Kelompok 1 MPDW Paralel 2

Kenia Maulidia Berliana Apriyanti Oksi Alhadi M Abror G Raffael Julio R

Package

library(googlesheets4)

## Warning: package 'googlesheets4' was built under R version 4.1.3

library(tseries)

## Warning: package 'tseries' was built under R version 4.1.3

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

library(forecast)

## Warning: package 'forecast' was built under R version 4.1.3

library(TTR)

## Warning: package 'TTR' was built under R version 4.1.3

library(TSA)

## Warning: package 'TSA' was built under R version 4.1.3

## Registered S3 methods overwritten by 'TSA':
##   method       from    
##   fitted.Arima forecast
##   plot.Arima   forecast

## 
## Attaching package: 'TSA'

## The following objects are masked from 'package:stats':
## 
##     acf, arima

## The following object is masked from 'package:utils':
## 
##     tar

library(imputeTS)

## Warning: package 'imputeTS' was built under R version 4.1.3

## 
## Attaching package: 'imputeTS'

## The following object is masked from 'package:tseries':
## 
##     na.remove

A. IMPORT DATA

gs4_deauth()
IHSG_2Yr <- read.csv("D:/Kuliah/Semester 5/MPDW/Tukel MPDW 3/salesweekly.csv")
IHSG_2Yr <- IHSG_2Yr[c("N02BA","Close")]
IHSG_2Yr

##       N02BA Close
## 1   37.9000   705
## 2   45.9000   700
## 3   31.5000   690
## 4   20.7000   730
## 5   53.3000   770
## 6   47.3000   775
## 7   44.2000   750
## 8   40.3550   760
## 9   31.8000   780
## 10  36.2000   825
## 11  26.1000   900
## 12  36.2000   895
## 13  36.4000   860
## 14  21.2000   895
## 15  35.1500   900
## 16  22.0000   925
## 17  23.9000   975
## 18  29.6000   975
## 19  35.2000  1010
## 20  33.7000  1050
## 21  25.1000  1015
## 22  33.9000   995
## 23  23.6000   960
## 24  26.1000   980
## 25  37.3000  1000
## 26  30.0000  1090
## 27  34.7000  1160
## 28  20.5000  1230
## 29  33.1000  1230
## 30  23.2000  1250
## 31  28.4000  1260
## 32  34.7000  1340
## 33  20.5000  1320
## 34  29.0000  1270
## 35  23.6000  1225
## 36  22.4000  1205
## 37  28.7000  1165
## 38  31.1000  1070
## 39  30.6000  1115
## 40  33.1000  1180
## 41  28.3375  1125
## 42  25.2000  1155
## 43  34.1000  1250
## 44  29.8000  1310
## 45  31.3000  1390
## 46  37.5000  1390
## 47  39.6000  1425
## 48  18.3000  1425
## 49  30.4000  1375
## 50  24.3400  1435
## 51  27.7840  1445
## 52  24.7000  1355
## 53  32.9000  1290
## 54  38.8000  1310
## 55  32.2000  1340
## 56  29.7000  1280
## 57  31.6000  1275
## 58  44.2000  1295
## 59  20.6300  1430
## 60  31.1000  1365
## 61  23.7000  1365
## 62  33.0000  1300
## 63  24.3000  1320
## 64  28.9000  1295
## 65  42.1000  1285
## 66  30.4000  1205
## 67  32.0000  1190
## 68  24.9000  1230
## 69  23.9400  1190
## 70  30.8000  1130
## 71  39.5000  1130
## 72  23.2000  1120
## 73  32.5000  1030
## 74  27.7000   985
## 75  30.5000  1000
## 76  35.7600   995
## 77  41.5000  1045
## 78  28.3000  1015
## 79  24.2000  1090
## 80  23.0000  1065
## 81  27.8000   990
## 82  40.2000   960
## 83  31.7000   840
## 84  33.6000   700
## 85  29.0000   695
## 86  27.7000   705
## 87  25.3000   665
## 88  34.1000   700
## 89  23.9000   650
## 90  23.5000   625
## 91  22.0000   775
## 92  34.4000   855
## 93  35.9000   935
## 94  30.9000   865
## 95  35.6000   940
## 96  34.7000   935
## 97  42.4000   960
## 98  29.9000   970
## 99  28.3000   960
## 100 29.4000   845
## 101 40.2000   870
## 102 25.1000   840
## 103 26.5000   870
## 104 24.3000   900
## 105 41.3000   945
## 106 50.5000   910
## 107 39.7000  1050
## 108 37.5000  1125
## 109 34.6000  1120
## 110 37.1000  1125
## 111 24.6000  1080
## 112 33.9000  1190
## 113 33.8000  1260
## 114 25.1000  1280
## 115 32.9000  1310
## 116 45.4000  1300
## 117 30.2000  1310
## 118 28.2500  1335
## 119 31.5000  1270
## 120 36.2000  1205
## 121 36.7500  1175
## 122 21.0000  1205
## 123 33.7500  1175
## 124 33.6000  1195
## 125 34.6000  1195
## 126 22.2500  1265
## 127 25.0000  1190
## 128 28.2500  1185
## 129 32.6500  1165
## 130 34.1000  1165
## 131 27.0500  1170
## 132 25.0000  1265
## 133 38.3000  1245
## 134 30.6500  1535
## 135 32.4000  1390
## 136 35.1000  1910
## 137 27.0000  2500
## 138 29.2000  2720
## 139 25.5000  2430
## 140 30.3500  2130
## 141 20.9000  2570
## 142 25.5000  2470
## 143 34.3500  2440
## 144 35.5000  2490
## 145 38.2000  2360
## 146 32.8000  2140
## 147 39.7500  2470
## 148 26.5000  2510
## 149 37.3000  2380

Memeriksa Missing Value

# Cek apakah ada missing value:
which(is.na(IHSG_2Yr$N02BA)) 

## integer(0)

Dari output di atas, dapat terlihat bahwa tidak terdapat missing value pada data. Hal ini tidak melanggar syarat data time series, maka tidak akan dilakukan penanganan missing value.

B. Prosedur Eksploratif

Secara eksploratif, kestasioneran data dapat terlihat dari plot deret waktu atau melihat plot acf dari peubah yang akan diuji. Jika pada plot deret waktu menunjukan pola tren naik/turun pada kurun waktu tertentu (tidak stabil), atau, jika plot acf menunjukkan pola tails off slowly, maka data tersebut tidak stasioner.

y <- IHSG_2Yr$N02BA
plot.ts(y, ylab=expression(Y[t]))

acf(y)

C. UJI FORMAL

Secara formal, metode Augmented Dickey-Fuller (ADF) dapat memberikan hasil uji secara akurat untuk menentukan apakah sebuah data stasioner atau tidak. Dengan hipotesis sebagai berikut:

H0 : Data tidak stasioner

H1 : Data stasioner

adf.test(y)

## Warning in adf.test(y): p-value smaller than printed p-value

## 
##  Augmented Dickey-Fuller Test
## 
## data:  y
## Dickey-Fuller = -5.1885, Lag order = 5, p-value = 0.01
## alternative hypothesis: stationary

Didapat nilai P−value < 0.05, maka tolak H0 pada taraf nyata 5%. Artinya, tidak cukup bukti untuk mengatakan bahwa data tidak stasioner.

D. IDENTIFIKASI MODEL ARIMA

Untuk mengidentifikasi model arima, nilai ACF dan PACF dapat digunakan untuk menentukan nilai q pada nilai MA(q) dan nilai p pada model AR(p). Namun, kedua nilai ini p dan q pada model campuran ARMA(p,q). Oleh karena itu, dikembangkan metode extended autocorrelation function (EACF) untuk mengindentifikasi model campuran ARMA(p,q). Pada tabel EACF, triangle of zeros akan terbentuk, dan nilai pada pojok kiri atas akan bersesuaian dengan ordo ARMA.

acf(y)

pacf(y)

eacf(y)

## AR/MA
##   0 1 2 3 4 5 6 7 8 9 10 11 12 13
## 0 o o o o o o o o o o o  o  o  o 
## 1 o o o o o o o o o o o  o  o  o 
## 2 x o o o o o o o o o o  o  o  o 
## 3 o x x o o o o o o o o  o  o  o 
## 4 x x x o o o o o o o o  o  o  o 
## 5 x o o o o o o o o o o  o  o  o 
## 6 x o o x o o o o o o o  o  o  o 
## 7 x x x o o o o o o o o  o  o  o

E. Kesimpulan

Berdasarkan hasil eksploratif di atas, dapat disimpulkan bahwa terdapat dua model yang menjadi dugaan model terbaik untuk data IHSG, yaitu ARIMA(0,1,2) dan ARIMA(2,1,0). Kedua model akan dianalisis lebih lanjut pada bagian selanjutnya.