METODE ARIMA MELALUI PROGRAM SPSS

1. Buka Aplikasi SPSS

2. Buka File \Ekonometrika\data\arima_indeks_trans.xls
3. Lakukan uji stasioneritas dengan mengklik: Analyze-Forecasting-Autocorrelation
4. Masukkan variable closing ke dalam kolom ‘variable’, hilangkan tanda centang ‘partial
correlation’ pada parameter ‘display’ lalu klik Ok

5. Hasilnya

6. Dari gambar di atas menunjukkan bahwa data tidak stasioner, oleh karena itu harus
dilakukan differencing.
7. Lakukan lagi langkah ke-3 kali ini pada parameter transform beri tanda centang pada
difference dan isi kolom dengan 1, hasilnya:
8. Hasil pengolahan menunjukkan data telah stasioner, berarti siap untuk permodelan
dengan ARIMA.
9. Untuk menentukan ordo pada model ARIMA, lakukan lagi langkah ke-3 tapi kali ini beri
tanda centang pada ‘partial autocorrelations’ sehingga hasilnya menjadi:
10. Dari hasil-hasil di atas, maka dapat dibuat model ARIMA (p,d,q) sebagai ARIMA (1,1,1)
11. Langkah untuk membuat model klik Analyze-create model, pilih ARIMA pada parameter
methods, buat ordo (1,1,1) pada tombol criteria.

12. Pada Tabs ‘Statistik’ beri centang ‘Parameter estimates’ pada ‘Statistic for Individual
Model.
13. Pada Tabs ‘Save’ beri centang ‘Noise Residual’ lalu OK
 14. Hasilnya sebagai berikut:

ARIMA Model Parameters

Estimate SE t Sig.

Closing-Model_1 Closing No Transformation Constant 1.022 .492 2.078 .042

AR Lag 1 .838 .192 4.368 .000

Difference 1

MA Lag 1 .653 .261 2.499 .015

Model ARIMA yang dibuat:

ΔYt = 1,022 + 0,838 ΔYt-1 – 0,653e t-1
Yt – (Yt-1 ) = 1,022 + 0,838(Yt-1 - Yt-2) - 0,653e t-1
Yt = 1,022 + 1,83 Yt-1 – 0,83 Yt-2 - 0,653e t-1

15. Apakah model sudah baik? Model baik jika:

a. Nilai-nilai koefisien autokorelasi dari nilai residul tidak berbeda secara signiifikan dari
nol.
b. Errornya White Noise (pure random), artinya error tidak dipengaruhi oleh error-error
waktu yang lalu. White Noise jika tidak ada residual yang signifikan (melampaui garis
‘Barlett’)

16. Untuk mengetahui apakah error white noise atau tidak ikuti langkah analyze –
forecasting – autocorrelation. Kali ini variabelnya noise residual from closing lalu,
hilangkan centang partial correlation lalu OK. Hasilnya:
17. Hasil di atas menunjukkan bahwa error tidak white noise. Untuk itu model ARIMA harus
diturunkan dengan metode trial error misalnya ARIMA (1,1,0) atau ARIMA (0,1,1) Untuk
itu ulangi langkah ke-11 hingga ke-16.
18. Jika tidak ditemukan model yang baik yang memenuhi 2 syarat di atas, maka dilakukan
permodelan dengan ARCH/GARCH