Input Data

Data

Data berikut ini merupakan saham dari Bank Swiss yang akan digunakan untuk membuat analisis Regresi Time Series dalam Analisis Deret Waktu

Data diinput dari file excel difolder

library(readxl)
Swiss_Bank <- read_excel("~/Swiss Bank.xlsx", 
    range = "A1:B254")
print(Swiss_Bank)

## # A tibble: 253 × 2
##    Date                 Open
##    <dttm>              <dbl>
##  1 2022-11-10 00:00:00  1.46
##  2 2022-11-11 00:00:00  1.6 
##  3 2022-11-14 00:00:00  1.61
##  4 2022-11-15 00:00:00  1.45
##  5 2022-11-16 00:00:00  1.5 
##  6 2022-11-17 00:00:00  1.45
##  7 2022-11-18 00:00:00  1.5 
##  8 2022-11-21 00:00:00  1.45
##  9 2022-11-22 00:00:00  1.45
## 10 2022-11-23 00:00:00  1.45
## # ℹ 243 more rows

Menggunakan Perintah ts()

require(graphics)
ts(1:253, frequency = 2, start = c(2022, 10))

## Time Series:
## Start = c(2026, 2) 
## End = c(2152, 2) 
## Frequency = 2 
##   [1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18
##  [19]  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36
##  [37]  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54
##  [55]  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72
##  [73]  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90
##  [91]  91  92  93  94  95  96  97  98  99 100 101 102 103 104 105 106 107 108
## [109] 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
## [127] 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
## [145] 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
## [163] 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## [181] 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
## [199] 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
## [217] 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
## [235] 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
## [253] 253

Menggunakan Perintah ts()

Swiss_Bank.ts <- ts(Swiss_Bank,
                   frequency = 253,
                   start = c(2022, 10))
print(Swiss_Bank.ts)

## Time Series:
## Start = c(2022, 10) 
## End = c(2023, 9) 
## Frequency = 253 
##                Date Open
## 2022.036 1668038400 1.46
## 2022.040 1668124800 1.60
## 2022.043 1668384000 1.61
## 2022.047 1668470400 1.45
## 2022.051 1668556800 1.50
## 2022.055 1668643200 1.45
## 2022.059 1668729600 1.50
## 2022.063 1668988800 1.45
## 2022.067 1669075200 1.45
## 2022.071 1669161600 1.45
## 2022.075 1669248000 1.59
## 2022.079 1669334400 1.69
## 2022.083 1669593600 1.45
## 2022.087 1669680000 1.45
## 2022.091 1669766400 1.41
## 2022.095 1669852800 1.40
## 2022.099 1669939200 1.40
## 2022.103 1670198400 1.40
## 2022.107 1670284800 1.40
## 2022.111 1670371200 1.40
## 2022.115 1670457600 1.53
## 2022.119 1670544000 1.53
## 2022.123 1670803200 1.52
## 2022.126 1670889600 1.40
## 2022.130 1670976000 1.40
## 2022.134 1671062400 1.40
## 2022.138 1671148800 1.56
## 2022.142 1671408000 1.50
## 2022.146 1671494400 1.56
## 2022.150 1671580800 1.44
## 2022.154 1671667200 1.40
## 2022.158 1671753600 1.41
## 2022.162 1672099200 1.41
## 2022.166 1672185600 1.40
## 2022.170 1672272000 1.40
## 2022.174 1672358400 1.45
## 2022.178 1672704000 1.40
## 2022.182 1672790400 1.40
## 2022.186 1672876800 1.40
## 2022.190 1672963200 1.40
## 2022.194 1673222400 1.42
## 2022.198 1673308800 1.45
## 2022.202 1673395200 1.49
## 2022.206 1673481600 1.49
## 2022.209 1673568000 1.49
## 2022.213 1673827200 1.54
## 2022.217 1673913600 1.42
## 2022.221 1674000000 1.54
## 2022.225 1674086400 1.39
## 2022.229 1674172800 1.49
## 2022.233 1674432000 1.40
## 2022.237 1674518400 1.40
## 2022.241 1674604800 1.40
## 2022.245 1674691200 1.38
## 2022.249 1674777600 1.35
## 2022.253 1675036800 1.31
## 2022.257 1675123200 1.32
## 2022.261 1675209600 1.30
## 2022.265 1675296000 1.37
## 2022.269 1675382400 1.42
## 2022.273 1675641600 1.45
## 2022.277 1675728000 1.48
## 2022.281 1675814400 1.48
## 2022.285 1675900800 1.48
## 2022.289 1675987200 1.45
## 2022.292 1676246400 1.67
## 2022.296 1676332800 1.55
## 2022.300 1676419200 1.58
## 2022.304 1676505600 1.56
## 2022.308 1676592000 1.56
## 2022.312 1676851200 1.55
## 2022.316 1676937600 1.65
## 2022.320 1677024000 1.75
## 2022.324 1677110400 1.56
## 2022.328 1677196800 1.67
## 2022.332 1677456000 1.55
## 2022.336 1677542400 1.60
## 2022.340 1677628800 1.60
## 2022.344 1677715200 1.55
## 2022.348 1677801600 1.51
## 2022.352 1678060800 1.60
## 2022.356 1678147200 1.51
## 2022.360 1678233600 1.52
## 2022.364 1678320000 1.60
## 2022.368 1678406400 1.95
## 2022.372 1678665600 1.90
## 2022.375 1678752000 1.85
## 2022.379 1678838400 1.75
## 2022.383 1678924800 1.94
## 2022.387 1679011200 2.10
## 2022.391 1679270400 2.10
## 2022.395 1679356800 1.95
## 2022.399 1679443200 2.36
## 2022.403 1679529600 2.30
## 2022.407 1679616000 2.40
## 2022.411 1679875200 2.42
## 2022.415 1679961600 2.04
## 2022.419 1680048000 2.00
## 2022.423 1680134400 2.00
## 2022.427 1680220800 1.95
## 2022.431 1680480000 2.16
## 2022.435 1680566400 2.00
## 2022.439 1680652800 2.00
## 2022.443 1680739200 2.00
## 2022.447 1681171200 2.00
## 2022.451 1681257600 2.08
## 2022.455 1681344000 2.10
## 2022.458 1681430400 2.00
## 2022.462 1681689600 2.14
## 2022.466 1681776000 2.20
## 2022.470 1681862400 2.02
## 2022.474 1681948800 1.98
## 2022.478 1682035200 2.10
## 2022.482 1682294400 2.02
## 2022.486 1682380800 2.08
## 2022.490 1682467200 2.08
## 2022.494 1682553600 2.08
## 2022.498 1682640000 1.96
## 2022.502 1682985600 2.00
## 2022.506 1683072000 2.16
## 2022.510 1683158400 2.30
## 2022.514 1683244800 2.30
## 2022.518 1683504000 2.30
## 2022.522 1683590400 2.20
## 2022.526 1683676800 2.10
## 2022.530 1683763200 2.28
## 2022.534 1683849600 2.16
## 2022.538 1684108800 2.28
## 2022.542 1684195200 2.20
## 2022.545 1684281600 2.28
## 2022.549 1684454400 2.14
## 2022.553 1684713600 2.20
## 2022.557 1684800000 2.10
## 2022.561 1684886400 2.26
## 2022.565 1684972800 2.36
## 2022.569 1685059200 2.34
## 2022.573 1685404800 2.44
## 2022.577 1685491200 2.20
## 2022.581 1685577600 2.22
## 2022.585 1685664000 2.46
## 2022.589 1685923200 2.24
## 2022.593 1686009600 2.48
## 2022.597 1686096000 2.32
## 2022.601 1686182400 2.36
## 2022.605 1686268800 2.20
## 2022.609 1686528000 2.38
## 2022.613 1686614400 2.32
## 2022.617 1686700800 2.40
## 2022.621 1686787200 2.40
## 2022.625 1686873600 2.40
## 2022.628 1687132800 2.40
## 2022.632 1687219200 2.34
## 2022.636 1687305600 2.34
## 2022.640 1687392000 2.42
## 2022.644 1687478400 2.50
## 2022.648 1687737600 2.38
## 2022.652 1687824000 2.50
## 2022.656 1687910400 2.48
## 2022.660 1687996800 2.46
## 2022.664 1688083200 2.36
## 2022.668 1688342400 2.48
## 2022.672 1688428800 2.40
## 2022.676 1688515200 2.40
## 2022.680 1688601600 2.64
## 2022.684 1688688000 2.78
## 2022.688 1688947200 2.64
## 2022.692 1689033600 2.78
## 2022.696 1689120000 2.90
## 2022.700 1689206400 3.14
## 2022.704 1689292800 3.24
## 2022.708 1689552000 3.20
## 2022.711 1689638400 3.16
## 2022.715 1689724800 3.24
## 2022.719 1689811200 3.26
## 2022.723 1689897600 3.14
## 2022.727 1690156800 3.26
## 2022.731 1690243200 3.00
## 2022.735 1690329600 3.08
## 2022.739 1690416000 3.22
## 2022.743 1690502400 3.18
## 2022.747 1690761600 3.26
## 2022.751 1690934400 3.08
## 2022.755 1691020800 3.16
## 2022.759 1691107200 3.16
## 2022.763 1691366400 3.00
## 2022.767 1691452800 3.16
## 2022.771 1691539200 3.16
## 2022.775 1691625600 3.16
## 2022.779 1691712000 3.10
## 2022.783 1691971200 3.16
## 2022.787 1692057600 3.14
## 2022.791 1692144000 3.14
## 2022.794 1692230400 3.04
## 2022.798 1692316800 3.00
## 2022.802 1692576000 2.90
## 2022.806 1692662400 2.52
## 2022.810 1692748800 2.74
## 2022.814 1692835200 2.60
## 2022.818 1692921600 2.90
## 2022.822 1693180800 2.64
## 2022.826 1693267200 2.66
## 2022.830 1693353600 2.60
## 2022.834 1693440000 2.70
## 2022.838 1693526400 2.46
## 2022.842 1693785600 2.56
## 2022.846 1693872000 2.68
## 2022.850 1693958400 2.66
## 2022.854 1694044800 2.56
## 2022.858 1694131200 2.62
## 2022.862 1694390400 2.50
## 2022.866 1694476800 2.46
## 2022.870 1694563200 2.46
## 2022.874 1694649600 2.54
## 2022.877 1694736000 2.44
## 2022.881 1694995200 2.40
## 2022.885 1695081600 2.40
## 2022.889 1695168000 2.56
## 2022.893 1695254400 2.58
## 2022.897 1695340800 2.56
## 2022.901 1695600000 2.56
## 2022.905 1695686400 2.80
## 2022.909 1695772800 2.80
## 2022.913 1695859200 2.60
## 2022.917 1695945600 2.62
## 2022.921 1696204800 2.62
## 2022.925 1696291200 2.76
## 2022.929 1696377600 2.52
## 2022.933 1696464000 2.52
## 2022.937 1696550400 2.42
## 2022.941 1696809600 2.80
## 2022.945 1696896000 2.68
## 2022.949 1696982400 2.78
## 2022.953 1697068800 2.82
## 2022.957 1697155200 2.90
## 2022.960 1697414400 2.86
## 2022.964 1697500800 2.80
## 2022.968 1697587200 2.70
## 2022.972 1697673600 2.68
## 2022.976 1697760000 2.84
## 2022.980 1698019200 2.68
## 2022.984 1698105600 2.86
## 2022.988 1698192000 2.66
## 2022.992 1698278400 2.76
## 2022.996 1698364800 2.76
## 2023.000 1698624000 2.60
## 2023.004 1698710400 2.62
## 2023.008 1698796800 2.78
## 2023.012 1698883200 2.70
## 2023.016 1698969600 2.84
## 2023.020 1699228800 2.78
## 2023.024 1699315200 2.70
## 2023.028 1699401600 2.60
## 2023.032 1699488000 2.60

Analisis Deret Waktu

nalisis deret waktu atau biasa disebut juga time series analysis merupakan suatu metode statistik yang digunakan untuk memahami, mengidentifikasi, dan menganalisis pola, tren, serta sifat-sifat lainnya dari data yang diukur atau diamati dalam interval waktu tertentu. Pada time series analysis melibatkan eksplorasi, pemodelan, dan interpretasi data deret waktu untuk mengungkap informasi yang terkandung dalam data tersebut. Selain itu dalam time series analysis , data disusun dalam urutan waktu, dan analisis dilakukan untuk mengungkap hubungan antarobservasi yang terjadi dalam interval waktu tersebut.

plot.ts(Swiss_Bank, xlab = "Date",
     col = "red",
     main = "Swiss_Bank")
points(Swiss_Bank , col = "black")

# Membuat Uji Stasioner Uji stasioneritas adalah pengujian yang dilakukan terhadap data deret waktu untuk mengetahui apakah data deret waktu tersebut stasioner atau tidak. Uji stasioneritas Augmented Dickey-Fuller (ADF) adalah salah satu pengujian yang dapat digunakan untuk menguji stasioneritas data deret waktu Uji ADF dilakukan dengan menguji hipotesis nol bahwa data deret waktu tidak stasioner terhadap hipotesis alternatif bahwa data deret waktu stasioner Uji ADF dapat dilakukan dengan menggunakan perintah adf.test() pada package tseries di R

install.packages(“tseries”) #library(tseries)

## A phase plot:
plot(nhtemp, lag(nhtemp, 1), cex = .8, col = "red",
     main = "Lag plot of New Haven temperatures")

## Multivariate
Swiss_Bank <- ts(matrix(rnorm(300), 100, 3), start = c(2022, 10), frequency = 253)
class(Swiss_Bank)

## [1] "mts"    "ts"     "matrix" "array"

plot(Swiss_Bank)

# library(forecast)

Suku Bunga

2023-11-10

Input Data

Data

Data diinput dari file excel difolder

Menggunakan Perintah ts()

Menggunakan Perintah ts()

Analisis Deret Waktu