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_in \Ekonometrik a\data\arima_indeks_trans.xls deks_trans.xls Lakukan uji stasioneritas stasionerita s dengan mengklik: Analyze-Forecasting-Autocorr Analyze-Fore casting-Autocorrelation elation Masukkan variable closing ke ke dalam kolom µvariable¶, hilangkan tanda centang µpartial correlation¶ pada parameter parameter µdisplay¶ lalu klik Ok
5. Hasilnya
6. Dari gambar di atas menunjukkan menunjukkan bahwa data tidak stasioner, stasioner, oleh karena 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 µpartial 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 µStatistik¶ beri centang µParameter estimates¶ pada µStatistic for Individual Model.
13. Pada Tabs µSave¶ beri centang µNoise Residual¶ lalu OK
14. Hasilnya sebagai berikut: ARIMA Model Parameters
Estimate Closing-Model_1
Closing
No Transformation
Constant
1.022
AR
Lag 1
Difference MA
Model ARIMA Yt Yt ± (Yt-1 ) Yt
SE
Lag 1
t
.492 .838
Sig.
2.078 .192
.042 4.368
.000
1 .653
.261
2.499
yang dibuat: = 1,022 + 0,838 Y t-1 ± 0,653e t-1 = 1,022 + 0,838(Y t-1 - Yt-2) - 0,653e t-1 = 1,022 + 1,83 Y t-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 µ sig µ 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:
.015
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
