UJI STASIONERITAS DATA UNTUK ANALISIS AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KASUS KURS/NILAI TUKAR BULANAN MATA UANG KUNA KROASIA TERHADAP DOLAR AS 2006-2010

UJI STASIONERITAS DATA UNTUK ANALISIS AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KASUS KURS/NILAI TUKAR BULANAN MATA UANG KUNA KROASIA TERHADAP DOLAR AS 2006-2010

Siang sobat semua... Wah gimana neh kabarnya? Moga baik-baik aja ya hehehe... Oke deh kali ini saya mau ngebahas tentang uji stasioneritas data untuk analisis ARIMA dengan contoh kasus kurs bulanan mata uang Kuna Kroasia terhadap dolar AS pada periode 2006-2010.. 

Naaaah, postingan kali ini adalah lanjutan dari postingan saya sebelumnya yaitu smoothing data dan uji stasioneritas ARIMA.. Jadi, sebelum masuk ke postingan kali ini, sangat baik kalau sobat baca dulu posti ngan sebelumnya yang dimaksud, silahkan lihat disini.

Nah, tanpa berlama-lama ayok kita mulai... Berikut tampilan spreadsheet data yang kita pakai untuk uji stasioneritas yaitu data yang sudah kita smoothing dengan tehnik exponential smoothing.. Nah untuk konsep pemahaman tentang uji unit root, sobat juga bisa dapatkan pada postingan sebelumnya.

 

Nah selanjutnya kita lakukan uji unit root dengan mengklik menu View  pada spreadsheet dan pilih Unit Root Test sehingga akan muncul tampilan seperti ini:

  

Silahkan sobat pilih level pada test for unut root karena pertama kali kita akan menguji apakah data yang dipakai sudah stasioner pada level atau belum, lalu pada include in test equation pilih none yaitu dengan mengasumsikan tidak ada tren dalam pola data yang kita pakai (dalam penelitian ini memang tidak ada tren linier) dan juga mengasumsikan bahwa nilai rata-rata data (intersep) tidak memegang peranan untuk menciptakan kestasioneran data.  Oke soooob, jika sudah pilih None, lalu silahkan klik OK dan akan muncul hasil unit root sebagai berikut:

 

Perhatikan nih sooob,, nilai Prob ADF test statistic sebesar 0,5085 lebih besar daripada Alpha 0,05 sehingga kita menerima hipotesis nol (data tidak stasioner ) pada level ya sooob.  Nah, cara yang sama untuk uji stasioneritas adalah memperhatikan wilayah kritis (tolak hipotesis nol) jika nilai t Statistic ADF kecil daripada nilai Mackinon Test Critical Value. 

Dari hasil kita lihat bahwa nilai t Statistic ADFnya -0,4673 yang lebih besar daripada Mackinnon 5% level -1,946654. Jadi, hasilnya sama saja sooob kita terima hipotesis nol yaitu data tidak stasioner pada level (data asli).

Next, kita uji unit root pada differens 1.. Caranya sama saja, hanya tinggal mengubah Unit Root Test in dari level menjadi 1st Difference. Berikut ilustrasinya:

  

Berikut output uji unit root pada differens 1:

Nah, sekarang lihat sooob, nilai prob ADF 0,0151 lebih kecil daripada Alpha 0,05 sehingga kita tolak hipotesis nol dan menyimpulkan data sudah stasioner pada differens 1.. Nah, untuk ADF test Statisticnya juga lebih kecil daripada Mackinnon 5% level -1,945554. Hasil ini juga membuktikan bahwa data sudah stasioner pada differens 1 hehehe...

Oke deh, kali ini kita akan masuk ke dalam “seni statistik” untuk model ARIMA. Mengapa saya katakan sebagai seni.. Ingat, bahwa sebenarnya tidak ada model statistik mutlak paling baik menjawab permasalahan. Ingaaat, statistik memang cara yang sering dipakai dalam suatu penelitian tetapi fungsi statistik hanya sebatas tools saja.  Jadi, kalau memberikan simpulan (baca: simpulan secara statistik), silahkan sobat kembalikan simpulan yang diperoleh ke ilmu esensialnya juga yaaa.. 

Hal lain seperti ini..  Sobat jangan menstatistisir hasil penelitian.. Kesannya terlalu memaksa.. Ingat, lebih baik kita tampilkan hasil yang sebenarnya entah sebuuk apapun itu (dengan metode statistik yang kita pakai) walaupun hasilnya kurang memuaskan atau bahkan anomali. Itu jauh lebih terhormat daripada sobat harus berbohong dan menstatistisir hasil penelitian sobat agar seolah hasil penelitiannya kelihatan bagus..   

Hemmh, padahal kalau ditanya soal esensi penelitiannya jangan-jangan belum benar-benar paham.. Ingat, keberhargaan seorang peneliti utamanya bukan pada hasil penelitiannya yang terbilang hebat tetapi pada keberaniannya dalam menampilkan hasil penelitiannya. Naaaaah, jadi intinya, kalaupun sudah pernah atau sering menstatistisir, bagi yang tersinggung mohon maaflah ya hehehe, ayo cepat-cepatlah bertobat hahahaha... 

Yaudah, ayo sekarang kita fokus kepada output correlogram data kita yaaa..  Terserah sobat, kalau mau langsung pakai data yang sudah stasioner pada differens 1nanti untuk correlogramnya silahkan pilih yang level.  Sama saja kalau mau sobat mau pakai data asli ya monggo untuk correlogramnya pilih yang 1st  Difference.. Terlihat mudah kan? Hehehe.. Oke sekarang buka datanya lalu klik View pilih Correlogram..

  

 

Nah, saya pakai data yang belum stasioner sehingga untuk  correlogramnya (correlogram of), saya 1st difference hehehe.. Lagnya terserah sobat mau lihat pola datanya sampai mundur berapa tahun ke belakang hehehe.. Yuuuuk, sekarang lihat output correlogramnya..

 

Nah, udah keluar nih outputnya? Lha, terus buat apa coba? Hehehe.. Yaaa, pertama, dari output ini kita bisa lihat nih soob, kira-kira pada lag ke berapa data kurs kita tidak stasioner. Kedua, kita bisa tahu model kita nanti apakah AR(1), MA(1) atau ARMA(1).. 

Nah, seperti yang sudah pernah saya bahas pada postingan sebelumnya, model ARIMA (p,d,q) itu kalau stasioner pada differens 1 maka nanti variabel dependennya adalah delta (perubahan) yaaa.. Terus apakah model kita itu harus selalu AR(1), MA(1) alias harus selalu dan selalu 1, ya enggak doong bisa aja AR(1) AR(2), MA(1) MA(2), AR(1) MA(1) MA(2).. Silahkan dikombinasikan saja dan diusahahan model yang kita dapat menghasilkan nilai Adjusted Rsquare yang cukup tinggi. 

Seterusnya, jika sobat mau melakukan prediksi nilai periode masa depan(FORECAST) dengan model yang terpilih, maka harap diperhatikan besar Bias Proportion harus lebih kecil daripada 0,2 dan besar Covariance Proportionnya juga harus cukup tinggi (mendekati 1).

Oke deh, ayo kita lihat pada lag mana data kurs Kuna terhadap Dolar AS ini tidak stasioner. Nah caranya lihat dari nilai AC dan PAC masing-masing lagnya soob hehe..  

Jadi kalau AC dan PAC masih berada di dalam interval -0.2552 sampai dengan + 0.2552 maka pada lag tersebut data masih stasioner. Akan tetapi kalau nilai AC dan PAC berada diluar interval -0.2552 sd + 0.2552 maka data tidak stasioner pada lag tersebut..

Oke deh sooob, untuk pemilihan kandidat orde ARIMA dan pemilihan model terbaik akan dirilis pada postingan selanjutnya yaaa.. Oke deeeh, stay tune terus di wajibstat.blogspot.com untuk kita belajar konsep dan metode statistik dengan semangat dan semangaaaat.. Salam damai,, salam hangat terdahsyat dari saya :-)