Welcome to Wajibstat Analysis Jibvela17...

NEW WAJIBSTAT ANALYSIS IS COMING***

Minggu, 05 Mei 2013

KONSEP PEHAMAMAN DAN PROSEDUR SMOOTHING DATA UNTUK UJI STASIONERITAS ANALISIS AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) CONTOH KASUS DATA FOREX (KURS/NILAI TUKAR) MATA UANG KUNA KROASIA TERHADAP DOLAR AS 2006-2010



KONSEP PEHAMAMAN DAN PROSEDUR SMOOTHING DATA UNTUK UJI STASIONERITAS ANALISIS AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) CONTOH KASUS DATA FOREX (KURS/NILAI TUKAR) MATA UANG KUNA KROASIA TERHADAP DOLAR AS 2006-2010


Pagi sobat semuaaaa.. Apa kabarnya neh? Hemmmh moga baik, sehat dan sukses selalu yaa... Amin hehehe.. Oiya maaf yaa soalnya baru sempat kasi postingannya hari ini.. Nah, tanpa berlama-lama ayok kita masuk ke topik postingan kali ini hehehe..


Sebelumnya, untuk mempermantap pemahaman sobat tentang prosedur analisis ARIMA, maka sangat dianjurkan buat sobat semua baca dulu postingan saya sebelumnya, klik saja disini. Nah, langkah awal yang kita lakukan adalah pemulusan alias smoothing data aslinya.. Oiya, untuk analisis ini saya menggunakan data asli yang saya peroleh dari International Financial Statistics (IMF) World Bank yang dipublish oleh Bank Indonesia. 

Naaah, sebenarnya postingan ini adalah pengembangan dari tugas ilmiah time series waktu masih kuliah semester 6 dulu hehehe.. Yaaap, saya pakai data forex alias data kurs nilai tukar mata uang negara Kroasia yaitu Kuna terhadap Dolar AS pada periode 2006-2010 hehehe..


Oke deh, silahkan sobat download dulu data yang saya pakai disini.. Nah, silahkan sobat buka eviews dan buat workfile baru dulu.. Next, silahkan sobat impor deh data yang dalam file excelnya (xls 2003).. Saya kira untuk hal ini udah pada bisa dooong hehehe.. Naaah, setelah data sudah masuk akan muncul tampilan seperti ini:


Silahkan sobat cek dulu datanya dengan mengklik kurs dua kali untuk menampilkan spreadsheet/lembaran data kita..Pastikan semuanya terisi dengan benar yaaa hehehe.. Oiya ini gambarannya:


Oke deh, sekarang ayo kita lihat grafik data kita sooob.. Nah kita identifikasi apakah mengandung tren (naik atau turun) atau tidak ada tren.. Apa gunanya?? Ya, gunanya ya buat memilih tehnik pemulusan yang bakalan kita pakai.. Kalau misalnya ada tren maka kita harus menggunakan teknik pemulusan double moving average sedangkan jika tidak ada tren maka kita pakai teknik pemulusan Exponential Smoothing yang sudah disediakan oleh Eviews..
Nah, ini ilustrasinya:
  

  
Kemudian sobat klik saja OK dan akan muncul hasil seperti ini:


Coba perhatikan grafik di atas.. Nah ternyata data kitab tidak menunjukkan suatu tren atau kecenderungan untuk terus naik atau turun. Lihat bahwa grafik juga masih sangat kasar (tajam-tajam) sehingga ada baiknya kita lakukan pemulusan data yang akan kita pakai nanti saat uji stasioneritas data.


Sekarang kita lakukan pemulusan data dengan eksponensial smoothing. Disini kita akan terlebih dahulu  membandingkan smooting dengan double with one parameter, selanjutnya dengan Holt-Winters No Seasonal with two parameters dan Hots-Winters Multiplictive with three parameters. 

Naaah, hal utama yang akan kita bandingkan nanti adalah nilai daripada Mean Square Error (MSE) dan selanjutnya kemulusan grafik yang dihasilkan oleh ketiga tehnik pemulusan ini.  Perlu diperhatikan bahwa parameter alpha, gamma dan beta yang ada dalam teknik ini bukan merupakan tingkat signifikansi yaaa soob,, tetapi merupakan smoothing constants yakni alpha untuk level, beta untuk trend dan gamma untuk seasonal. Nah, ketiga parameter ini memiliki kombinasi parameter yang bertujuan untuk pemulusan dan berdasarkan justifikasi pembobotan yang dilakukan oleh si peneliti sehingga tidak bisa kita langsung mengatakan bahwa kombinasi tertentu adalah kombinasi yang terbaik. 


Berikut ilustrasi prosedurnya:
  


Selanjutnya, pertama saya pakai Double Exponential Smoothing dengan Alpha 0.1. Perhatikan juga untuk nama saya biarkan defaultnya saja yaitu kurssm yaitu data kurs yang dismoothing dengan Double Exponential. Berikut gambarannya:



Next, berikut dihasilkan nilai MSE dengan teknik Double Exponential:




Nilai MSE sebesar 0,295. Selanjutnya perhatikan grafik yang dihasilkannya:
  

Grafik data yang ada sudah lebih mulus dibandingkan dengan sebelum smoothing dilakukan hehehehe... Next, dengan cara yang sama, lakukan pemulusan dengan Holt Winter dua parameter.. Untuk alpha dan beta masing-masing adalah 0,1 dan 0,4.. Dalam kasus ini, data yang akan dimuluskan saya beri nama KURSSMPAR2 (Holt Winter dengan dua parameter).. Berikut output MSE yang dihasilkan:







Perhatikan bahwa nilai MSEnya adalah 0,404 yang lebih besar daripada Double Exponential sehingga bisa kita katakan dari sisi MSE, pemulusan dengan Double Exponential masih lebih baik.. Next, lihat lagi grafiknya:


Kalau dari grafik memang sepintas lebih mulus yang Holt Winter 2 parameter tetapi perhatikan bandingkan dulu dooong grafiknya dengan grafik data aslinya. Nah, kalau pada data yang belum dimuluskan, seharusnya untuk tahun 2010 sekitar kuartal 2,3 meningkat dan lebih tinggi daripada 2009.. Sedangkan untuk data hasil pemulusan Holt Winter 2 parameter justru untuk tahun 2010 jauh lebih rendah daripada tahun 2009. Jadi, kita simpulkan sampai disini masih lebih baik kita pakai data pemulusan hasil double exponential smoothing.

Next, terakhir kita pakai teknik pemulusan Holt Winter dengan 3 parameter. Untuk alpha, beta (tren) dan gamma (seasonal) adalah 0.1; 0.4 dan 0.3.. Data yang akan dimuluskan dengan teknik ini saya berikan nama KURSSMPAR3 (data yang dismoothing dengan Holt Winter dengan 3 parameter). Berikut ilustrasinya sooob..
  

Selanjutnya perhatikan output MSE yang dihasilkan Holt Winter dengan 3 parameter:






Nah, dari sisi MSE, ternyata lebih besar dibandingkan dengan teknik Double dan teknik Holt Winter 2 parameter smoothing.. Artinya, sangat tidak dianjurkan menggunakan data hasil smoothing dengan Holt Winter 3 parameter untuk uji stasioneritas.. Untuk menunjang analisis, silahkan lihat pola grafiknya:
  


Nah, sekarang giliran sobat semua deh yang bercuap-cuap hehehe.. Silahkan bandingkan grafik di atas dengan grafik pada data asli sebelum pemulusan. Bandingkan juga tingkat kemulusan grafik dengan kedua teknik sebelumnya (double dan Holt Winter 2 parameter).. Bisa dooong hehehe..

Nah, berikut saya berikan perbandingan antar grafik antara data asli, data dengan double exponential smoothing dan data dengan Holt Winter 2 dan 3 parameter..







Nah, setelah tadi kita sudah mencoba memuluskan data.. Mungkin muncul pertanyaan di benak sobat.. Kenapa sih data kita harus dimuluskan? Kenapa nggak pakai data aslinya saja? Apa memang lebih baik kalau pakai pemulusan? Ada gak sih batasan interpretasi pemulusan?


Nah, saya akan berusaha jawab pertanyaan begini: Sobat, data yang dimuluskan ya namanya saja sudah dimuluskan artinya tingkat ketidakberaturan (irreguler) data pasti sudah dihilangkan pengaruhnya.. Lihat grafik gabungan di atas sooob.. Nah, sesuai penjelasan saya yang diatas, bahwa kita memilih data dengan double exponential smoothing (lihat grafik warna merah).. Perhatikan bahwa patahan untuk data tahun 2008 ke 2009 pada data asli (lihat garis yang warna biru) sudah dimuluskan dengan double exponential smoothing (garis warna merah).


Perhatikan bahwa pola yang lebih tepat adalah data dengan exponential smoothing, Terlihat bahwa nilai nominal kurs pada tahun 2010 kuartal 2 dan 3 meningkat (secara riil nilai kurs Kuna Kroasia terdepresiasi terhadap dolar AS). Sedangkan, untuk kedua pemulusan yang lain, malah terjadi penurunan nilai nominal kurs Kuna Kroasia terhadap dolar AS.

Dalam interpretasi smoothing tentu ada batasannya yaitu dengan mengasumsikan bahwa tidak terjadi suatu shock/goncangan yang membuat patahan-patahan dan ketidakberaturan data pada grafik (irregularity). Inilah poin yang harus sobat pegang dalam interpretasi smoothing. Naaaah, khusus dalam penelitian ini, karena grafik data asli memang tidak mengandung tren (naik atau turun) maka sebagai tambahan dalam interpretasi peramalan/forecasting ARIMA nanti, kita juga sudah menghilangkan pengaruh trennya.

Jadi, pertanyaannya apakah nanti forecast ARIMA dengan data smoothing lebih baik/akurat? Saya katakan ya sejauh ke depannya tidak terjadi fenomena gejolak/shock seperti krisis moneter dan lain-lain. Tetapi jika terjadi shock yang tidak kita sangka-sangka sebelumnya, maka forecasting ARIMA dengan smoothing kurang mampu memotret kejadian di depan (prediksi/forecasting) dengan baik. Yaaa,, begitulah sooob hehehe.. Semoga penjelasan ini bisa membantu hehehe..

Oke deh, jadi ini data yang akan kita pakai untuk uji stasioneritas nanti ya soob hehehe.. Yaitu data hasil pemulusan double exponential..


 

Nah, untuk uji stasioneritas sebenarnya sudah selesai dilakukan dan akan segera rilis pada postingan selanjutnya hehehe... Kalau disini kepanjangan sobaaaat... Oke deeeh, tetap santai di wajibstat.blogspot.com.. Ayo semangat terus belajarnya yaaa hehehe.. Dan ingeeet harus tetap rendah hati hehehehe.. Sekian dulu sooob.. Semoga bermanfaat.. Salam damai dan salam hangat terdahsyat dari saya hehehe... :-)

2 komentar:

  1. Pemaparannya bagus dan jelas! Keep posting :)

    BalasHapus
  2. permisi pak, saya pernah menulis tentang fungsi autocorrelation untuk penentuan pola data time series apakah musiman, tren, atau stationer, di artikel berikut: http://datacomlink.blogspot.com/2015/12/data-mining-identifikasi-pola-data-time.html yang ingin saya tanyakan, apakah ada teknik lain untuk mencari pola data time series selain fungsi autocorrelation ya pak? terima kasih

    BalasHapus