Nama Kelompok:

1. Pamona Dwirahayu (J1A112011)

2. Fitri Marlinasari (J1A112027)
Data Penelitian Time Series Bulanan Produk Domestik Bruto
(PDB). Kredit Perbankan (CR) dan Kapitalisasi Pasar Saham
(KAP)periode 1999 s/d 2008 (Miliar Rupiah)

PERIOD
E
Jan-99
Feb99
Mar99
Apr99
May99
Jun99
Jul99
Aug99
Sep99
Oct99
Nov99
Dec99
Jan-00
Feb00
Mar00
Apr00
May00
Jun00
Jul00
Aug00

PDB
332.39
8
330.54
9
328.24
1
325.87
3
324.34
6
325.66
3
330.35
6
336.68
7
341.44
3
342.04
1
340.39
9
339.06
2
340.10
8
342.02
9
342.85
2
341.71
8
340.17
0
340.86
5
345.15
6
351.06
1

PERIOD
E

PDB

PERIOD
E

PDB

PERIOD
E

PDB

Jan-02

358.505

Jan-05

419.556

Jan-07

467.348

Feb02

363.652

Feb-05

422.918

Feb-07

471.176

Mar02

368.650

Mar-05

426.612

Mar-07

475.533

Apr02

371.035

Apr-05

429.350

Apr-07

478.860

May02

372.605

May-05

432.094

May-07

482.433

Jun02

375.721

Jun-05

436.121

Jun-07

488.026

Jul02

380.982

Jul-05

441.331

Jul-07

495.429

Aug02

386.325

Aug-05

446.393

Aug-07

502.764

Sep02

387.920

Sep-05

448.598

Sep-07

506.168

Oct02

383.940

Oct-05

446.597

Oct-07

503.559

Nov02

377.302

Nov-05

442.427

Nov-07

497.757

Dec02

372.926

Dec-05

439.484

Dec-07

493.365

Jan-03

375.029

Jan-06

440.820

Jan-08

494.783

Feb03

380.805

Feb-06

444.560

Feb-08

499.610

Mar03

386.744

Mar-06

448.485

Mar-08

505.243

Apr03

389.684

Apr-06

450.947

Apr-08

509.390

May03

391.553

May-06

453.341

May-08

513.507

Jun03

394.621

Jun-06

457.637

Jun-08

519.359

Jul03

399.549

Jul-06

464.147

Jul-08

526.954

Aug03

404.396

Aug-06

471.059

Aug-08

534.529

355.29
0
355.22
0
352.83
0
350.76
3
351.55
6
353.83
4
356.115
357.30
5
358.33
8
360.53
3
363.89
4
367.10
1
367.51
7
364.14
7
359.12
7
356.24
0

Sep00
Oct00
Nov00
Dec00
Jan-01
Feb01
Mar01
Apr01
May01
Jun01
Jul01
Aug01
Sep01
Oct01
Nov01
Dec01

Sep03

405.608

Sep-06

474.904

Sep-08

538.567

Oct03

401.518

Oct-06

473.539

Oct-08

535.943

Nov03

394.847

Nov-06

469.364

Nov-08

528.615

Dec03

390.199

Dec-06

466.101

Dec-08

518.935

Jan-04

391.712

Feb04

396.847

Mar04

402.597

Apr04

406.003

May04

408.591 Sumber:

Jun04
Jul04

411.936 http://lib.ui.ac.id/file?file=digital/124624-T
%2026319-Analisa%20hubungan416.617 lampiran.pdf

Aug04

diakses pada tanggal 14 april 2016 jam

421.349 11.57.49

Sep04

423.852

Oct04

422.876

Nov04

420.074

Dec04

418.132

TIME SERIES PLOT

Penjelasan:

Time Series Plot of PDD

550000

Dari grafik time series plot of PDB

terlihat bahwa grafik bergerak
menaik, artinya data memiliki pola
trend. Data tersebut tidak stasioner
dalam mean tetapi stasioner dalam
variansi.

500000

PDD

450000

400000

350000

300000
1

12

24

36

48

60
Index

72

84

96

108

120

AUTOKORELASI
Penjelasan:

Autocorrelation Function for PDD

(with 5% significance limits for the autocorrelations)

Dari grafik autokorelasi dari PDB

dapat disimpulkan bahwa secara
perlahan-lahan turun menuju nol.
Hal ini menunjukkan bahwa data
belum stasioner dan memiliki pola
trend. terlihat dari gambar diatas
nilai fungsi dari autokorelasi
cenderung turun lambat.

1,0
0,8

Autocorrelation

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2

10

12

14

16
Lag

18

20

22

24

26

28

30

AUTOKORELASI PARSIAL
Penjelasan:

Partial Autocorrelation Function for PDD

(with 5% significance limits for the partial autocorrelations)

Terlihat dari grafik autokorelasi

parsial untuk PDB dibawah nol
setelah time lag pertama. Hal ini
menunjukkan bahwa data belum
stasioner. Grafik tersebut memiliki
pola cut off di lag pertama. Dengan
selang kepercayaan antara -0,2 < x
< 0,2

1,0

Partial Autocorrelation

0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2

10

12

14

16
Lag

18

20

22

24

26

28

30

Dari hasil grafik autokorelasi dan autokorelasi parsial dapat disimpulkan bahwa data PDB
tidak stasioner sehigga harus distasionerkan terlebih dahulu dengan metode differencing.

Model Autoregressive Integrated Moving model)

H1 :0 (parameter signifikan dalam model)
Average (ARIMA)
Secara umum model ARIMA(p,q,d) untuk suatu Taraf signifikansi 0,05
data time series Xt adalah sebagai berikut
Apabila pembedaan pertama dilakukan terhadap Kriteria keputusan: tolak H0 jika |t
hitung| ,
model agar menjadi stasioner, maka model
dengan derajat bebas db = T-p,
menjadi ARIMA (1,1,1) didefinisikan sebagai
dengan T banyaknya data dan p adalah
berikut:
banyaknya parameter dalam model.
Sedangkan pada parameter Moving Average
Prosedur Pembentukan ARIMA
digunakan hipotesis:
Secara umum, model ARIMA ditulis dengan Ho : (parameter tidak signifikan dalam
ARIMA (p, d, q) yang artinya model ARIMA model)
dengan derajat AR (p), derajat pembeda d, dan H1 :0 (parameter signifikan dalam model)
derajat MA (q). Langkah-langkah pembentukan
model secara iteratif adalah sebagai berikut:
1. Identifikasi Model
Hal pertama yang dilakukan pada tahap ini Kriteria keputusan: tolak H0 jika |t hitung|> t , ,
2
adalah apakah time series bersifat stasioner atau
dengan
derajat
bebas
db=
T-q,
nonstasioner dan bahwa aspek-aspek AR dan MA
dari model ARIMA hanya berkenaan dengan time dengan T banyaknya data dan q adalah
series
yang
stasioner. banyaknya parameter dalam model.
4. Pemeriksaan Diagnostik
Pemeriksaan diagnostik ini dapat dilakukan
dengan mengamati apakah residual dari model
terestimasi merupakan proses white noise atau
tidak.
Model dikatakan memadai jika asumsi dari error
( t ) memenuhi proses white noise dan
berdistribusi
normal.
Apabila
dijumpai
penyimpangan yang cukup serius maka harus
2. Estimasi Parameter
Salah satu metode yang digunakan yaitu dirumuskan kembali
maximum likelihood, untuk menduga parameter model yang baru, selanjutnya diestimasi dan
model ARIMA yaitu dan . Untuk fungsi dilakukan pemeriksaan kembali.
likelihood
nilai-nilai
parameter
yang 5. Peramalan
memaksimalkan nilai fungsi likelihood disebut Cara peramalan dengan menggunakan model
dugaan maximum likelihood. Penurunan fungsi MA dapat dijelaskan sebagai berikut:
likelihood pada suatu model time series, dapat Misalkan Ht merupakan himpunan time series
digambarkan dengan mempertimbangkan model yang lalu( X t1 , X t 2 , , X t n ) maka:
ARMA.
3. Uji Signifikansi Parameter
Dilakukan uji signifikansi parameter, setelah
berhasil mengestimasi nilai-nilai parameter dari
model ARIMA yang ditetapkan sementara untuk
dapat diperoleh dari
X 't '
mengetahui apakah parameternya signifikan atau Kemudian
''
''
''
tidak. Berikut merupakan uji signifikansi
X t = X t X t1
parameter model pada parameter Autoregressive, Jika semua tahap telah dilakukan dan diperoleh
yaitu:
model, maka model ini selanjutnya dapat
H0 :0 (parameter tidak signifikan dalam
digunakan untuk melakukan peramalan untuk
data periode selanjutnya.

Diagram Alir Langkah Pemodelan ARIMA

Hal pertama yang perlu diperhatikan adalah

bahwa kebanyakan deret berkala bersifat nonstasioner dan aspek-aspek AR dan MA dari
model ARIMA (Autoregressive Integrated
Moving Average Model) hanya berkenaan dengan
deret berkala yang stasioner. Oleh karena itu kita
perlu memiliki notasi yang berlainan untuk deret
berkala non-stasioner yang asli dengan pasangan
stasionernya, sesudah adanya pembedaan
(differencing).
Model umum yang mencakup seluruh kasus
mengenai deret berkala dikenal sebagai ARIMA
(p,d,q) dengan p adalah orde dari proses AR, d
adalah derajat pembedaan (degree of
differencing) dan q adalah orde dari proses MA.

Operator shift mundur (backward shift)

sangat tepat untuk menggambarkan proses
pembedaan : B X t= X t1 . Apabila suatu deret
berkala tidak stasioner maka akan dilakukan
pembedaan pertama.
'

X t =X t X t1
X 't =X t B X t =(1B) X t
Untuk pembedaan orde kedua :

X 't ' =X 't X 't1=( X t X t1 ) ( X t 1X t 2) =(1B)2 X t

Tujuan menghitung pembedaan adalah untuk
mencapai stasioneritas. Secara umum, apabila
terdapat pembedaan orde ke-d untuk mencapai
stasioneritas akan ditulis :
d
pembedaan orde ke-d = (1B) X t

sebagai deret yang stasioner dan model umum

ARIMA (0,d,0) menjadi :

(1B) X t =e t .

Proses Autoregresif
Secara umum proses AR orde ke-p
didefinisikan sebagai berikut :
ARIMA (p,0,0) :
'

X t = + 1 X t1 + 2 X t2 ++ p X t p +e t
di mana : = nilai konstan ; j =
parameter autoregresif ke-j; e t = nilai galat
pada saat t.
Dalam praktiknya, dua kasus yang akan
paling sering kita hadapi adalah apabila p = 1 dan
p = 2. Dua kasus ini didefinikan sebagai berikut :
ARIMA (1,0,0) :

3.
4.

X t =' + 1 X t1 +e t

ARIMA (2,0,0) :
'

X t = + 1 X t1 + 2 X t2 +e t
Dengan menggunakan symbol operator
shift mundur, B, maka dapat ditulis ulang sebagai
berikut :
ARIMA (1,0,0) :

( 11 B ) X t =' + et

ARIMA (2,0,0) :

(1 1 B 2 B2 ) X t =' + e t

Proses Rata-rata Bergerak

Proses MA umum berorde q ditulis
sebagai berikut :
ARIMA (0,0,q) :

X t =+e t 1 et 12 et 2q e tq
di mana 1 sampai q adalah parameterparameter moving average, e tq adalah nilai
galat pada saat tq dan adalah suatu
konstanta. Dalam praktiknya, dua kasus yang
kemungkinan besar akan dihadapi adalah apabila
q = 1 dan q = 2.
ARIMA (0,0,1) : X t =+ ( 11 B ) e t
ARIMA (0,0,2) :

X t =+ ( 11 B2 B2 ) e t

Langkah-langkah dalam analisis runtun

waktu dengan metode Box-Jenkins:
1. Plot data awal untuk memastikan data tidak
mengandung pola efek musiman. MINITAB :
Stat > Time Series > Time Series Plot > OK.
2. Jika data tidak stasioner dalam variansi maka
ditranformasi dengan melihat estimasi lamda.

5.
6.
7.

8.

Transformasi Box-Cox MINITAB : Stat >

Control Chat > Box Cox Transformation.
Data yang telah ditransormasi lalu diplot,
apakah sudah stasioner atau belum.
Jika tidak stasioner dalam mean maka
dilakukan differencing. MINITAB : Stat >
Time Series > Differences. Plot kembali
untuk melihat apakah data sudah stasioner
atau belum.
Jika sudah stasioner maka tetapkan data yang
dipakai untuk dianalisis.
Lakukan proses identifikasi orde AR dengan
melihat PACF dan orde MA dengan melihat
plot ACF.
Lihat plot ACF dengan Minitab : Stat > Time
Series > Autocorrelation > OK
Lihat plot PACF dengan Minitab : Stat >
Time Series > Partial Autocorrelation > OK.
Didapat model awal.
Melakukan overfitting.
Lakukan uji asumsi model dari output
MINITAB : no autocorrelation residual (plot
ACF dan PACF), homoskedastisitas residual,
normalitas residual (histogram).
Peramalan.
Dari model terbaik yang terpilih yakni yang
memuat nilai MSE yang terkecil. Lalu
lakukan peramalan MINITAB : Stat > Time
Series > ARIMA > series datanya > lead
(berapa periode yang ingin diramalkan) >
origin data (jumlah data asli) > storage
forecast (kolom untuk data yang diramalkan).
(jangan lupa mengembalikannya seperti
sebelum ditransformasi)