lap6
TRANSCRIPT
-
5/22/2018 lap6
1/24
BAB I
PENDAHULUAN
a. MODEL ARCH Engle mengembangkan model dimana rerata dan ragam suatu data deret waktu
dimodelkan secara simultan.
Model tersebut dikenal dengan model autoregressive conditionalheteroscedasticity(ARCH).
Model ARCH(p) dinyatakan sebagai: Persamaan kedua menunjukkan ragam residual (2t) memiliki dua unsur:
konstanta (0) dan kuadrat residual periode lalu (e2
t-p).
b. MODEL GARCH Bollerslev mengembangkan model ARCH dgn memasukkan unsur residual
periode lalu dan ragam residual.
Dikenal sebagai model Generalized Autoregressive ConditionalHeteroscedasticity(GARCH).
Model GARCH(p,q) dinyatakan sebagai: Persamaan tsb menunjukkan ragam residual (2t) tidak hanya dipengaruhi oleh
kuadrat residual periode yang lalu (e2t-p), tetapi juga oleh ragam residual periode
yang lalu (2t-q).
Model ARCH seperti model ARCH, juga diestimasi menggunakan metodeMaximum Likelihood (ML).
c. Tahapan Estimasi Model ARCH dan GARCHa. Identifikasi efek ARCH
Bentuk model deret waktu mengikuti metode Box-Jenkins Deteksi apakah terdapat efek ARCH pada residualnya Dua cara umum menguji efek ARCH: (1) Pola residual kuadrat melalui
korelogram; (2) Uji ARCH-LM
-
5/22/2018 lap6
2/24
b. Estimasi Model Estimasi dan simulasikan beberapa model persamaan ragam berdasarkan
persamaan rerata yang telah dibentuk
Pilih model terbaik dgn memperhatikan signifikansi parameter estimasi, LogLikelihood serta kriteria AIC dan SIC terkecil.
c. Evaluasi Model Beberapa pengujian: (1) normalitas error; (2) keacakan residual; dan (3) efek
ARCH
d. Peramalan Lakukan peramalan dengan menggunakan model terbaik Evaluasi kesalahan peramalan: Root Mean Squares Error (RMSE), Mean
Absolute Error (MAE) atau Mean Absolute Percentage Error (MAPE)
-
5/22/2018 lap6
3/24
BAB II
DESKRIPSI KERJA
Persoalan :
Terdapat data penjualan sepatu dari salah satu perusahaan sepatu (usaha rumahan) di
Cibaduyut, Bandung. Data penjualan perminggu, seperti terlihat pada tabel di bawah.
Berdasarkan data tersebut, ingin diketahui prediksi penjualan sepatu untuk minggu depan.
(catatan :jika sudah stasioner datanya tidak perlu di transformasi atau diffrencing)
Tabel 2.1 Data Penjualan Sepatu
-
5/22/2018 lap6
4/24
Langkah-langkah penyelesaian :
1. Membuka EviewsfileNewWorkfile.2. Setelah itu akan muncul lembar kerja Workfile, maka pilihInteger datepada Frequency,
pada Start Date ketikkan 1 dan pada End Date ketikkan 61.
Gambar 2.1, tampilan Workfile
3. Kemudian untuk membuat objek baru maka klik Object New Object maka akanmuncul lembar kerja New Object dan pilih Series kemudian berikan nama pada Name
for Object lalu OK.
Gambar 2.2, tampilan langkah membuat object series
4. Kemudian masukkan data ke dalam lembar kerja pada Eviews, dengan cara klik 2 kalipada rizka kemudian copydata dan masukkan ke dalam lembar kerja pada Eviews. Klik
Edit dan masukkan datanya, kemudian klik kembali Edit.
-
5/22/2018 lap6
5/24
Gambar 2.3, tampilan penginputan data
5. Kemudian untuk melihat plot data dengan cara klik viewGraphOK.
Gambar 2.4, tampilan melihat kestasioneran data
6. Klik ViewHistogram and Stats untuk mengecek kenormalan data.
Gambar 2.5, tampilan langkah menguji normalitas
7. Karena data belum normal maka datanya di-lnkan terlebih dahulu dengan cara klikQuickGenerate Serieslalu ketikkan lnrizka=log(rizka)OK.
-
5/22/2018 lap6
6/24
Gambar 2.6, tampilan Generate Series
8. Lalu lakukan lagi langkah ke 5 dan 6 diatas.9. Kemudian untuk mengecek stasioner terhadap mean dengan cara kli view Unit root
test.
Gambar 2.7, tampilan langkah melihat kestasioneran data dengan nilai ADF
10.Lalu klik viewCorrelogram
Gambar 2.8, tampilan langkah membuat grafik AR dan MA
11.Kemudian menguji model yang terbentuk, model pertama yaitu model (1,0,1) dengancara klik Quick Estimate equation dan pada kolom Equation specification ketikan
log(rizka) c ar(1) ma(1) kemudian pada method LS-Least Squares (NLS and
ARIMA)
-
5/22/2018 lap6
7/24
Gambar 2.9, tampilan Estimate equation
12.Karena terdapat hasil yang tidak signifikan, maka buang variabel ma(1) dengan cara klikestimatedan ketikkan log(rizka) c ar(1)padakolomEquation specification.
Gambar 2.10, tampilan Estimate equation
13.Karena semua telah signifikan, maka pengujian pertama yang dilakukan adalahpengujian uji normalitas dengan cara Klik View Residual test Histogram-
Normality Test.
14.Pengujian kedua yaitu uji autokorelasi dengan cara Klik View Residual test Correlogram-Qstatistics.
15.Dan pengujian terakhir yaitu uji homoskedastisitas dengan cara cara Klik View Residual test Correlogram Squared Residuals.
16.Karena data yang diuji Heteroskedastisitas maka akan dibuat menjadi Homoskedastisitasdengan cara melakukan uji Arch/Garch dengan menggunakan model Arch (1,0) dengan
cara klik QuickpilihEstimate Equation
Gambar 2.11, tampilan menggunakan model Arch
17.Kemudian lakukan uji normalitas dengan cara Klik View Residual test Histogram-Normality Test.
18.Pengujian kedua yaitu uji autokorelasi dengan cara Klik View Residual test Correlogram-Qstatistics.
-
5/22/2018 lap6
8/24
19.Dan pengujian terakhir yaitu uji homoskedastisitas dengan cara cara Klik View Residual test Correlogram Squared Residuals.
20.Dan lakukan uji ARCML test dengan langkah-langkah seperti dibawah ini.
Gambar 2.12, tampilan uji ARCML
21.Kemudian gunakan model Garch (0,1)
Gambar 2.13, tampilan Estimate equation
22.Kemudian lakukan pengujian dari langkah 17- 20.23.Kemudian gunakan model Arch-Garch(1,1).
Gambar 2.14, tampilan Estimate equation
24.Dan lakukan pengujian langkah 1720 lagi.25.Kemudian sebelum melakukan forecast, maka double klik terlebih dahulu pada range.
Dan gantilah angka pada end date menjadi 62.
-
5/22/2018 lap6
9/24
Gambar 2.15, tampilan workfile
26.Kemudian klik Quickequation estimation ketikan log(rizka) c sar(12) sma(12).
Gambar 2.16, tampilan forecast
-
5/22/2018 lap6
10/24
BAB III
PEMBAHASAN
Dari bab deskripsi kerja diatas didapatkan beberapa hasil outputyang mana pada bab ini
akan dijelaskanhasil outputnya.
Gambar 3.1, tampilan plot data dan histogram
Dari gambar diatas ditampilkan hasil plot data dan gambar histogram. Dari gambar plot telah
terlihat data telah stasioner, namun belum tentu data telah stasioner terhadap mean dan
variansi. Dari gambar histogramnya akan dilakukan uji hipotesis.
Uji Hipotesis
HipotesisH0: data berdistribusi normal
H1: data t idak berdistribusi normal
Tingkat signifikansi := 5%
Daerah Kritis :H0ditolak jika probability <
Statistik Uji :Probability = 0.000343
Keputusan :0.00343 < = 0.05 maka Tolak H0
Kesimpulan :Karena probability=0.00343
-
5/22/2018 lap6
11/24
Karena data tidak normal, maka dilakukan transformasi maka hasilnya akan seperti gambar
dibawah ini.
Gambar 3.2, tampilan plot data dan histogram
Dari gambar diatas yaitu gambar plot data terlihat bahwa data telah stasioner terhadap
variansi. Kemudian untuk hasil dari histogramnya maka dilakukan uji hipotesis.
Uji Hipotesis
HipotesisH0: data berdistribusi normal
H1: data t idak berdistribusi normal
Tingkat signifikansi := 5%
Daerah Kritis :H0ditolak jika probability <
Statistik Uji :Probability = 0.951601
Keputusan :0.951601 > = 0.05 maka gagal tolak H0
Kesimpulan :Karena probability=0.951601 > =0.05 maka gagal tolak H0sehingga dapat
disimpulkan bahwa data berdistribusi normal.
Kemudian untuk pengujian kestasioneran terhadap mean dilihat dari hasil output dibawah
ini.
-
5/22/2018 lap6
12/24
Gambar 3.3, tampilan hasil pengujian kestasioneran terhadap mean
Uji Hipotesis
HipotesisH0: data tidak statsioner terhadap mean
H1: data statsioner terhadap mean
Tingkat signifikansi := 5%
Daerah Kritis :Jika | nilai ADF | > |t-statistic level 5%| maka Tolak H0
Statistik Uji :|t-statistic level 5%| = 2.902953
Keputusan :Jika 5.900903 > 2.910805 maka tolak H0
Kesimpulan :Dengan menggunakan |t-statistic level 5%| keputusannya adalah tolak H0sehingga dapat
disimpulkan bahwa data statsioner terhadap mean.
Setelah itu akan muncul hasil correlogram, berikut tampilannya:
Gambar 3.4, tampilan correlogram
-
5/22/2018 lap6
13/24
Berdasarkan grafik di atas, didapatkan model ARIMA (1,0,1), berikut hasil dari
Diagnostic cecking.
1. Model ARIMA (1,0,1)
Gambar 3.5, tampilan model (1,0,1)
Karena nilai ma(1) tidak signifikan maka variabel tersebut dibuang dan diuji lagi maka
berikut hasilnya.
Gambar 3.6, tampilan setelah dibuang ma(1)
Setelah semua telah siginfikan, maka didapatkan model ARIMA (1,0,0) dan dilakukan
pengecekanDiagnostic cecking.
1. Uji Normalitas Residual
Gambar 3.7, tampilan output uji normalitas
-
5/22/2018 lap6
14/24
Uji Hipotesis
HipotesisH0 : residual berdistribusi normal
H1 : residual tidak berdistribusi normal Tingkat signifikansi :
= 5%
Daerah Kritis :H0ditolak jika probability <
Statistik Uji :Probability = 0.689474
Keputusan :0. 689474 > = 0.05 maka gagal tolak H0
Kesimpulan :probability= 0. 689474 > = 0.05 maka gagal tolak H0 sehingga dapat
disimpulkan bahwa residual berdistribusi normal.
2. Uji Autokorelasi Residual
Gambar 3.8, tampilan hasil uji autokeralasi
Uji Hipotesis
HipotesisH0 : residual bersifat no autokorelasi
H1 : residual bersifat autokorelasi
Tingkat signifikansi := 5%
-
5/22/2018 lap6
15/24
Daerah Kritis :H0ditolak jika probability <
Statistik Uji :nilai Probability masing-masing lag.
Keputusan :Karena semua lag yang nilai probabilitasnya > = 0.05 maka gagal tolak H0.
Kesimpulan :Karena semua lag yang nilai probabilitasnya > = 0.05 maka gagal tolak H0
sehingga dapat disimpulkan bahwa residual bersifat no autokorelasi.
3. Uji Heteroskedastisitas Residual
Gambar 3.9, tampilan hasil uji heteroskedastisitas
Uji Hipotesis
Hipotesis: H0 : residual bersifat homoskedastik
H1 : residual bersifat heteroskedastik
Tingkat signifikansi := 5%
Daerah Kritis :H0ditolak jika probability <
Statistik Uji :nilai Probability masing-masing lag.
Keputusan :
-
5/22/2018 lap6
16/24
Karena ada lag yang keluar yakni pada lag 10 yang < = 0.05 maka tolak H0
Kesimpulan :Karena ada lag yang keluar yakni pada lag 10 yang < = 0.05 maka tolak H0
sehingga dapat disimpulkan bahwa residual bersifat heteroskedastik.
Karena bersifat heteroskedastik maka untuk merubahnya menjadi homoskedastik maka
dilakukan uji ARCH/GARCH
a. ARCH (1,0)
Gambar 3.10, tampilan model arch (1,0)
Karena semua telah signifikan maka dilakukan pengecekanDiagnostic cecking.
1. Uji Normalitas Residual
Gambar 3.11, tampilan uji normalitas
-
5/22/2018 lap6
17/24
2. Uji Autokolerasi Residual
Gambar 3.12, tampilan uji autokorelasi
3. Uji Heteroskedastisitas Residual
Gambar 3.13, tampilan uji heteroskedastisitas
4. ARCHLM
Gambar 3.14, tampilan uji ARCHLM
-
5/22/2018 lap6
18/24
Tabel 1. Tampilan hasil diagnostic check pada Arch(1,0)
Model Diagnostic check Keputusan Kesimpulan
ARCH(1,0) Normalitas Gagal Tolak H0 Residual berdistribusi Normal
Autokorelasi Gagal Tolak H0 Residual bersifat no AutokorelasiHeterskedastik Tolak H0 Residual bersifat Heteroskedastik
ARCHLM Gagal Tolak H0 Tidak ada efek Arch/Garch
sampai lag 10
b. GARCH (0,1)
Gambar 3.15, tampilan model garch (0,1)
Karena semua telah signifikan maka dilakukan pengecekanDiagnostic cecking.
1. Uji Normalitas Residual
Gambar 3.16, tampilan uji normalitas
-
5/22/2018 lap6
19/24
2. Uji Autokolerasi Residual
Gambar 3.17, tampilan uji autokorelasi
3. Uji Heteroskedastisitas Residual
Gambar 3.18, tampilan uji heteroskedastisitas
4. ARCHLM
Gambar 3.19, tampilan uji ARCHLM
-
5/22/2018 lap6
20/24
Tabel 2. Tampilan hasil diagnostic check pada Garch(0,1)
Model Diagnostic check Keputusan Kesimpulan
GARCH(0,1) Normalitas Gagal Tolak H0 Residual berdistribusi Normal
Autokorelasi Gagal Tolak H0 Residual bersifat no AutokorelasiHeteroskedastik Tolak H0 Residual bersifat Heteroskedastik
ARCHLM Gagal Tolak H0 Tidak ada efek Arch/Garch
sampai lag 10
c. ARCH-GARCH(1,1)1. Uji Normalitas Residual
Gambar 3.20, tampilan uji normalitas
2. Uji Autokolerasi Residual
Gambar 3.21, tampilan uji autokorelasi
3. Uji Heteroskedastisitas Residual
-
5/22/2018 lap6
21/24
Gambar 3.22, tampilan uji heteroskedastisitas
4. ARCHLM
Gambar 3.23, tampilan uji ARCHLM
Tabel 3. Tampilan hasil diagnostic check pada Arch-Garch(1,1)
Model Diagnostic check Keputusan Kesimpulan
ARCH-
GARCH(1,1)
Normalitas Gagal Tolak H0 Residual berdistribusi Normal
Autokorelasi Gagal Tolak H0 Residual bersifat no Autokorelasi
Heteroskedastik Gagal Tolak H0 Residual bersifat Homoskedastik
ARCHLM Gagal Tolak H0 Tidak ada efek Arch/Garch
sampai lag 10
Setelah semuanya selesai, maka dilakukan peramalan untuk minggu depan yaitu minggu ke
62. Dari hasil terlihat bahwa hasil forecast untuk minggu ke 62 sebesar 230.7617
-
5/22/2018 lap6
22/24
Gambar 3.24, tampilan forecast
-
5/22/2018 lap6
23/24
BAB IV
KESIMPULAN
Dari hasil diatas dapat ditarik beberapa kesimpulan, antara lain :
1. Dari plot data dan gambar histogram awal terlihat bahwa data tidak berdistribusi normal.2. Data selanjutnya di lnkan, maka setelah dilakukan uji hipotesis maka data berdistribusi
normal. Dan dilakukan pengujian kestasioneran terhadap mean dengan melakukan uji
hipotesis dan akhirnya didapatkan data telah stasioner terhadap mean.
3. Setelah dilihat dari grafik correlogram didapatkan model ARIMA (1,0,1) namun karenama(1) tidak signifikan maka ma(1) dibuang dan didapatkan model ARIMA (1,0,0). Dan
setelah diuji hipotesis didapatkan model bersifat heteroskedastisitas, maka dilakukan
pengujian dengan ARCH/GARCH. Kemudian dicoba model ARCH (1,0), GARCH (0,1)
dan ARCH-GARCH (1,1)
4. Setelah dilakukan forecast untuk 1 minggu kedepan didapatkan hasilnya sebesar230.7617.
-
5/22/2018 lap6
24/24
DAFTAR PUSTAKA
Abdurakman. 2014. Modul Praktikum Analisis Runtun Waktu. Yogyakarta : Tidak
Diterbitkan.