Nama : Wd Arzeti Rahmayana S

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 -

Data yang sudah terpotong :

2010M1 243536 2012M1 332316 2014M1 463590
2010M2 245946 2012M2 347013 2014M2 456787
2010M3 242373 2012M3 335700 2014M3 437845
2010M4 244668 2012M4 336393 2014M4 434761
2010M5 244003 2012M5 331736 2014M5 448034
2010M6 240477 2012M6 342141 2014M6 452937
2010M7 246669 2012M7 343309 2014M7 456955
2010M8 261814 2012M8 371768 2014M8 482621
2010M9 261120 2012M9 386234 2014M9 468944
2010M10 268856 2012M10 391960 2014M10 490128
2010M11 267762 2012M11 400075 2014M11 490502
2010M12 280270 2012M12 404018 2014M12 485538
2011M1 268694 2013M1 413429 2015M1 495538
2011M2 271140 2013M2 450055 2015M2 515824
2011M3 274069 2013M3 410752 2015M3 496527
2011M4 270338 2013M4 401410 2015M4 490084
2011M5 270425 2013M5 409768 2015M5 494461
2011M6 273594 2013M6 414390 2015M6 494718
2011M7 296101 2013M7 426283 2015M7 514005
2011M8 303803 2013M8 453047 2015M8 545405
2011M9 303156 2013M9 445921 2015M9 539746
2011M10 319018 2013M10 440336 2015M10 555495
2011M11 323885 2013M11 479738 2015M11 549941
2011M12 336273 2013M12 459116 2015M12 555549
2016M1 571337 2016M11 656096 2017M9 771739
2016M2 605411 2016M12 665000 2017M10 772378
2016M3 604169 2017M1 667587 2017M11 795460
2016M4 585890 2017M2 722991 2017M12 774923
2016M5 580601 2017M3 696281 2018M1 801345
2016M6 584634 2017M4 683208 2018M2 841652
2016M7 611791 2017M5 714215 2018M3 787860
2016M8 636206 2017M6 720876 2018M4 786549
2016M9 639688 2017M7 749403
2016M10 662806 2017M8 779367

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

2. Menguji Kestasioneran dengan membuat plot data

800000
600000
data
400000
200000

600 620 640 660 680 700

Tahun

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

Pada pengujian menggunakan Dickey Fuller terlihat bahwa p-value(0,9782)>0,05 .

artinya data tersebut tidak Stationer.

3. Membuat kestasioneran data menggunakan uji ADF (menggunakan software Stata)

a. 1st difference
Hipotesis
H0 : data tersebut tidak stasioner
H1 : data tersebut stasioner
Kriteria Pengujian
Tolak H0, jika │ADF│ >│t-Statistic│(critical vulue α = 5%)
Statistik Uji

Dickey-Fuller test unit root Number of obs = 109

Interpolated Dickey-Fuller
Test 1% Critical 5% critical 10% Critical
Statistic Value value Value
Z(t) -11,973 -3,511 -2,891 -2,580
MacKinnon approximate p-value for Z(t) = 0.0000

Pada pengujian menggunakan Dickey Fuller terlihat bahwa p-value(0,000)<0,05 .

Artinya data tersebut Stationer.

 Data setelah 1st differance :

ddata -3573 -3526

0 2295 6192
2410 -665 15145
-694 -39303 -5659
7736 -9342 15749
-1094 8358 -5554
12508 4622 5608
-11576 11893 15788
2446 26764 34074
2929 -7126 -1242
-3731 -5585 -18279
87 39402 -5289
3169 -20622 4033
22507 4474 27157
7702 -6803 24415
-647 -18942 3482
15862 -3084 23118
4867 13273 -6710
12388 4903 8904
-3957 4018 2587
14697 25666 55404
-11313 -13677 -26710
693 21184 -13073
-4657 374 31007
10405 -4964 6661
1168 10000 28527
28459 20286 29964
14466 -19297 -7628
5726 -6443 639
8115 4377 23082
3943 257 -20537
9411 19287 26422
36626 31400 40307
-53792 -1311
 Plot setelah 1st differance :
50000
ddata

0
-50000

600 620 640 660 680 700

Tahun

 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

4. Uji ACF dan PACF sebelum diferensi

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.

 Model ARIMA (1,1,1)

ARIMA regression
Number of obs = 99
Sample : 2-100 Wald chi2(2) = 93,90

Log likelihood = -1103,318 Prob > chi2 = 0,000

OPG
Coef. z P>|z| [95% conf.Interval]
D.ddata Std.Err.

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

L1. -1 ,1228535 -8,14 0,000 -1,240788 -,7592117

/sigma 16325,22 . . . . .

 Model ARIMA (3,1,1)

ARIMA regression
Number of obs = 99
Sample : 2-100 Wald chi2(2) = 10,61

Log likelihood = -1100,354 Prob > chi2 = 0,0313

OPG
Coef. z P>|z| [95% conf.Interval]
D.ddata Std.Err.

Ddata
60,25761 37,5587 1,60 0,109 -13,35609 133,8713
_cons

ARMA
ar

L1. -,246262 ,1048574 -2,35 0,019 -,4517788 -,0407452

L2. -,2497314 ,1335537 -1,87 0,061 -,5114919 ,0120291
L3. ,0379243 ,1159272 0,33 0,744 -,1892888 ,2651373

ma
-,9999813 68,54394 -0,01 0,988 -135,3436 133,3437
L1.

/sigma 15801,08 541545,5 0,03 0,488 0 1077211

 Model ARIMA (3,1,3)

ARIMA regression
Number of obs = 99
Sample : 2-100 Wald chi2(2) = 1070,39

Log likelihood = -1098,797 Prob > chi2 = 0.0000

OPG
Coef. z P>|z| [95% conf.Interval]
D.ddata Std.Err.

Ddata
64,47877 23,54547 2,74 0,006 18,33051 110,627
_cons

ARMA
 ar

L1. ,0703334 ,8219363 0,09 0,932 -1,540632 1,681299

L2. ,1071912 ,388094 0,28 0,782 -,653459 ,8678414
L3. ,1284108 ,2375595 0,54 0,589 -,3371973 ,5940189

ma

L1. -1,362785 88,6871 -0,02 0,988 -175,1863 172,4607

L2. ,0139661 32,37114 0,00 1,000 -63,4323 63,46023
L3. ,3488135 30,86445 0,01 0,991 -60,1444 60,84202

/sigma 15465,23 682853,3 0,02 0,491 0 1353833

6. Pemilihan Model terbaik

Untuk menentukan model terbaik digunakan kriteria AIC. Model terbaik yang dipilih
merupakan model yang memberikan nilai AIC terkecil. Nilai AIC untuk jumlah kasus
dapat dilihat pada tabel di bawah ini:

 ARIMA(1,1,1)

Akaike’s information criterion and bayesian information criterion

model Obs 11(null 11(model) df AIC BIC

. 99 . -1103,318 3 2212,635 2220,421

Note : N=obs used calculating BIC ; see [R] BIC note

 ARIMA (3,1,1)

Akaike’s information criterion and bayesian information criterion

model Obs 11(null 11(model) df AIC BIC

. 99 . -1100,354 6 2212,708 2228,278

Note : N=obs used calculating BIC ; see [R] BIC note

 ARIMA (3,1,3)

Akaike’s information criterion and bayesian information criterion

model Obs 11(null 11(model) df AIC BIC

. 99 . -1098,797 8 2213,594 2234,355

Note : N=obs used calculating BIC ; see [R] BIC note

 Tabel nilai AIC Data Jumlah Kasus
Model AIC

ARIMA(1,1,1) 2212,635

ARIMA(3,1,1) 2212,708

2213,594
ARIMA(3,1,3)

ARIMA(1,1,1),ARIMA(3,1,1) dan ARIMA(3,1,3). Untuk memilih model terbaik digunakan

kriteria AIC. Karena model ARIMA(1,1,1) mempunyai nilai AIC minimum dibandingkan
model ARIMA(3,1,1), dan ARIMA(3,1,3), maka dapat disimpulkan bahwa model
ARIMA(1,1,1) adalah model yang terbaik untuk Data Harga Beras Pemerintah Daerah (2010-
2019).
MODEL ARIMA(1,1,1)
Yt = ∅1Yt-1 + 𝜸𝟏 𝜺𝒕−𝟏 + 𝜺𝒕
Yt = −0,1940089Yt-1−1 𝜀 t-1 +𝜀 t

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

-60000 -40000 -20000 0 20000 40000

residual, one-step

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).

Data Peramalan Data Hasil Peramalan

2018M5 810055 2018M5 758911,4

2018M6 832213 2018M6 764559,1

2018M7 822876 2018M7 770206,8
2018M8 858499 2018M8 775854,5
2018M9 759986 2018M9 781502,2
2018M10 855783 2018M10 787149,9
2018M11 867715 2018M11 792797,6
2018M12 856171 2018M12 798445,3
2019M1 870455 2019M1 804092,9

2019M2 887064 2019M2 909740,6

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.

a. Mencari nilai MSE untuk model yang terpilih

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

Rumus menghitung MSE adalah sebagai berikut.

∑(𝑌̂ − 𝑌i)2
𝑀𝑆𝐸 =
𝑛
40.854.823.013
𝑀𝑆𝐸 =
10
𝑀𝑆𝐸 = 4.085.482.301,3
INTERPRETASI:
Berdasarkan hasil peramalan dengan menggunakan model ARIMA(1,1,1) terlihat
perbedaan antara hasil predikisi untuk 10 bulan kedepan dengan nilai MSE sebesar
4.085.482.301,3 untuk Data Penjualan Beras Pemerintah Daerah pada tahun 2010
sampai pada tahun 2019.
 LAMPIRAN :
1.

2.

3. Model Arima (1,1,1), (3,1,1), dan (3,1,3)

 Arima (1,1,1)
 Arima (3,1,1)

 Arima (3,1,3)

 AIC (1,1,1)
 AIC (3,1,1)

 AIC (3,1,3)