Bimo Aji Dimas D_12.7067_06.docx

Nama : Bimo Aji Dimas DanindroKelas : 3 SE 5NIM : 12.7067Laporan1. ICS Stock Melihat asumsi stasioneritas dengan Unit Root TestHo : Tidak StasionerHa : Stasioner

Dari hasil Unit Root Test metode ADF dengan tingkat signifikansi 5% dapat dikatakan bahwa data indeks ICS Stock memenuhi asumsi stasioneritas sehingga dapat dibentuk persamaan untuk forecasting menggunakan model ARMA.

Deteksi Jumlah Lag dengan menggunakan Correlogram

Dari hasil diagnosa Correlogram terdapat indikasi maksimum Lag untuk AR adalah 1 dan untuk MA adalah 2.

Run Model ARMA(1,2)

Dengan tingkat signifikansi 5% dapat dikatakan bahwa parameter MA(2) tidak signifikan sehingga harus dicari model lain untuk melakukan peramalan.

ARMA(1,1)

Pengujian apakah error dari model ini memiliki sifat White Noise ?Uji Autokolerasi Ho : Non-AutokolerasiHa : Autokolerasi

Dari hasil uji menggunakan Q-Stat diatas, dengan tingkat signifikansi 5% dapat disimpulkan bahwa error dari model ARMA (1,2) memiliki sifat White Noise.Uji HomoskedastikHo : HomoskedastikHa : Heteroskedastik

Dengan tingkat signifikansi 5% dapat dikatakan bahwa error data bersifat homoskedastik.

ARMA(1,0)


Dari hasil uji menggunakan Q-Stat diatas, dengan tingkat signifikansi 5% dapat disimpulkan bahwa error dari model ARMA (1,0) memiliki sifat White Noise.

Pengujian HomoskedastikHo : HomoskedastikHa : Heteroskedastik

Dengan tingkat signifikansi 5% dapat dikatakan bahwa error data bersifat homoskedastik.

ARMA(0,2)


Dari hasil uji menggunakan Q-Stat diatas, dengan tingkat signifikansi 5% dapat disimpulkan bahwa error dari model ARMA (0,2) tidak memiliki sifat White Noise.Uji HomoskedastikHo : HomoskedastikHa : Heterosledastik

Dengan tingkat signifikansi 5% dapat dikatakan bahwa error dari model ARMA(0,2) memiliki sifat homoskedastik.

ARMA(0,1)


Dari hasil uji menggunakan Q-Stat diatas, dengan tingkat signifikansi 5% dapat disimpulkan bahwa error dari model ARMA (0,1) tidak memiliki sifat White Noise.

Kesimpulan Model terbaik yang dapat diperoleh dengan melihat Adjusted R-Squared, Log Lokelihood, AIC, dan Schwarz criteon serta menguji apakah error dari model memiliki sifat White Noise ataupun asumsi homoskedastisitas maka diperoleh model terbaik adalah ARMA(1,1). Dan kemudian didapat persamaannya sebagai berikut : = 456,8809 0,8073 + 0,5519

ForecastingForecast 2014:6Residual 2014:5 = -60.95= 195

2. IHK Pengujian stasioneritas dataHo : Data tidak stasionerHa : Data stasioner

Dengan tingkat signifikansi 5% dapat dikatakan bahwa data IHK tidak stasioner, maka perlu dilakukan Differencing.

Dengan tingkat signifikansi 5% dapat dikatakan bahwa First Difference dari data IHK memenuhi asumsi stasioneritas.Sehingga dalam model ini digunakan ARIMA dengan d = 1.

Dari correlogram diatas terindikasi bahwa lag maksimum untuk AR adalah 2 sedangkan untuk MA adalah 1 sehingga digunakan model ARIMA (2,1,1).Model ARIMA (2,1,1)

Dengan tingkat signifikansi 5% dapat dikatakan bahwa parameter MA(1) tidak signifikan, maka model ARIMA(2,1,1) tidak layak untuk dilakukan untuk peramalan.

Uji AutocorrelationHo: No AutocorrelationHa: Autocorrelation

Dengan tingkat signifikansi 5% dapat dikatakan bahwa tidak ada Autokolerasi sehingga error pada model ini bersifat White Noise.Uji HomoskedastisitasUji HomoskedastisitasH0: HomoskedastisitasHa: Heteroskedastisitas

Dengan tingkat signifikansi 5% dapat dikatakan bahwa error pada model ini bersifat Heteroskedastisitas.

Model (2,1,0)

Uji AutokorelasiHo: No AutocorrelationHa: Autocorrelation

Dengan tingkat signifikansi 5% dapat dikatakan bahwa tidak ada Autokolerasi sehingga error pada model ini bersifat White Noise.

Uji HomoskedastisitasUji HomoskedastisitasHa: HomoskedastisitasHa: Heteroskedastisitas

Dengan tingkat signifikansi 5% dapat dikatakan bahwa error pada model ini bersifat Heteroskedastisitas.

Model ARIMA(1,1,1)

Parameter AR(1) tidak signifikan, maka model ARIMA(1,1,1) tidak layak untuk dilakukan untuk peramalan.Uji AutocorrelationHo: No AutocorrelationHa: Autocorrelation

Dengan tingkat signifikansi 5% dapat dikatakan bahwa ada Autokolerasi sehingga error pada model ini bersifat tidak White Noise.Uji HomoskedastisitasUji HomoskedastisitasHo: HomoskedastisitasHa: Heteroskedastisitas

Dengan tingkat signifikansi 5% dapat dikatakan bahwa error pada model ini bersifat Homoskedastisitas.

Model ARIMA(1,1,0)


Dengan tingkat signifikansi 5% dapat dikatakan bahwa ada Autokolerasi sehingga error pada model ini bersifat tidak White Noise.Uji HomoskedastisitasUji HomoskedastisitasHo: HomoskedastisitasHa: Heteroskedastisitas

Dengan tingkat signifikansi 5% dapat dikatakan bahwa error pada model ini bersifat Homoskedastis.

Model ARIMA(0,1,1)


Dengan tingkat signifikansi 5% dapat dikatakan bahwa ada Autokolerasi sehingga error pada model ini bersifat tidak White Noise.

Uji HomoskedastisitasUji HomoskedastisitasHo: HomoskedastisitasHa: Heteroskedastisitas

Dengan tingkat signifikansi 5% dapat dikatakan bahwa error pada model ini bersifat homoskedastik.

Kesimpulan :Karena jika digunakan dalam peramalan ARIMA(2,1,1) dan ARIMA(1,1,1) tidak layak karena ada parameter yang tidak signifikan.ARIMA(1,1,0) semua parameter signifikan, namun residualnya tidak white noise, maka bukan ARIMA(1,1,0) model terbaiknya.ARIMA(2,1,0) semua parameter signifikan, residualnya white noise, namun heteroskedastisitas.ARIMA(0,1,1) semua parameter signifikan, sebagian besa residualnya tidak white noise menggunakan Q-stat, namun menggunakan LM-test ternyata no autocorrelation atau white noise dan homoskedastisitas sehingga model terbaiknya adalah model ARIMA(0,1,1).Uji AutocorrelationHo: No AutocorrelationHa: Autocorrelation

Dengan tingat signifikansi 5% dapat disimpulkan bahwa No autocorrelation atau white noise. Hasilnya beda dengan melihat white noise sebelumnya (menggunakan Q-stat).

Model ARIMA(0,1,1)

Maka model ARIMA(0,1,1) adalah:

Forecast ; (2014:1)

Bimo Aji Dimas D_12.7067_06.docx

Documents

Transcript of Bimo Aji Dimas D_12.7067_06.docx