Professional Documents
Culture Documents
WD Arzeti Rahmayana Time Series Stata
WD Arzeti Rahmayana Time Series Stata
Kelas : A Statistika
NIM : 413417014
Software : STATA
Data Harga Beras Pemerintah Daerah (2010-2019)
Bulan 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
Januari 243536 268694 332316 413429 463590 495538 571337 667587 801345 870455
Februari 245946 271140 347013 450055 456787 515824 605411 722991 841652 887064
Maret 242373 274069 335700 410752 437845 496527 604169 696281 787860 -
April 244668 270338 336393 401410 434761 490084 585890 683208 786549 -
Mei 244003 270425 331736 409768 448034 494461 580601 714215 810055 -
Juni 240477 273594 342141 414390 452937 494718 584634 720876 832213 -
Juli 246669 296101 343309 426283 456955 514005 611791 749403 822876 -
Agustus 261814 303803 371768 453047 482621 545405 636206 779367 858499 -
September 261120 303156 386234 445921 468944 539746 639688 771739 759986 -
Oktober 268856 319018 391960 440336 490128 555495 662806 772378 855783 -
November 267762 323885 400075 479738 490502 549941 656096 795460 867715 -
Desember 280270 336273 404018 459116 485538 555549 665000 774923 856171 -
1. Deskripsi Statistik
Summarize data
Variable obs Mean Std.Dev. Min Max
data 100 473703 167048,2 240477 841652
Data
Percentiles Smallest
1% 241425 240477
5% 245307 242373
10% 268228 243536 obs 100
25% 334008 244003 Sum of wgt. 100
50% 454917 Mean 473703
Largest Std.Dev. 167048.2
75% 585262 787860
90% 736197 795460 Variance 2,79e+10
95% 782958 801345 Skewness ,434544
99% 821498,5 841652 Kurtosis 2,194498
Berdasarkan plot tersebut dapat disimpulkan bahwa Data Harga Beras Pemerintah Daerah
(2010-2019) (yang sudah terpotong) termasuk data yang tidak stasioner
Hipotesis
H0 : data tersebut tidak stasioner
H1 : data tersebut stasioner
Kriteria Pengujian
Tolak H0, jika │ADF│ >│t-Statistic│(critical vulue α = 5%)
Statistik Uji
Output ADF:
Dickey-Fuller test unit root Number of obs = 99
Interpolated Dickey-Fuller
Test 1% Critical 5% critical 10% Critical
Statistic Value value Value
Z(t) 0,320 -3,511 -2,891 -2,580
MacKinnon approximate p-value for Z(t) = 0,9782
0
-50000
Kesimpulan
Berdasarkan hasil dari uji ADF, memperoleh hasil dari ADF sebesar -11,973 lebih kecil dari
hasil t-Statistic -2,891, artinya tolak H0. Data Harga Beras Pemerintah (Data yang sudah
terpotong) termasuk data stasioner
corrgram data
-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]
-------------------------------------------------------------------------------
1 0.9671 1.0033 96.371 0.0000 |------- |--------
2 0.9352 0.2025 187.4 0.0000 |------- |-
3 0.8972 0.2740 272.05 0.0000 |------- |--
4 0.8618 -0.0312 350.96 0.0000 |------ |
5 0.8298 0.2475 424.9 0.0000 |------ |-
6 0.7949 0.2430 493.47 0.0000 |------ |-
7 0.7588 -0.2813 556.61 0.0000 |------ --|
8 0.7241 0.0928 614.74 0.0000 |----- |
9 0.6895 0.3557 668.03 0.0000 |----- |--
10 0.6563 0.0303 716.85 0.0000 |----- |
11 0.6275 0.3552 761.98 0.0000 |----- |--
12 0.5985 -0.0085 803.51 0.0000 |---- |
13 0.5664 -0.5656 841.12 0.0000 |---- ----|
14 0.5338 -0.0204 874.91 0.0000 |---- |
15 0.4976 -0.2018 904.63 0.0000 |--- -|
16 0.4665 -0.0261 931.05 0.0000 |--- |
17 0.4351 -0.1320 954.32 0.0000 |--- -|
18 0.4056 0.2054 974.78 0.0000 |--- |-
19 0.3742 0.2076 992.42 0.0000 |-- |-
20 0.3464 -0.0603 1007.7 0.0000 |-- |
21 0.3196 0.2443 1020.9 0.0000 |-- |-
22 0.2952 0.0989 1032.3 0.0000 |-- |
23 0.2749 0.1231 1042.3 0.0000 |-- |
24 0.2547 0.2691 1051 0.0000 |-- |--
25 0.2299 -0.2095 1058.2 0.0000 |- -|
26 0.2040 0.0795 1063.9 0.0000 |- |
27 0.1769 0.1168 1068.3 0.0000 |- |
28 0.1529 0.3168 1071.6 0.0000 |- |--
29 0.1298 -0.1558 1074.1 0.0000 |- -|
30 0.1096 0.2433 1075.8 0.0000 | |-
31 0.0858 0.0377 1076.9 0.0000 | |
32 0.0671 0.0799 1077.6 0.0000 | |
33 0.0491 0.1336 1077.9 0.0000 | |-
34 0.0340 0.1192 1078.1 0.0000 | |
35 0.0223 0.4429 1078.2 0.0000 | |---
36 0.0104 0.3044 1078.2 0.0000 | |--
37 -0.0031 0.0453 1078.2 0.0000 | |
38 -0.0155 -0.1823 1078.2 0.0000 | -|
39 -0.0328 -0.0848 1078.4 0.0000 | |
40 -0.0503 -0.0463 1078.9 0.0000 | |
Plot ACF:
1.00
0.50
Autocorrelations of data
0.00
-0.50
-1.00
0 10 20 30 40
Lag
Bartlett's formula for MA(q) 95% confidence bands
Jika dilihat pada Plot ACF nya, nilainya menurun secara melambat sehingga dapat
dikatakan data tersebut tidak stasioner dalam rata-rata.
Plot PACF
1.00
Partial autocorrelations of data
0.50
0.00
-0.50
0 10 20 30 40
Lag
95% Confidence bands [se = 1/sqrt(n)]
Uji ACF dan PACF setelah diferensi
corrgram ddata
-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]
-------------------------------------------------------------------------------
1 -0.1928 -0.1932 3.8308 0.0503 -| -|
2 -0.1578 -0.2397 6.4226 0.0403 -| -|
3 0.1164 0.0608 7.8479 0.0493 | |
4 -0.1727 -0.2099 11.016 0.0264 -| -|
5 -0.0743 -0.1766 11.609 0.0406 | -|
6 0.3248 0.3199 23.058 0.0008 |-- |--
7 -0.1242 -0.0529 24.75 0.0008 | |
8 -0.2110 -0.2803 29.684 0.0002 -| --|
9 0.1560 0.0572 32.412 0.0002 |- |
10 -0.2211 -0.2346 37.953 0.0000 -| -|
11 0.0987 0.1285 39.069 0.0001 | |-
12 0.4719 0.6181 64.877 0.0000 |--- |----
13 -0.1694 0.0499 68.242 0.0000 -| |
14 -0.0377 0.2205 68.41 0.0000 | |-
15 0.0093 0.0391 68.42 0.0000 | |
16 -0.0479 0.1397 68.699 0.0000 | |-
17 -0.1458 -0.1962 71.311 0.0000 -| -|
18 0.1998 -0.1909 76.279 0.0000 |- -|
19 -0.1221 0.0769 78.157 0.0000 | |
20 -0.1467 -0.2271 80.901 0.0000 -| -|
21 0.0823 -0.0805 81.777 0.0000 | |
22 -0.1336 -0.0985 84.11 0.0000 -| |
23 0.0600 -0.2402 84.586 0.0000 | -|
24 0.2850 0.2527 95.489 0.0000 |-- |--
25 -0.0442 -0.0259 95.754 0.0000 | |
26 -0.0705 -0.0485 96.439 0.0000 | |
27 0.0066 -0.2484 96.446 0.0000 | -|
28 -0.0296 0.2175 96.57 0.0000 | |-
29 -0.1969 -0.1879 102.14 0.0000 -| -|
30 0.2213 0.0209 109.28 0.0000 |- |
31 -0.1714 -0.0211 113.62 0.0000 -| |
32 -0.0748 -0.0629 114.46 0.0000 | |
33 0.0600 -0.0408 115.01 0.0000 | |
34 -0.1182 -0.3484 117.16 0.0000 | --|
35 0.0021 -0.1521 117.16 0.0000 | -|
36 0.2328 0.1481 125.8 0.0000 |- |-
37 0.0586 0.3691 126.36 0.0000 | |--
38 -0.1080 0.2414 128.28 0.0000 | |-
39 0.1193 0.1451 130.65 0.0000 | |-
40 -0.1406 -0.0063 134.02 0.0000 -| |
Plot ACF
0.60
Partial autocorrelations of ddata
0.40
0.20
0.00
-0.20
-0.40
0 10 20 30 40
Lag
95% Confidence bands [se = 1/sqrt(n)]
Plot PACF
0.40
Autocorrelations of ddata
0.20
0.00
-0.20
-0.40
0 10 20 30 40
Lag
Bartlett's formula for MA(q) 95% confidence bands
ACF PACF MODEL
Menurun secara eksponensial. Cut off lag-p AR(p)
Cut off lag-q Menurun Secara Eksponensial. MA(q)
Menurun pada lag (q-p) Menurun pada lag (q-p) ARMA/ARIMA(p,d,q)
Interpretasi :
ESTIMASI MODEL
Jika dilihat pada plot ACF dan PACF merupakan plot Cut Off sehingga estimasi
model yang dipakai adalah ARIMA (p,d,q) dilihat di tabel estimasi model di atas.
Dari plot ACF dan PACF di atas hasil dari differencing terlihat bahwa ACF tidak
signifikan pada lag ke-6 dan lag ke-12. Dari plot PACF dapat dilihat nlai autokorelasi
parsial tidak signifikan pada lag ke-2, lag ke-6, lag ke-8, lag ke-10, lag ke-12, lag ke-
14, lag ke-20, lag ke-23, lag ke-24, lag ke-27, lag ke-28, lag ke-34, lag ke-37, dan lag
ke-38 sehingga di dapatkan model yang terbentuk adalah ARIMA(1,1,1),
ARIMA(1,1,2), ARIMA(3,1,1), ARIMA (2,1,2), walaupun tidak menutup
kemungkinan terdapat model ARIMA lain yang terbentuk.
5. Estimasi Parameter
Estimasi parameter dilakukan dengan menggunakan metode maksimum likelihood
yang disesuaikan. Di bawah ini adalah model yang digunakan.
Ddata
53,50539 39,08387 1,37 0,171 -23,09758 130,1084
_cons
ARMA
ar
L1. -,1940089 ,0792912 -2,45 0,014 -,3494169 -,0386009
ma
/sigma 16325,22 . . . . .
Ddata
60,25761 37,5587 1,60 0,109 -13,35609 133,8713
_cons
ARMA
ar
ma
-,9999813 68,54394 -0,01 0,988 -135,3436 133,3437
L1.
Ddata
64,47877 23,54547 2,74 0,006 18,33051 110,627
_cons
ARMA
ar
ma
ARIMA(1,1,1)
ARIMA (3,1,1)
ARIMA (3,1,3)
ARIMA(1,1,1) 2212,635
ARIMA(3,1,1) 2212,708
2213,594
ARIMA(3,1,3)
7. Check diagnostic
Uji Normalitas residual
resid 11594.91 22617.21
3203.975 -8969.422
2356.495 8386.661 -13866.5
-4629.667 -6917.325 31659.17
1744.389 8782.051 -20379.12
-615.7125 -14014.84 -6564.741
-3983.162 -6593.505 -12901.91
5817.768 -9439.873 -27032.91
15720.69 4849.496 -13060.41
-493.5262 -1692.648 6562.036
4856.571 23797.59 1176.978
-2903.789 14284.09 -1417.69
9193.243 2328.284 20020.65
-13103.16 2888.62 -15545.92
-2783.78 -967.084 11892.6
559.2934 3654.733 -2424.145
-6108.998 31767.04 -11822.04
-3257.255 -39789.08 2240.56
696.9221 -23594.07 15328.9
20529.54 449.4323 -22570.96
8313.096 72.45476 -17100.17
-3394.612 6553.013 -3581.712
-5611.042 -4736.553 3542.297
12641.19 20193.09 20581.57
28192.7 21616.8 25969.9
-6996.744 -183.3681 -11690.48
7259.476 15329.83 -10654.4
-10058.26 -10940.19 13442.32
-2950.798 -1044.646 -26028.41
9372.013 -4383.792 12676.28
29440.18 47195.54 35476.74
-2791.655 -25286.24 -56355.54
-26706.78 -27352.24 -21623.35
-16733.08 19621.54
a. Hipotesis
H0 = residual berdistribusi normal
H1 = residual tidak berdistribusi normal
b. Taraf signifikan
𝛼 = 0,05
c. Kriteria pengujian
Tolak H0 jika p-value < 𝛼
d. Pengujian
Jarque-Bera normality test: 4.116Chi(2) .1277
Jarque-Bera test for Ho: normality:
3.0e-05
2.0e-05
Density
1.0e-05
e. Kesimpulan
Karena p-value(0,1277)>0,05 maka gagal tolak H0 sehingga dapat disimpulkan
bahwa residual berdistribusi normal
8. Melakukan Forecasting
Tabel hasil peramalan Data Data Harga Beras Pemerintah Daerah (2010-2019).
Dengan melihat tebel diatas Data Penjualan Beras Pemerintah Daerah dapat
dikatakan bahwa dalam tahun 2018 bulan Mei sampai pada tahun 2019 bulan
Februari mengalami penurunan setiap bulannya. Kecuali pada bulan September
tahun 2018 dan bulan Februari 2019 data musiman mengalami kenaikan.
𝑌̂ 𝑌i
𝑌̂ − 𝑌i (𝑌̂ − 𝑌i)2
(data (data
(residual) (residual2)
forecast) asli)
758911,4 810055 -51143,6 2615667821
764559,1 832213 -67653,9 4577050185,2
770206,8 822876 -88292,2 7795512580,8
775854,5 858499 -82644,5 6830113380,3
781502,2 759986 21516,2 462946862,44
787149,9 855783 -68633,1 4710502415,6
792797,6 867715 -74917,4 5612616822,8
798445,3 856171 -57725,7 3332256440,5
804092,9 870455 -66362,1 4403928316,4
909740,6 887064 22676,6 514228187,56
JUMLAH 40854823013
2.
Arima (3,1,3)
AIC (1,1,1)
AIC (3,1,1)
AIC (3,1,3)