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 :-)
mantap bang.....
BalasHapusmengenai data yg stasioner itu kayanya bukan hanya variannya saja yg konstan tapi mean nya juga... hehehe
makasi dek..
BalasHapusoiya benar dek stasioner harus konstan dalam mean dan varians sepanjang periode.
makasi juga atas koreksinya. Akan segera diperbaiki.. Salam sukses
Kenapa harus dismoothing mas, kan jadi aneh mas, data peramalan buat meramal, kenapa tidak pakai data asli saja\///
BalasHapusmau tanya nih mas,kenapa datanya harus stasioner dlu ?alasannya apa?
BalasHapusmakasih banyak pak!
BalasHapusmemberi banyak pemahaman mengenai ARIMA.. saya sangat terbantu dengan postingan ARIMA ini.. semoga ilmunya selalu bermanfaat yaa pak ^^
ini pake tools apa yaa ?
BalasHapus