Nama

: Dwi Afrizal

Kelas No. Absen NIM

: 3 SE 1 : 09 : 09.5943

Pemodelan IHSG tahun 2010
Uji Stasioneritas Tahap pemodelan dari data level IHSG maka dilakukan pengujian stasioneritas menggunakan Uji Unit Root. Uji Unit Root yang digunakan adalah Uji Augmented Dickey Fuller, menggunakan model Random Walk with Drift. Modelnya adalah: Dimana, Y = IHSG t = periode waktu

Augmented Dickey-Fuller Test Equation Dependent Variable: D(IHSG) Method: Least Squares Date: 04/12/12 Time: 12:43 Sample (adjusted): 2 265 Included observations: 264 after adjustments Variable IHSG(-1) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient -0.006453 23.20746 0.004447 0.000647 39.26012 403835.6 -1342.531 1.170239 0.280347 Std. Error 0.005965 18.60462 t-Statistic -1.081776 1.247403 Prob. 0.2803 0.2134 3.251894 39.27283 10.18584 10.21293 10.19673 1.811137

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Hipotesis:

H0 : B = 0

 Data IHSG Difference Pertama Pada Augmented Dickey-Fuller test ini dengan data difference pertama menggunakan model : Dimana untuk uji hipotesisya menggunakan: H0 : B = 0 H1 : B < 0 (data bersifat tidak stasioner) (data bersifat stasioner) Kemudian hasilnya adalah didasarkan pada perbandingan thitung terhadap ttabel. Dimana. -3. Maka itu harus mencari stasioneritas pada data difference pertama. karena thit > ttabel Kesimpulan : Dengan uji Augmented Dickey and Fuller test pada model random walk with drift menggunakan data level. Modelnya adalah: Dimana. Y = IHSG .455001 -2.872286 -2.H1 : B < 0 Statistik uji : Dimana ttabel : Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. Model yang digunakan adalah Model Random Walk with Drift. Jika thitung < ttabel maka keputusannya adalah tolak H0.572570 Keputusan : Gagal tolak H0. dapat dikatakan bahwa data level IHSG tahun 2010 adalah bersifat non stasioner.

062180 2.D.9 -1337. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.220456 53.196160 Prob. Durbin-Watson stat Hipotesis: H0 : B = 0 H1 : B < 0 Statistik uji : Dimana ttabel : Test critical values: 1% level 5% level 10% level -3.572592 *MacKinnon (1996) one-sided p-values.451653 39.453746 0.t = periode waktu Augmented Dickey-Fuller Test Equation Dependent Variable: D(IHSG.915542 2.72411 1.374 216.18535 10.000000 Std.E.7995 0. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient -0. Keputusan : tolak H0.21252 10.00433 10.24996 402085.19627 1.455096 -2.903204 0. karena thit < ttabel Kesimpulan : .427104 t-Statistic -14.872328 -2.2327 0.0000 0.979778 Mean dependent var S. 0. Error 0.2) Method: Least Squares Date: 04/12/12 Time: 22:39 Sample (adjusted): 3 265 Included observations: 263 after adjustments Variable D(IHSG(-1)) C R-squared Adjusted R-squared S.

. dapat dikatakan bahwa data difference pertama IHSG tahun 2010 adalah bersifat stasioner.d. maka diambil bahwa d = 1. Untuk melihat kemungkinan dari beberapa nilai. dimana data stasioner pada difference pertama.Dengan uji Augmented Dickey and Fuller test pada model random walk with drift menggunakan data difference pertama. Sehingga dalam pemodelan berikutnya menggunakan data IHSG pada difference pertama.q) dimana: p : lag dari Autoregressive d : melambangkan data stasioner pada difference ke berapa q : lag dari Moving Average Dari penghitungan uji stasioner. Mengidentifikasi Kemungkinan Model Model ARIMA biasanya tertulis ARIMA (p. maka memakai data correlogram IHSG difference pertama.

1) ARIMA (3.1.1. yaitu dengan melihat t-statistic dan F-statistic.3) ARIMA (2.1. Hal ini digunakan untuk menampilkan model yang memang layak untuk membuat suatu peramalan atau forecasting. Dapat dilihat dari data di bawah: Dependent Variable: DIHSG Method: Least Squares Date: 04/19/12 Time: 22:42 Sample (adjusted): 4 256 Included observations: 253 after adjustments Convergence achieved after 21 iterations MA Backcast: 2 3 Variable Coefficient Std.0) ARIMA (3.3) Diagnosis Model ARIMA Kemudian dilakukan diagnosis dari model-model di atas. hanya ada 1 model ARIMA yang signifikan baik dilihat dari tstatistic maupun F-statistic.1.1) ARIMA (1. .3) ARIMA (3.1.2) ARIMA (3. dilakukan uji signifikansi variable bebas dan modelnya.1. dimana nilai dari probability-nya < 0.2) ARIMA (2. antara lain: ARIMA (1.2) ARIMA (1.05 .0) ARIMA (2.1.1.1) ARIMA (2. Hal tersebut mengindikasikan bahwa nilai p dan q yang maksimum adalah 3.Dari Correlogram di atas dapat kita ketahui bahwa terlihat grafik memotong sumbu lag 3 sedangkan autokorelasi parsial juga pada sumbu 3. Pengujian t-statistic dan F-statistic pada masing-masing model digunakan konsep trial and error.0) ARIMA (1. Dari beberapa model di atas. Error t-Statistic Prob. Maka muncul kemungkinan dari beberapa model ARIMA yang bias dibentuk dari data IHSG difference pertama.1.1.1.1.

510253 -13.20063 10.2).534435 0. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Inverted AR Roots Inverted MA Roots 3.0000 3.1.96551 357462.460456 0.2047 0.033330 0.95i Dibandingkan dengan model ARIMA yang lain maka hanya Model ARIMA (2.870104 0.D.C AR(1) AR(2) MA(1) MA(2) R-squared Adjusted R-squared S.91i -.18547 101.0000 0.546 4.15889 1.910478 -0.22-.2) yang memenuhi syarat bahwa t-statistic dan F-statistic signifikan.45401 -26.1. Durbin-Watson stat -.22+.001691 -.3 -1276.446044 -0.27-. sehingga di sini dipilh Model yang paling baik adalah ARIMA (2. .067114 0.760751 38.0000 0.589286 0.E.052068 37.012976 0.1323 0.91i -.99426 10.978151 0.10533 41.27+.0000 0.033153 0. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.13080 10.966427 Mean dependent var S.95i 2.009665 1.

828179 -5.2481 0.572802 Prob. Uji Stasioneritas Tahap pemodelan dari data level R maka dilakukan pengujian stasioneritas menggunakan Uji Unit Root.33780 1.1434 6.33780 -3. -15.E.7161 235.017896 -5.063454 0. Y=R t = periode waktu Null Hypothesis: R has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(R) Method: Least Squares Date: 04/20/12 Time: 05:54 Sample (adjusted): 3 256 Included observations: 254 after adjustments Variable R(-1) C R-squared Adjusted R-squared S.982390 Mean dependent var S.001192 0.000812 t-Statistic -15. menggunakan model Random Walk with Drift. Uji Unit Root yang digunakan adalah Uji Augmented Dickey Fuller. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient -0.872720 -2.041906 745.973248 0. Error 0. maka solusi lain adalah dengan melakukan transformasi ke R.856032 -5. Durbin-Watson stat .455990 -2. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.012896 0. MAXLAG=15) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.480757 0.000000 Std. Modelnya adalah: Dimana.* 0.844827 1.Pemodelan Transformasi IHSG tahun 2010 Dalam penghitungan Model di atas dinyatakan bahwa data IHSG 2010 tidak stasioner pada data level. dimana: Kemudian dilakukan pengujian seperti data IHSG sebelumnya.65E-05 0.482810 0.0000 0.D. 0.467736 Prob.

q) dimana: p : lag dari Autoregressive d : melambangkan data stasioner pada difference ke berapa q : lag dari Moving Average Dari penghitungan uji stasioner. .572802 *MacKinnon (1996) one-sided p-values.872720 -2. maka memakai data correlogram R difference pertama. karena thit < ttabel Kesimpulan : Dengan uji Augmented Dickey and Fuller test pada model random walk with drift menggunakan data level. maka diambil bahwa d =0. Untuk melihat kemungkinan dari beberapa nilai.Hipotesis: H0 : B = 0 H1 : B < 0 Statistik uji : Dimana ttabel : Test critical values: 1% level 5% level 10% level -3. dapat dikatakan bahwa data level R tahun 2010 adalah bersifat stasioner. Mengidentifikasi Kemungkinan Model Model ARIMA biasanya tertulis ARIMA (p. dimana data stasioner pada level. Keputusan : tolak H0.d.455990 -2.

Dari Correlogram di atas dapat kita ketahui bahwa terlihat grafik memotong sumbu lag 3 sedangkan autokorelasi parsial juga pada sumbu 3. Hal tersebut mengindikasikan bahwa nilai p dan q yang maksimum adalah 3.3) ARIMA (3.2) ARIMA (2.1) ARIMA (2.0.0.2) ARIMA (1.0. Maka muncul kemungkinan dari beberapa model ARIMA yang bias dibentuk dari data R difference pertama.0.0.0. antara lain: ARIMA (1.0.0) ARIMA (1.0.0) ARIMA (2.0.1) ARIMA (1.0.3) ARIMA (2.0) ARIMA (3.1) .

5108 Prob. 0.466906 0.869174 2.0.95i Std.0.001283 -0.1333 0. Error 0. hanya ada 1 model ARIMA yang signifikan baik dilihat dari tstatistic maupun F-statistic.000852 0.27+.0000 0.456436 -0.2) ARIMA (3. Pengujian t-statistic dan F-statistic pada masing-masing model digunakan konsep trial and error.052160 0.91i -.2). yaitu dengan melihat t-statistic dan F-statistic.979340 0.897269 -5.011950 0.0045 4.001673 -.27-. Dari beberapa model di atas.70828 111.91i -. sehingga di sini dipilih Model yang paling baik adalah ARIMA (2. Dapat dilihat dari data di bawah: Dependent Variable: R Method: Least Squares Date: 04/20/12 Time: 06:00 Sample (adjusted): 4 256 Included observations: 253 after adjustments Convergence achieved after 22 iterations MA Backcast: 2 3 Variable C AR(1) AR(2) MA(1) MA(2) R-squared Adjusted R-squared S.0. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Inverted AR Roots Inverted MA Roots Coefficient 0.827439 -5.008782 t-Statistic 1. Hal ini digunakan untuk menampilkan model yang memang layak untuk membuat suatu peramalan atau forecasting.D.067205 0.031498 0.012899 -5. dilakukan uji signifikansi variable bebas dan modelnya.49090 -27.534276 0.23+. dimana nilai dari probability-nya < 0.031530 0.95i Dibandingkan dengan model ARIMA yang lain maka hanya Model ARIMA (2.506286 -14.012559 0. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. .E.001231 0.0.3) Diagnosis Model ARIMA Kemudian dilakukan diagnosis dari model-model di atas.0000 0.039114 751.2) yang memenuhi syarat bahwa t-statistic dan F-statistic signifikan. Durbin-Watson stat -.- ARIMA (3.0000 0.0000 0.05 .037014 Mean dependent var S.68201 44.23-.872807 0.

sehingga tidak sampai diketahui apakah asumsi terlanggar atau belum. Maka dimungkinkan data IHSG 2010 membutuhkan variable lain dalam pmbentukan model forecasting.CATATAN: Sebenarnya model yang ditemukan di atas belum bisa dikatakan bahwa model itu sanggup untuk dilakukan forecasting atau belum karena harus ada pengujian lain. Dalam Uji Diagnosis dari beberapa Model di atas belum melakukan uji White-Noise. . Dan ketika dilakukan pengujian maka semua model yang dimungkinkan sampai tahap difference kedua dan ketiga tidak ditemukan yang memenuhi asumsi White-Noise.

Sign up to vote on this title
UsefulNot useful