PEMAHAMAN KONSEP DAN PROSEDUR ANALISIS DERET WAKTU AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) PEHAMAMAN DENGAN KASUS INDEKS HARGA SAHAM GABUNGAN (IHSG) DI BURSA EFEK

PEMAHAMAN KONSEP DAN PROSEDUR ANALISIS DERET WAKTU AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) PEHAMAMAN DENGAN KASUS INDEKS HARGA SAHAM GABUNGAN (IHSG) DI BURSA EFEK

Siang sobat semuanya.. Wah gimana nih kabarnya soob hehehe.. Semoga baik-baik aja ya semua hehehe.. Amiiiiiin.. Nah, oke deh kali ini saya mau berbagi postingan tentang analisis deret waktu Autoregressive Integrated Moving Average.. Yap, namanya aja autoregress berarti dalam hal ini kita akan meregresikan suatu variabel pada kondisinya saat ini dengan dirinya sendiri dan residual pada waktu sebelum-sebelumnya  (masa lampaunya) doong hehehe.. 

Katakanlah kita bicara tentang data Indeks Harga Saham Gabungan yang terdapat di Bursa Efek. Nah, dengan analisis ARIMA ini, kita bisa menemukan bagaimana pengaruh IHSG pada beberapa periode sebelumnya ( biasanya disebut dengan istilah time lag) terhadap IHSG pada saat ini. Selain itu kita juga bisa melihat pengaruh residual data IHSG pada periode sebelumnya terhadap kondisi IHSG saat ini hehehe...

Nah, dalam analisis ARIMA ini ada beberapa hal yang perlu sobat perhatikan baik-baik hehehe.. Untuk kita bisa memperoleh hasil analisis yang akurat, maka sangat penting pertama kali kita mengikuti prosedur: Smoothing data yaitu dengan exponential smoothing atau dengan double moving average (DMA). 

Ingat bahwa exponential smoothing ini kita Proses smoothing ini akan menghasilkan grafik nilai variabel (sumbu Y) terhadap waktu (sumbu X) yang lebih mulus sehingga akan sangat membantu dalam menghasilkan data yang stasioner (nilai mean dan varians harus konstan sepanjang periode waktu).

Nah, setelah sobat mendapatkan data yang sudah di smoothing, pakailah data itu untuk uji stasioneritas (unit root).. Hasil uji unit root ini yang akan menjadi kunci dalam menentukan kandidat model terbaik (ingeet masih kandidat ya soooob) untuk model ARIMA..

Dalam analisis ARIMA , bentuk model ARIMAnya seperti ini ARIMA (p,d,q).. Untuk p menunjukkan orde autoregressive modelnya (AR) yaitu regresi data saat ini dengan data (dirinya sendiri) pada masa lalu. Untuk q adalah degree of differencing yang bergantung dari hasil uji stasioneritas data. Next, untuk q adalah orde untuk moving average yaitu regresi data saat ini dengan residual dirinya pada masa lalu..  Oke deeeh,sampai sejauh ini paham yaaa sooob.. 

Jadi, camkan baik-baik untuk analisis dengan ARIMA, kita harus menggunakan data yang sudah stasioner entah itu pada level atau pada differens 1 (selisih data saat ini dengan data sebelumnya). Dari pengalaman saya, biasanya data akan stasioner maksimal pada differens 1. Kecil kemungkinan sampai ke differens 2 dan tentu sulit bagi kita buat menginterpretasikan makna “perubahan dari perubahan” hehehe..

Selanjutnya dari uji stasioneritas ini nanti, kita bisa tahu pada lag keberapa data kita tidak stasioner sooob.. Nah, setelah kita dapatkan beberapa kandidat model yang terbaik maka dari situ kita akan pilih satu model yang terbaiknya. Misalnya kalau dari hasil pengujian, kita peroleh ternyata data IHSG tahun 1990-2012 stasioner pada differens 1 maka kandidat model yang kita boleh analisis lebih dalam adalah ARIMA (1,1,1) atau ARMA (1), ARIMA (1,1,0) atau AR (1) dan ARIMA (0,1,1) atau MA(1).. Inget nilai d itu pasti 1 jika data stasionernya pada differens 1.

Bagaimana membandingkan kandidat model terbaik? Ya caranya kita bisa melihat nilai Adjusted R Square (pilih yang paling besar), Akaike dan Schwarz Criterion (pilih yang paling kecil) dan SSE/Sum Square Residual (pilih yang paling kecil)... Naaaah, dapat deh yang mana model terbaik buat ARIMAnya hehehe...

Misalnya katakanlah ternyata model terbaiknya adalah ARIMA (1,1,1) maka modelnya akan berbentuk seperti ini neeeh sooob

Nah, kalau model terbaiknya ternyata ARIMA (1,1,0), begini bentuk modelnya..

Next kalau model terbaiknya ternyata ARIMA (0,1,1), ya begini deh bentuk modelnya hehehe...

Ingeeet karena d=1, makanya pakainya delta Y yaa sooob..  Gini deh, saya contohkan yang model ARIMA (1,1,1), interpretasinya kira-kira begini..

Intepretasi untuk beta:

Setiap kenaikan sebesar satu rupiah nilai Indeks Harga Saham Gabungan (IHSG) pada periode sebelumnya, maka akan meningkatkan perubahan nilai Indeks Harga Saham Gabungan (IHSG) pada periode sekarang sebesar koefisien beta (nanti ada nilainya ya sooob) dengan asumsi residual/error dari periode sebelumnya adalah konstan.

Intepretasi untuk gamma:

Setiap kenaikan sebesar 1 satuan unit residual/error pada periode sebelumnya akan meningkatkan perubahan nilai Indeks Harga Saham Gabungan (IHSG) sebesar koefisien gamma (nanti ini juga ada nilainya ya sooob) dengan asumsi nilai Indeks Harga Saham Gabungan (IHSG) pada periode sebelumnya adalah konstan.

Oke deh sooob, penjelasan ini sengaja saya hadirkan di awal sebelum kita akan masuk ke dalam contoh kasus langsung dengan pengerjaannya menggunakan Eviews 7.0. Silahkan sobat pahami dulu urut-urutannya dengan benar agar lebih mantap nanti dalam memahami postingan selanjutnya..

Oke,, itu dulu yang mau saya bagikan ya sooob... Kurang lebihnya saya mohon maaf. Semoga postingan ini bermanfaat buat kita semua.. Salam damai, salam statistik, salam sehat sentosa dan salam sukses selalu :-)