TIME SERIES DENGAN
K-STAT &EVIEWS
Oleh
Prana Ugiana Gio
Video Cara Mendownload Aplikasi Olah Data K-Stat :
https://www.youtube.com/watch?v=CnYWqjEs6HQ
Menggunakan Aplikasi Olah Data K-Stat secara Online:
https://gioprana.shinyapps.io/K-Stat/
Panduan Mengolah Data dengan K-Stat:
1. Data
Berikut diberikan data harga saham bank BNI dari tanggal 4 Desember 2017 sampai dengan tanggal 27
Desember 2017.
Data pada Tabel 1.1 diringkas kembali seperti pada Tabel 1.2.
2. Menginput Data di K-Stat
Selanjutnya data pada Tabel 2.1 diinput di K-Stat.
3. Menyajikan Data dalam Grafik (Grafik Sebaran Data)
Selanjutnya menyajikan data ke dalam grafik.
Gambar 3.1
Gambar 3.3
Berdasarkan Gambar 3.3 dan Gambar 3.4, terdapat kecenderungan harga saham BNI mengalami
peningkatan dari tanggal 4 Desember 2017 sampai dengan tanggal 27 Desember 2017. Berikut tampilan
grafik dengan Eviews.
Gambar 3.5
4. Uji Stasioner dengan Pendekatan Correlogram dengan K-Stat
Selanjutnya dilakukan uji stasioner dengan pendekatan correlogram dengan K-Stat (pada Level).
Gambar 4.1
Gambar 4.3
Berikut disajikan hasil uji stasioner dengan pendekatan correlogram dalam EViews.
Gambar 4.5
Gambar 4.6
5. Uji Stasioner dengan Pendekatan Uji Augmented Dickey-Fuller dengan K-Stat
Selanjutnya dilakukan uji stasioner dengan pendekatan Augmented Dickey-Fuller dengan K-Stat (pada
Gambar 5.1
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.1) diketahui nilai
statistik ADF |-0,4564| < nilai kritis |-3,000|, maka data tidak stasioner pada level. Nilai statistik ADF -0,4564.
Gambar 5.2
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.2) diketahui nilai
statistik ADF |-4,507| > nilai kritis |-3,000|, maka data stasioner pada first difference. Berikut disajikan
hasil berdasarkan EViews.
Gambar 5.4
Tabel 5.1 Hasil Uji Stasioner pada Level
Null Hypothesis: CLOSE_PRICE has a unit root Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=3)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.456407 0.8688
Test critical values: 1% level -4.121990
5% level -3.144920
10% level -2.713751
*MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 12
Augmented Dickey-Fuller Test Equation Dependent Variable: D(CLOSE_PRICE) Method: Least Squares
Date: 12/28/17 Time: 17:05 Sample (adjusted): 5 16
Included observations: 12 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CLOSE_PRICE(-1) -0.039360 0.086239 -0.456407 0.6619
D(CLOSE_PRICE(-1)) -1.047104 0.316445 -3.308956 0.0130
D(CLOSE_PRICE(-2)) -0.917922 0.376233 -2.439772 0.0448
D(CLOSE_PRICE(-3)) -0.592647 0.321804 -1.841643 0.1081
C 765.0040 780.3120 0.980382 0.3596
R-squared 0.657546 Mean dependent var 114.5833
Adjusted R-squared 0.461858 S.D. dependent var 151.6794
S.E. of regression 111.2692 Akaike info criterion 12.55612
Sum squared resid 86665.86 Schwarz criterion 12.75816
Log likelihood -70.33671 Hannan-Quinn criter. 12.48131
F-statistic 3.360174 Durbin-Watson stat 2.091355
Prob(F-statistic) 0.077590
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller, diketahui nilai statistik ADF
|-0,4564| < nilai kritis |-3,144920|, maka data tidak stasioner pada level.
Gambar 5.5
Tabel 5.2 Hasil Uji Stasioner pada First Difference
Null Hypothesis: D(CLOSE_PRICE) has a unit root Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=3)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.506984 0.0054
Test critical values: 1% level -4.121990
5% level -3.144920
10% level -2.713751
*MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 12
Augmented Dickey-Fuller Test Equation Dependent Variable: D(CLOSE_PRICE,2) Method: Least Squares
Date: 12/28/17 Time: 17:06 Sample (adjusted): 5 16
Included observations: 12 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(CLOSE_PRICE(-1)) -3.649155 0.809667 -4.506984 0.0020
D(CLOSE_PRICE(-1),2) 1.556970 0.595444 2.614804 0.0309
D(CLOSE_PRICE(-2),2) 0.596023 0.305385 1.951709 0.0868
C 411.8584 95.85122 4.296850 0.0026
R-squared 0.888415 Mean dependent var 4.166667
Adjusted R-squared 0.846570 S.D. dependent var 269.6448
S.E. of regression 105.6201 Akaike info criterion 12.41878
Sum squared resid 89244.89 Schwarz criterion 12.58041
Log likelihood -70.51266 Hannan-Quinn criter. 12.35893
F-statistic 21.23137 Durbin-Watson stat 2.055837
Prob(F-statistic) 0.000364
Berdasarkan hasil uji stasioner dengan uji Augmented Dickey-Fuller (Gambar 5.2) diketahui nilai
statistik ADF |-4,506984| > nilai kritis |-3,144920|, maka data stasioner pada first difference. Berikut
disajikan hasil berdasarkan EViews.
6. Uji Ljung-Box dengan K-Stat
Pengujian ini dilakukan untuk kesesuaian penggunaan ARMA atau ARIMA. Adapun hipotesis yang
diujikan adalah (Mahyus, 2014:77).
� : Data random (tidak ada pola) � : Data tidak random (ada pola)
Mahyus (2014:77) dalam uji L-Jung-Box-Pierce, apabila tingkat probabilitas (p-value) dari Q statistik
dari setiap time lag < 0,05 (tingkat kepercayaan 95%) maka � ditolak. Artinya data tersebut dapat
sesuai dimodelkan dengan menggunakan ARMA atau ARIMA.
Berdasarkan hasil uji Ljung-Box untuk data close price pada first difference, hanya pada lag pertama
nilai p-value < 0,05, yakni 0,0296966 < 0,05.
Berikut hasil uji Ljung-Box untuk data close price pada first difference dalam EViews.
Gambar 6.2
Gambar 6.4
7. AR, MA, ARMA dan ARIMA dengan K-Stat
AR(1) dengan K-Stat.
AR(1) dengan EViews.
AR(2) dengan K-Stat.
AR(2) dengan EViews.
Gambar 7.4
MA(1) dengan K-Stat.
MA(1) dengan EViews.
Gambar 7.7
ARIMA(1,1,1) dengan K-Stat.
ARIMA(1,1,1) dengan EViews.
Gambar 7.10
8. Uji Stasioner Data Residual pada Level dengan K-Stat
Berikut ilustrasi untuk melakukan uji stasioner data residual pada level dengan uji Augmented
Gambar 8.1
Berdasarkan Gambar 8.1, diketahui nilai statistik ADF |-3,988| > nilai kritis |-3,00|, maka data residual
stasioner pada level. Berikut hasil uji stasioner dengan uji Augmented Dickey-Fuller untuk data
residual dengan EViews (untuk AR(1)).
Gambar 8.3
Gambar 8.5
Gambar 8.7
9. Nilai Prediksi/Ramalan dengan K-Stat
Berikut ilustrasi yang memperlihatkan nilai aktual dan nilai prediksi. Unuk ilustrasi ini digunakan
AR(1).
Gambar 9.2
Gambar 9.4
Gambar 9.10
Nilai prediksi 5 waktu ke depan adalah
9956.08 10008.41 10057.25 10102.82 10145.35
Nilai aktual, prediksi dan residual dengan EViews untuk AR(1).
Referensi Bacaan:
Buku dengan judul “Analisis Data Time Series Untuk Penelitian Ekonomi, Manajemen dan Akuntansi” yang ditulis oleh Dr. Mahyus Ekananda, M.M., M.SE, Tahun 2014, Penerbit Mitra