Analisa hasil pengujian data ihsg 2009

1

ANALISIS HASIL PENGUJIAN DATA IHSG DENGAN MENGGUNAKAN EVIEWS

1. Uji Stasioneritas Data Runtun Waktu

Data IHSG 2009 harus diuji kestasioneritasannya sebelum di masukkan ke dalam model.

Pengujian dapat dilakukan dengan beberapa cara:

1.1 Plot data dan Plot Fungsi ACF / ACF Pada Level

Melalui visualisasi data dibawah yang dihasilkan dengan menggunakan eviews, terlihat

bahwa kurva data IHSG 2009 tidak stasioner, kurvanya mengikuti trend naik.

Gambar 1.1 Plot data Menurut Urutan Waktu

1,200

1,400

1,600

1,800

2,000

2,200

2,400

2,600

2009Q1 2009Q2 2009Q3 2009Q4

IHSG

2

Gambar 1.2 Plot ACF dan PACF Data Ihsg

Begitu pula dengan uji correlogram pada tabel diatas antara ACF dan PACF yang

meluruh secara perlahan, bisa juga dilihat dari nilai AC dan PACnya yang masih jauh dari

titik tengah atau “nol” sehingga data tidak stasioner.

1.2 Uji Augmented Dickey Fuller Pada Level

H0 : ρ=0 ( terdapat unit root)

H1 : ρ≠0 ( tidak terdapat unit root)

α=5% ; n = 242;

Statistik Uji: Uji ADF

RR Tolak saat nilai uji ADF memiliki nilai kurang dibandingkan nilai daerah

kritik atau p-value<0,05

Statistik Hitung:

3

Gambar 1.3 Output Uji ADF pada Level

Keputusan: karena p-value lebih dari 0.05 maka terima H0

Kesimpulan: data mengandung unit root sehingga data tidak stasioner

Berdasarka uji PACF-ACF, ADF menghasilkan data IHSG yang tidak stasioner maka supaya

data dapat diolah, maka data IHSG harus differentkan (Different 1). Data tahun ke t

dikurangkan dengan data tahun ke t-1, kemudian di generate untuk seluruh data

sehingga diperoleh variable DIHSG.

Genr DIHSG =IHSG – IHSG(-1)

1.2 Plot data dan Plot Fungsi ACF / ACF Pada Different

Setelah data IHSG didifferentkan maka dilakukan pengujian seperti pengujian data IHSG

sebelumnya untuk menguji apakah data stasioner aau tidak, seperti tertera di bawah ini :

Gambar 1.4 Plot data Menurut Urutan Waktu

4

Berdasarkan gambar diatas data IHSG 2009 yang sudah didifferentkan pada different

pertama telah stasioner dibuktikan dari pergerakan kurva di garis titik “nol” atau tidak

mengandung trend.

Gambar 1.5 Plot ACF dan PACF Data DIhsg

Begitu pula dengan uji correlogram pada gambar 1.5 antara plot ACF dan PACF yang

meluruh dengan cepat sehingga data stasioner.

1.4 Uji Augmented Dickey Fuller Pada Different

H0 : ρ=0 ( terdapat unit root)

H0 : ρ≠0 ( tidak terdapat unit root)

α=5% ; n = 242;

5

Statistik Uji: Uji ADF

RR Tolak saat nilai uji ADF memiliki nilai kurang dibandingkan nilai daerah

kritik atau p-value<0,05

Statistik Hitung:

Gambar 1.6 Output uji ADF pada Different

Keputusan: karena p-value kurang dari 0.05 maka tolak H0

Kesimpulan: Dengan tingkat kepercayaan 95% data tidak mengandung

unit root sehingga data stasioner

Karena data sudah stasioner, maka dapat dimasukkan ke dalam model untuk

melakukan pengujian berikutnya.

2. Pemilihan Model Terbaik dari Data Different

Berdasarkan plot ACF yang bersifat luruh menuju nol dan PACF yang signifikan

(keluar dari batas interval) pada lag 11, 28, 30 dapat diamati bahwa model yang relative baik

untuk memodelkan data di atas menurut prinsip parsimony (kesederhanaan) dari pemodelan

dapat digunakan beberapa alternatif model dari data DIHSG.

Model 1. ARMA(0,0)

ΔIHSGt = α0+ εt

Model 2 AR(11)

ΔIHSGt = α0+α1 ΔIHSGt-1 + α2 ΔIHSGt-2 +…+ α11 ΔIHSGt-11 + εt

Model 3 MA(11)

ΔIHSGt = α0+β1 ΔIHSGt-1 + β2 ΔIHSGt-2 +…+ β11 ΔIHSGt-11 + εt

Model 4 AR(11) MA(11)

6

ΔIHSGt = α0+ α1 ΔIHSGt-1 + α2 ΔIHSGt-2 +…+ α11 ΔIHSGt-11 + β1 ΔIHSGt-1 + β2

ΔIHSGt-2 +…+ β11 ΔIHSGt-11 + εt

Model 5 AR(28)


Model6 MA(28)

ΔIHSGt = α0+β1 ΔIHSGt-1 + β2 ΔIHSGt-2 +…+ β28 ΔIHSGt-28 + εt\

Model 7 AR(28) MA(28)



Model 8 AR (30)


Model 9 MA(30)

ΔIHSGt = α0+β1 ΔIHSGt-1 + β2 ΔIHSGt-2 +…+ β30 ΔIHSGt-30 + εt\

Model 10 AR(30) MA (30)



Dengan bentuk umum yang sama, berlaku juga untuk

Model 11 AR (11) MA (28)

Model 12AR (11) MA (30)

Model 13 AR (28) MA (11)

Model 14 AR (28) MA (30)

Model 15 AR (30) MA (11)

Model 16 AR (30) MA (28)

Model 17 AR (11) MA (11) MA (28)

Model 18 AR (11) MA (11) MA (30)

Model 19 AR (11) MA (28) MA (30)

Model 20 AR (28) MA (11) MA (28)

Model 21 AR (28) MA (11) MA (30)

Model 22 AR (28) MA (28) MA (30)

Model 23 AR (30) MA (11) MA (28)

7

Model 24 AR (30) MA (11) MA (30)

Model 25 AR (30) MA (28) MA (30)

Model 26 AR (11) AR (28) MA (11)

Model 27 AR (11) AR (30) MA (11)

Model 28 AR (28) AR (30) MA (11)

Model 29 AR (11) AR (28) MA (28)

Model 30 AR (11) AR (30) MA (28)

Model 31 AR (28) AR (30) MA (28)

Untuk menentukan model terbaik maka dilihat nilai kriteria Akaike dan

kriteria Schwarz. Model yang paling baik adalah model yang mempunyai nilai

Akaike dan Schwarz paling kecil dengan nilai R-Adjusted yang paling besar. Berikut

rirngkasan Output dari 31 model tersebut

No Model R^2 SSR Akaike Schwarz

1 c 0 205372.9 9.593961 9.608421

2 c ar 11 0.01872 196150.1 9.603825 9.633721

3 c ma 11 0.016969 201887.9 9.585145 9.614065

4 c ar 11 ma 11 0.014758 201998.6 9.598254 9.641762

5 c ar 28 0.026158 191776.6 9.65945 9.691012

6 c ma 28 0.024677 200304.9 9.577274 9.606193

7 c ar 28 ma 28 0.13882 169590.3 9.545894 9.593237

8 c ar 30 0.015658 192934 9.67508 9.706851

9 c ma 30 0.023454 200556.1 9.578527 9.607446

10 c ar 30 ma 30 0.224523 151995.9 9.446064 9.49372

11 c ar 11 ma 28 0.040789 191739.7 9.589774 9.634618

12 c ar 11 ma 30 0.047485 190400.2 9.582768 9.627613

13 c ar 28 ma 11 0.041955 188665.7 9.652486 9.699828

14 c ar 28 ma 30 0.069018 183336.2 9.623831 9.671173

15 c ar 30 ma 11 0.038101 188535.1 9.661495 9.709151

8

16 c ar 30 ma 28 0.056588 184911.7 9.642089 9.689746

17 c ar 11 ma 11 ma 28 0.082663 183368.5 9.553833 9.613626

18 c ar 11 ma 11 ma 30 0.082562 183388.7 9.553944 9.613736

19 c ar 11 ma 28 ma 30 0.079682 183964.4 9.557078 9.61687

20 c ar 28 ma 11 ma 28 0.176028 162263 9.511118 9.57424

21 c ar 28 ma 11 ma 30 0.085148 180159.7 9.615743 9.678866

22 c ar 28 ma 28 ma 30 0.134035 170532.6 9.560825 9.623948

23 c ar 30 ma 11 ma 28 0.062889 183674.6 9.644855 9.70837

24 c ar 30 ma 11 ma 30 0.226618 151585.3 9.452837 9.51638

25 c ar 30 ma 28 ma 30 0.179205 160878.3 9.512337 9.576879

26 c ar 11 ar 28 ma 11 0.099758 177282.7 9.599645 9.662767

27 c ar 11 ar 30 ma 11 0.040515 188062.1 9.668461 9.7732004

28 c ar 28 ar 30 ma 11 0.060301 184183.9 9.647624 9.711166

29 c ar 11 ar 28 ma 28 0.139327 169508.1 9.5548 9.617923

30 c ar 11 ar 30 ma 28 tidak signifikan pada ar11

31 c ar 28 ar 30 ma 28 0.156974 165235.8 9.539062 9.602605

Tabel 2.1 Rangkuman Jenis Model, nilai R^2, SSR, Akaike dan Schwarz

Berdasarkan nilai SSR yang terkecil didapatkan model 24 sebagai pilihan model

terbaik. Jika meihat nilai AKAIKE yang terkecil didapatkan model 10 sebagai alternatif

model terbaik. Dan jika meihat nilai SCHWARZ yang terkecil didapatkan model 10 sebagai

alternatif model terbaik. Tetapi model 10 dan model 24 ketika diuji dengan asumsi klasik

maka model tersebut heteroskedastis. Sehingga dengan trial and error, didapatkan model 26

sebagai model terbaik sehingga bentuk daro model tersebut adalah

Model 26 AR (11) AR (28) MA (11)

ΔIHSGt = α0+ α11 ΔIHSGt-11 + α28 ΔIHSGt-28 + β11 ΔIHSGt-11 + εt

Selanjutnya setelah terpilih model yang terbaik hal yang dilakukan adalah

menguji residualnya, apakah stationer atau tidak. Sama seperti pengujian stasioner

9

sebelumnya, pengujian residual juga dilakukan menggunakan Augmented Dickey-

Fuller Unit Root test pada level disertai dengan grafik dan correlogram untuk

melihat autokorelasinya

3. Diagnostik Checking

3.1 Uji plot ACF-PACF dan Q LjungBox

H0 : residual model bersifat white noise

H1 : residual model tidak bersifat white noise

α=5% ; n = 242; lags: 36

Statistik Uji: Uji Plot ACF-PACF dan Q LjungBox

RR :Tolak Ho saat nilai p-value<0,05

Statistik Hitung: t-statistik

10

Tabel 3.1 Plot ACF dan PACF dan Uji Q-LjungBox Residual Model Terbaik

Keputusan: Nilai ACF dan PACF tidak signifikan yang ditandai dengan P-value dari

Statistik Q-LjungBox yang lebih besar dari α=5%.

Kesimpulan: Dengan tingkat kepercayaan 95% , residual model 26 bersifat white-

noise dan tidak terdapat korelasi serial dalam residualnya. Dengan

demikian dapat disimpulkan model 26 merupakan model yang sesuai

untuk menggambarkan sifat-sifat data DIHSG.

11

3.2 Uji ADF Residual

H0: E(εi,εj) =0 untuk i ≠ 𝑗

H1: E (εi,εj) ≠ 0 untuk i ≠ 𝑗

α=5% ; n = 242; lags: 36

Statistik Uji: Uji ADF dan Grafik



Tabel 3.2 Output Uji ADF esidual

gambar 3.3 Output Grafik Residual

Keputusan : Hasil ADF-unit root test menunjukkan t-statistik -14,17 , keputusan tolak

hipotesis nol .

-100

-80

-60

-40

-20

0

20

40

60

80

2009Q1 2009Q2 2009Q3 2009Q4

RESIDUAL_MODEL_TERBAIK

12

Kesimpulan: Dengan tingkat kepercayaan 95% bahwa residual sudah stasioner dan

tidak terjadi random walk. Hal ini diperkuat dengan grafik di atas.

Residual juga tidak mengandung autokorelasi yang signifikan.

3.3 Uji Normalitas

H0: εi ~ N(0,σ2)

H1 : εi ≠ N(0,σ2)

α=5% ; n = 242; lags: 36

Statistik Uji: Grafik, Skewness dan Kurtosis



Tabel 3.4 Output Uji Normalitas

Keputusan : Karena p-value(0.37768) >0.05 maka terima H0

Kesimpulan : Dengan tingkat kepercayaan 95% dengan didukung grafik yang ada maka

residual data bersifat normal.

3.4 Uji Homoskedastis

H0 : Asumsi Homoskedastisitas terpenuhi

H1: Asumsi Homoskedastisitas tidak terpenuhi

α=5% ; n = 242; lags: 36

Statistik Uji: Uji White



13

Tabel 3.5 Output uji White

Keputusan: karena p value (0.1561) > 0,05 maka terima H0

Kesimpulan : Dengan tingkat kepercayaan 95%, bahwa residual model

memenuhi asumsi klasik homoskedastis.

3.5 Uji Autokorelasi Residual

H0: tidak terjadi autokorelasi pada residual

H1: tidak terjadi autokorelasi pada residual

α=5% ; n = 242; lags: 36

Statistik Uji: Uji Breusch Godfrey Lagrange Multiplier (BGLM)



Tabel 3.6 Output Uji BGLM

14

Keputusan: karena p value > 0,05 maka terima H0

Kesimpulan : Dengan tingkat kepercayaan 95%, bahwa residual model

memenuhi asumsi klasik tidak terjadi autokorelasi.

4. Forecasting

4.1 Metode Dynamic untuk Peramalan Jangka Panjang 5 Hari ke Depan

Tanggal IHSG

02 Januari 2010 2551.925

03 Januari 2010 2560.924

04 Januari 2010 2566.163

05 Januari 2010 2575.103

06 januari 2010 2579.034

Tabel 4.2 hasil

Peramalan

Untuk 5 hari ke

depan

Gambar

4.1 Hasil

Peramalan

5 hari ke

Depan

15

4.2 Metode Static untuk Peramalan Jangka Pendek 1 Hari ke Depan

Qa1`Sq.zszdwGrafik 4.3 Hasil Peramalan 1 hari ke Depan

Tabel 4.4 Hasil Peramalan 1 hari ke Depan

Tanggal IHSG

02 Januari 2010 2536.353

Grafik 4.5 Hasi Fitting dengan Metode Static

1,200

1,400

1,600

1,800

2,000

2,200

2,400

2,600

2009Q1 2009Q2 2009Q3 2009Q4

IHSG IHSGF

Analisa hasil pengujian data ihsg 2009

Education

Transcript of Analisa hasil pengujian data ihsg 2009