sampai dengan tanggal 27
Desember 2017.
Tabel 1.1 Harga Saham BNI
No
Kode
Tanggal
Open
Close
Change(Rp)
Change(%)
Volume
1
BBNI
04/12/2017
8100
8225
125
1.54
19862000
2
BBNI
05/12/2017
8225
8450
225
2.74
14593000
3
BBNI
06/12/2017
8450
8525
75
0.89
15900800
4
BBNI
07/12/2017
8525
8525
0
0
9889000
5
BBNI
08/12/2017
8525
8850
325
3.81
28985000
6
BBNI
11/12/2017
8850
8900
50
0.56
18569500
7
BBNI
12/12/2017
8900
8800
-100
-1.12
11985700
8
BBNI
13/12/2017
8800
9100
300
3.41
17972800
9
BBNI
14/12/2017
9100
9225
125
1.37
17243800
10
BBNI
15/12/2017
9225
9375
150
1.63
22811900
11
BBNI
18/12/2017
9375
9300
-75
-0.8
17105600
12
BBNI
19/12/2017
9300
9525
225
2.42
12430200
13
BBNI
20/12/2017
9525
9525
0
0
16578200
14
BBNI
21/12/2017
9525
9850
325
3.41
29769000
15
BBNI
22/12/2017
9850
9850
0
0
67623600
16
BBNI
27/12/2017
9850
9900
50
0.51
15316600
Sumber: http://www.seputarforex.com/saham/data_historis/index.php
Data pada Tabel 1.1 diringkas kembali seperti pada Tabel 1.2.
Tabel 1.2 Harga Saham BNI
Date
4
5
6
7
8
11
12
13
14
Close Price
8225
8450
8525
8525
8850
8900
8800
9100
9225
15
18
19
20
21
22
27
9375
9300
9525
9525
9850
9850
9900
2. Menginput Data di K-Stat
Selanjutnya data pada Tabel 2.1 diinput di K-Stat.
Gambar 2.1
3. Menyajikan Data dalam Grafik (Grafik Sebaran Data)
Selanjutnya menyajikan data ke dalam grafik.
Gambar 3.1
Gambar 3.2
Gambar 3.3
Gambar 3.4
Berdasarkan Gambar 3.3 dan Gambar 3.4, terdapat kecenderungan harga saham BNI mengalami
peningkatan dari tanggal 4 Desember 2017 sampai dengan tanggal 27 Desember 2017. Berikut tampilan
grafik dengan Eviews.
Gambar 3.5
Gambar 3.6
Close Price
10,000
9,600
9,200
8,800
8,400
8,000
1
2
3
4
5
6
7
8
9
10
11
12
13
Gambar 3.7
Gambar 3.8
Gambar 3.9
Close Price
10,000
9,600
9,200
8,800
8,400
8,000
1
2
3
4
5
6
7
8
9
10
11
Gambar 3.10
12
13
14
15
16
14
15
16
4. Uji Stasioner dengan Pendekatan Correlogram dengan K-Stat
Selanjutnya dilakukan uji stasioner dengan pendekatan correlogram dengan K-Stat (pada Level).
Gambar 4.1
Gambar 4.2
Gambar 4.3
Gambar 4.4
Berikut disajikan hasil uji stasioner dengan pendekatan correlogram dalam EViews.
Gambar 4.5
Gambar 4.6
Gambar 4.7
5. Uji Stasioner dengan Pendekatan Uji Augmented Dickey-Fuller dengan K-Stat
Selanjutnya dilakukan uji stasioner dengan pendekatan Augmented Dickey-Fuller dengan K-Stat (pada
Level).
Nilai statistik ADF -0,4564.
Nilai kritis pada tingkat signifikansi 5%
adalah -3,00.
Gambar 5.1
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.1) diketahui nilai
statistik ADF |-0,4564| < nilai kritis |-3,000|, maka data tidak stasioner pada level.
Gambar 5.2
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.2) diketahui nilai
statistik ADF |-4,507| > nilai kritis |-3,000|, maka data stasioner pada first difference. Berikut disajikan
hasil berdasarkan EViews.
Gambar 5.3
Gambar 5.4
Tabel 5.1 Hasil Uji Stasioner pada Level
Null Hypothesis: CLOSE_PRICE has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=3)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-0.456407
-4.121990
-3.144920
-2.713751
0.8688
*MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 12 Secara otomatis EViews
menetapkan Lag Length = 3
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(CLOSE_PRICE)
Method: Least Squares
Date: 12/28/17 Time: 17:05
Sample (adjusted): 5 16
Included observations: 12 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
CLOSE_PRICE(-1)
D(CLOSE_PRICE(-1))
D(CLOSE_PRICE(-2))
D(CLOSE_PRICE(-3))
C
-0.039360
-1.047104
-0.917922
-0.592647
765.0040
0.086239
0.316445
0.376233
0.321804
780.3120
-0.456407
-3.308956
-2.439772
-1.841643
0.980382
0.6619
0.0130
0.0448
0.1081
0.3596
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.657546
0.461858
111.2692
86665.86
-70.33671
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
114.5833
151.6794
12.55612
12.75816
12.48131
F-statistic
Prob(F-statistic)
3.360174
0.077590
Durbin-Watson stat
2.091355
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller, diketahui nilai statistik ADF |0,4564| < nilai kritis |-3,144920|, maka data tidak stasioner pada level.
Gambar 5.5
Gambar 5.6
Tabel 5.2 Hasil Uji Stasioner pada First Difference
Null Hypothesis: D(CLOSE_PRICE) has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=3)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-4.506984
-4.121990
-3.144920
-2.713751
0.0054
*MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 12 Secara otomatis EViews
menetapkan Lag Length = 2
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(CLOSE_PRICE,2)
Method: Least Squares
Date: 12/28/17 Time: 17:06
Sample (adjusted): 5 16
Included observations: 12 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(CLOSE_PRICE(-1))
D(CLOSE_PRICE(-1),2)
D(CLOSE_PRICE(-2),2)
C
-3.649155
1.556970
0.596023
411.8584
0.809667
0.595444
0.305385
95.85122
-4.506984
2.614804
1.951709
4.296850
0.0020
0.0309
0.0868
0.0026
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.888415
0.846570
105.6201
89244.89
-70.51266
21.23137
0.000364
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
4.166667
269.6448
12.41878
12.58041
12.35893
2.055837
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.2) diketahui nilai
statistik ADF |-4,506984| > nilai kritis |-3,144920|, maka data stasioner pada first difference. Berikut
disajikan hasil berdasarkan EViews.
6. Uji Ljung-Box dengan K-Stat
Pengujian ini dilakukan untuk kesesuaian penggunaan ARMA atau ARIMA. Adapun hipotesis yang
diujikan adalah (Mahyus, 2014:77).
� : Data random (tidak ada pola)
� : Data tidak random (ada pola)
Mahyus (2014:77) dalam uji L-Jung-Box-Pierce, apabila tingkat probabilitas (p-value) dari Q statistik
dari setiap time lag < 0,05 (tingkat kepercayaan 95%) maka � ditolak. Artinya data tersebut dapat
sesuai dimodelkan dengan menggunakan ARMA atau ARIMA.
Gambar 6.1
Berdasarkan hasil uji Ljung-Box untuk data close price pada first difference, hanya pada lag pertama
nilai p-value < 0,05, yakni 0,0296966 < 0,05.
Berikut hasil uji Ljung-Box untuk data close price pada first difference dalam EViews.
Gambar 6.2
Gambar 6.3
Gambar 6.4
Gambar 6.5
7. AR, MA, ARMA dan ARIMA dengan K-Stat
AR(1) dengan K-Stat.
Gambar 7.1
AR(1) dengan EViews.
Gambar 7.2
AR(2) dengan K-Stat.
Gambar 7.3
AR(2) dengan EViews.
Gambar 7.4
Gambar 7.5
MA(1) dengan K-Stat.
Gambar 7.6
MA(1) dengan EViews.
Gambar 7.7
Gambar 7.8
ARIMA(1,1,1) dengan K-Stat.
Gambar 7.9
ARIMA(1,1,1) dengan EViews.
Gambar 7.10
Gambar 7.11
8. Uji Stasioner Data Residual pada Level dengan K-Stat
Berikut ilustrasi untuk melakukan uji stasioner data residual pada level dengan uji Augmented DickeyFuller dengan K-Stat. Unuk ilustrasi ini digunakan AR(1).
Gambar 8.1
Berdasarkan Gambar 8.1, diketahui nilai statistik ADF |-3,988| > nilai kritis |-3,00|, maka data residual
stasioner pada level. Berikut hasil uji stasioner dengan uji Augmented Dickey-Fuller untuk data
residual dengan EViews (untuk AR(1)).
Gambar 8.2
Gambar 8.3
Gambar 8.4
Gambar 8.5
Gambar 8.6
Gambar 8.7
Gambar 8.8
9. Nilai Prediksi/Ramalan dengan K-Stat
Berikut ilustrasi yang memperlihatkan nilai aktual dan nilai prediksi. Unuk ilustrasi ini digunakan
AR(1).
Gambar 9.1
Gambar 9.2
Gambar 9.3
Gambar 9.4
Gambar 9.5
Gambar 9.10
Nilai prediksi 5 waktu ke depan adalah
9956.08 10008.41 10057.25 10102.82 10145.35
Nilai aktual, prediksi dan residual dengan EViews untuk AR(1).
Gambar 9.11
Gambar 9.12
10,000
9,600
9,200
300
8,800
200
8,400
100
8,000
0
-100
-200
-300
2
3
4
5
6
7
8
Residual
9
10
Actual
Gambar 9.13
11
12
13
Fitted
14
15
16
Referensi Bacaan:
Buku dengan judul “Analisis Data Time Series Untuk Penelitian Ekonomi, Manajemen dan
Akuntansi” yang ditulis oleh Dr. Mahyus Ekananda, M.M., M.SE, Tahun 2014, Penerbit Mitra
Wacana Media.
K-STAT &EVIEWS
Oleh
Prana Ugiana Gio
Video Cara Mendownload Aplikasi Olah Data K-Stat :
https://www.youtube.com/watch?v=CnYWqjEs6HQ
Menggunakan Aplikasi Olah Data K-Stat secara Online:
https://gioprana.shinyapps.io/K-Stat/
Panduan Mengolah Data dengan K-Stat:
https://osf.io/svqzj/
1. Data
Berikut diberikan data harga saham bank BNI dari tanggal 4 Desember 2017 sampai dengan tanggal 27
Desember 2017.
Tabel 1.1 Harga Saham BNI
No
Kode
Tanggal
Open
Close
Change(Rp)
Change(%)
Volume
1
BBNI
04/12/2017
8100
8225
125
1.54
19862000
2
BBNI
05/12/2017
8225
8450
225
2.74
14593000
3
BBNI
06/12/2017
8450
8525
75
0.89
15900800
4
BBNI
07/12/2017
8525
8525
0
0
9889000
5
BBNI
08/12/2017
8525
8850
325
3.81
28985000
6
BBNI
11/12/2017
8850
8900
50
0.56
18569500
7
BBNI
12/12/2017
8900
8800
-100
-1.12
11985700
8
BBNI
13/12/2017
8800
9100
300
3.41
17972800
9
BBNI
14/12/2017
9100
9225
125
1.37
17243800
10
BBNI
15/12/2017
9225
9375
150
1.63
22811900
11
BBNI
18/12/2017
9375
9300
-75
-0.8
17105600
12
BBNI
19/12/2017
9300
9525
225
2.42
12430200
13
BBNI
20/12/2017
9525
9525
0
0
16578200
14
BBNI
21/12/2017
9525
9850
325
3.41
29769000
15
BBNI
22/12/2017
9850
9850
0
0
67623600
16
BBNI
27/12/2017
9850
9900
50
0.51
15316600
Sumber: http://www.seputarforex.com/saham/data_historis/index.php
Data pada Tabel 1.1 diringkas kembali seperti pada Tabel 1.2.
Tabel 1.2 Harga Saham BNI
Date
4
5
6
7
8
11
12
13
14
Close Price
8225
8450
8525
8525
8850
8900
8800
9100
9225
15
18
19
20
21
22
27
9375
9300
9525
9525
9850
9850
9900
2. Menginput Data di K-Stat
Selanjutnya data pada Tabel 2.1 diinput di K-Stat.
Gambar 2.1
3. Menyajikan Data dalam Grafik (Grafik Sebaran Data)
Selanjutnya menyajikan data ke dalam grafik.
Gambar 3.1
Gambar 3.2
Gambar 3.3
Gambar 3.4
Berdasarkan Gambar 3.3 dan Gambar 3.4, terdapat kecenderungan harga saham BNI mengalami
peningkatan dari tanggal 4 Desember 2017 sampai dengan tanggal 27 Desember 2017. Berikut tampilan
grafik dengan Eviews.
Gambar 3.5
Gambar 3.6
Close Price
10,000
9,600
9,200
8,800
8,400
8,000
1
2
3
4
5
6
7
8
9
10
11
12
13
Gambar 3.7
Gambar 3.8
Gambar 3.9
Close Price
10,000
9,600
9,200
8,800
8,400
8,000
1
2
3
4
5
6
7
8
9
10
11
Gambar 3.10
12
13
14
15
16
14
15
16
4. Uji Stasioner dengan Pendekatan Correlogram dengan K-Stat
Selanjutnya dilakukan uji stasioner dengan pendekatan correlogram dengan K-Stat (pada Level).
Gambar 4.1
Gambar 4.2
Gambar 4.3
Gambar 4.4
Berikut disajikan hasil uji stasioner dengan pendekatan correlogram dalam EViews.
Gambar 4.5
Gambar 4.6
Gambar 4.7
5. Uji Stasioner dengan Pendekatan Uji Augmented Dickey-Fuller dengan K-Stat
Selanjutnya dilakukan uji stasioner dengan pendekatan Augmented Dickey-Fuller dengan K-Stat (pada
Level).
Nilai statistik ADF -0,4564.
Nilai kritis pada tingkat signifikansi 5%
adalah -3,00.
Gambar 5.1
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.1) diketahui nilai
statistik ADF |-0,4564| < nilai kritis |-3,000|, maka data tidak stasioner pada level.
Gambar 5.2
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.2) diketahui nilai
statistik ADF |-4,507| > nilai kritis |-3,000|, maka data stasioner pada first difference. Berikut disajikan
hasil berdasarkan EViews.
Gambar 5.3
Gambar 5.4
Tabel 5.1 Hasil Uji Stasioner pada Level
Null Hypothesis: CLOSE_PRICE has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=3)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-0.456407
-4.121990
-3.144920
-2.713751
0.8688
*MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 12 Secara otomatis EViews
menetapkan Lag Length = 3
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(CLOSE_PRICE)
Method: Least Squares
Date: 12/28/17 Time: 17:05
Sample (adjusted): 5 16
Included observations: 12 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
CLOSE_PRICE(-1)
D(CLOSE_PRICE(-1))
D(CLOSE_PRICE(-2))
D(CLOSE_PRICE(-3))
C
-0.039360
-1.047104
-0.917922
-0.592647
765.0040
0.086239
0.316445
0.376233
0.321804
780.3120
-0.456407
-3.308956
-2.439772
-1.841643
0.980382
0.6619
0.0130
0.0448
0.1081
0.3596
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.657546
0.461858
111.2692
86665.86
-70.33671
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
114.5833
151.6794
12.55612
12.75816
12.48131
F-statistic
Prob(F-statistic)
3.360174
0.077590
Durbin-Watson stat
2.091355
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller, diketahui nilai statistik ADF |0,4564| < nilai kritis |-3,144920|, maka data tidak stasioner pada level.
Gambar 5.5
Gambar 5.6
Tabel 5.2 Hasil Uji Stasioner pada First Difference
Null Hypothesis: D(CLOSE_PRICE) has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=3)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-4.506984
-4.121990
-3.144920
-2.713751
0.0054
*MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 12 Secara otomatis EViews
menetapkan Lag Length = 2
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(CLOSE_PRICE,2)
Method: Least Squares
Date: 12/28/17 Time: 17:06
Sample (adjusted): 5 16
Included observations: 12 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(CLOSE_PRICE(-1))
D(CLOSE_PRICE(-1),2)
D(CLOSE_PRICE(-2),2)
C
-3.649155
1.556970
0.596023
411.8584
0.809667
0.595444
0.305385
95.85122
-4.506984
2.614804
1.951709
4.296850
0.0020
0.0309
0.0868
0.0026
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.888415
0.846570
105.6201
89244.89
-70.51266
21.23137
0.000364
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
4.166667
269.6448
12.41878
12.58041
12.35893
2.055837
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.2) diketahui nilai
statistik ADF |-4,506984| > nilai kritis |-3,144920|, maka data stasioner pada first difference. Berikut
disajikan hasil berdasarkan EViews.
6. Uji Ljung-Box dengan K-Stat
Pengujian ini dilakukan untuk kesesuaian penggunaan ARMA atau ARIMA. Adapun hipotesis yang
diujikan adalah (Mahyus, 2014:77).
� : Data random (tidak ada pola)
� : Data tidak random (ada pola)
Mahyus (2014:77) dalam uji L-Jung-Box-Pierce, apabila tingkat probabilitas (p-value) dari Q statistik
dari setiap time lag < 0,05 (tingkat kepercayaan 95%) maka � ditolak. Artinya data tersebut dapat
sesuai dimodelkan dengan menggunakan ARMA atau ARIMA.
Gambar 6.1
Berdasarkan hasil uji Ljung-Box untuk data close price pada first difference, hanya pada lag pertama
nilai p-value < 0,05, yakni 0,0296966 < 0,05.
Berikut hasil uji Ljung-Box untuk data close price pada first difference dalam EViews.
Gambar 6.2
Gambar 6.3
Gambar 6.4
Gambar 6.5
7. AR, MA, ARMA dan ARIMA dengan K-Stat
AR(1) dengan K-Stat.
Gambar 7.1
AR(1) dengan EViews.
Gambar 7.2
AR(2) dengan K-Stat.
Gambar 7.3
AR(2) dengan EViews.
Gambar 7.4
Gambar 7.5
MA(1) dengan K-Stat.
Gambar 7.6
MA(1) dengan EViews.
Gambar 7.7
Gambar 7.8
ARIMA(1,1,1) dengan K-Stat.
Gambar 7.9
ARIMA(1,1,1) dengan EViews.
Gambar 7.10
Gambar 7.11
8. Uji Stasioner Data Residual pada Level dengan K-Stat
Berikut ilustrasi untuk melakukan uji stasioner data residual pada level dengan uji Augmented DickeyFuller dengan K-Stat. Unuk ilustrasi ini digunakan AR(1).
Gambar 8.1
Berdasarkan Gambar 8.1, diketahui nilai statistik ADF |-3,988| > nilai kritis |-3,00|, maka data residual
stasioner pada level. Berikut hasil uji stasioner dengan uji Augmented Dickey-Fuller untuk data
residual dengan EViews (untuk AR(1)).
Gambar 8.2
Gambar 8.3
Gambar 8.4
Gambar 8.5
Gambar 8.6
Gambar 8.7
Gambar 8.8
9. Nilai Prediksi/Ramalan dengan K-Stat
Berikut ilustrasi yang memperlihatkan nilai aktual dan nilai prediksi. Unuk ilustrasi ini digunakan
AR(1).
Gambar 9.1
Gambar 9.2
Gambar 9.3
Gambar 9.4
Gambar 9.5
Gambar 9.10
Nilai prediksi 5 waktu ke depan adalah
9956.08 10008.41 10057.25 10102.82 10145.35
Nilai aktual, prediksi dan residual dengan EViews untuk AR(1).
Gambar 9.11
Gambar 9.12
10,000
9,600
9,200
300
8,800
200
8,400
100
8,000
0
-100
-200
-300
2
3
4
5
6
7
8
Residual
9
10
Actual
Gambar 9.13
11
12
13
Fitted
14
15
16
Referensi Bacaan:
Buku dengan judul “Analisis Data Time Series Untuk Penelitian Ekonomi, Manajemen dan
Akuntansi” yang ditulis oleh Dr. Mahyus Ekananda, M.M., M.SE, Tahun 2014, Penerbit Mitra
Wacana Media.