MODEL NILAI TUKAR DOLAR KANADA TERHADAP RUPIAH MENGGUNAKAN MARKOV SWITCHING GARCH
|
|
- Sucianty Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MODEL NILAI TUKAR DOLAR KANADA TERHADAP RUPIAH MENGGUNAKAN MARKOV SWITCHING GARCH oleh YUNITA EKASARI NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2012 i
2 perpustakaan.uns.ac.id ii
3 ABSTRAK Yunita Ekasari, MODEL NILAI TUKAR DOLAR KANADA TER- HADAP RUPIAH MENGGUNAKAN MARKOV SWITCHING GARCH. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sebelas Maret. Dolar Kanada merupakan salah satu dari mata uang komoditas yang aktif diperdagangkan di pasar valuta asing. Data nilai tukar dolar Kanada terhadap rupiah periode 1 Februari 2002 sampai 29 Februari 2012 memiliki sifat heteroskedastisitas dan juga terdapat perubahan struktur. Model GARCH mampu memodelkan adanya heterokedastisitas dengan baik namun tidak memperhitungkan adanya perubahan struktur. Perubahan struktur merupakan suatu perubahan pola yang terjadi pada data runtun waktu. Markov Switching (MS) merupakan alternatif pemodelan data runtun waktu yang mengalami perubahan struktur. Dalam MS, perubahan struktur model yang terjadi tidak dianggap sebagai suatu hasil peristiwa deterministik tetapi sebagai suatu hasil variabel random tak teramati. Dalam literatur sering disebut state. Banyaknya state diasumsikan ada dua yaitu state nol untuk volatilitas rendah dan state satu untuk volatilitas tinggi. Tujuan skripsi ini adalah menentukan model runtun waktu yang sesuai untuk nilai tukar dolar Kanada terhadap rupiah. Data nilai tukar dolar Kanada terhadap rupiah dimodelkan dengan melibatkan Markov Switching pada model GARCH atau sering disebut MS-GARCH. Hasil penelitian menunjukkan model untuk meramalkan data nilai tukar dolar Kanada terhadap rupiah periode 1 Februari 2002 sampai 29 Februari 2012 untuk state nol adalah ARMA(1,0) sebagai model rata-rata bersyarat dan GARCH (1,0) sebagai model variansi bersyarat. Sedangkan untuk state satu ARMA(1,0) sebagai model rata-rata bersyarat dan GARCH (1,1) sebagai model variansi bersyarat. Kata kunci : dolar Kanada, heteroskedastisitas, perubahan struktur, MS-GARCH. iii
4 ABSTRACT Yunita Ekasari, EXCHANGE RATE MODEL OF CANADIAN DO LLAR TO RUPIAH USING MARKOV SWITCHING GARCH. Faculty of Mathematics and Natural Sciences, Sebelas Maret University. Canadian dollar is one of commodity currencies traded actively in foreign currency market. The data of Canadian dollar exchange rate to rupiah during February 1, 2002 to February period have heteroscedasticity property and a structural change, too. GARCH can model the presence of heteroscedasticity correctly but does not take into account the presence of structural change. The structural change is a pattern change occurring in the data time series. Markov switching(m S) is an alternative of time series data modeling having structural change. In Markov Switching, change of model structural that occured is not considered as a result of deterministic event but a result of random anobserved variable. In literature, it is called state. It is assumed that there are two number of states : state zero for low volatility and state one for high volatility. The purpose of this final project is to determine an appropriate time series model for exchange rate of Canadian dolar to rupiah. The data is modeled by involving Markov Switching in GARCH model or frequently called MS-GARCH. The result of research shows that a model to forecast the exchange rate of Canadian dolar to rupiah during February 1, 2002 to February period for state zero is ARMA(1,0) as conditional mean and GARCH(1,0) as conditional variance model, while state one is ARMA(1,0) as conditional mean and GARCH(1,1) as conditional variance model. Key words : Canadian dollar, heteroscedasticity, structural change, MS-GARCH. iv
5 MOTO Tidak ada simpul yang tidak dapat diurai, tidak ada masalah yang tidak dapat diselesaikan asalkan kita mempunyai kesabaran Keberuntungan adalah sesuatu yang terjadi ketika kesempatan bertemu dengan kesiapan v
6 PERSEMBAHAN Karya ini kupersembahkan untuk Ibu dan Bapakku tercinta, Adikku Tony Hendra Prasetya, Keluargaku Tisanda 2, Elza, Agatha, Indriya dan Umi. vi
7 KATA PENGANTAR Puji syukur penulis panjatkan kepada Allah SWT, yang telah melimpahkan rahmat dan karunia-nya, sehingga penulis dapat menyelesaikan skripsi ini. Selain itu, penulis juga mengucapkan terimakasih kepada semua pihak yang telah membantu dalam penyusunan skripsi ini, khususnya kepada Bapak Drs. Sugiyanto, M.Si. selaku Dosen Pembimbing I dan Bapak Drs. Pangadi, M.Si. selaku Dosen Pembimbing II atas kesabarannya membimbing dan memotivasi penulis dalam penyusunan skripsi ini. Semoga skripsi ini dapat bermanfaat bagi pembaca. Surakarta, Juli 2012 Penulis vii
8 Daftar Isi PENGESAHAN iii ABSTRAK iii ABSTRACT iv MOTO v PERSEMBAHAN vi KATA PENGANTAR vii DAFTAR ISI x DAFTAR TABEL xi DAFTAR GAMBAR xii DAFTAR NOTASI xiii DAFTAR NOTASI xiv I PENDAHULUAN Latar Belakang Masalah Perumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian II LANDASAN TEORI Tinjauan Pustaka Model Runtun Waktu dan Stasioneritas ACF dan PACF. commit.... to. user Log Return viii
9 2.1.4 Model ARMA Estimasi Model ARMA Uji Autokorelasi Residu Uji Heterokedastisitas Uji Perubahan Struktur Model GARCH Kriteria Informasi Model Markov Switching Model Markov Switching GARCH Probabilitas Transisi Spesifikasi model rata-rata bersyarat dan variansi bersyarat Fungsi Likelihood MS-GARCH Algoritma EM untuk Fungsi Likelihood MS GARCH Kerangka Pemikiran III METODE PENELITIAN 28 IV PEMBAHASAN Deskripsi Data Log Return Pengujian Karakteristik Log Return Pembentukan Model Stasioner Identifikasi Model Estimasi Parameter Model ARMA Pemeriksaan Diagnostik Model ARMA(1,0) Uji Autokorelasi Homokesdastisitas Variansi Uji Efek Heteroskedastisitas Uji Korelasi Kuadrat Residu Uji Lagrange commit Multiplier to user Uji Perubahan Struktur ix
10 4.4.6 Model GARCH Model Markov Switching GARCH Peramalan Peramalan Volatilitas Peramalan Rata-Rata Bersyarat Validasi Model V PENUTUP Kesimpulan Saran DAFTAR PUSTAKA 45 x
11 Daftar Tabel 2.1 Ciri-ciri ACF dan PACF model ARMA(p, q) Hasil Estimasi Model ARMA pada Data Log Return Uji Breusch-Godfrey Residu Model ARMA(1,0) Uji Lagrange Multiplier Residu Model ARMA(1,0) Uji Chow Break Point Berdasarkan Model ARMA(1,0) Uji Lagrange Multiplier Residu Model ARMA(1,0) Hasil ramalan volatilitas log return enam periode ke depan Hasil Ramalan Log Return Enam Periode ke Depan dengan Interval Konfidensi 95% Hasil Ramalan Nilai Tukar Dolar Kanada terhadap Rupiah Enam Periode ke Depan dengan Interval Konfidensi 95% Peramalan Nilai Tukar Dolar Kanada terhadap Rupiah MSE Peramalan Nilai Tukar Dolar Kanada terhadap Rupiah xi
12 Daftar Gambar 4.1 Plot Nilai Tukar Dolar Kanada terhadap Rupiah Plot ACF dan PACF Nilai Tukar Dolar Kanada terhadap Rupiah Plot Log Return Nilai Tukar Dolar Kanada terhadap Rupiah Histogram dan Statistik Deskriptif Log Return Nilai Tukar Dolar Kanada terhadap Rupiah Plot Absolut Log Return dan Kuadrat Log Return Nilai Tukar Dolar Kanada terhadap Rupiah Plot ACF dan PACF Log Return Nilai Tukar Dolar Kanada terhadap Rupiah Plot Residu Model ARMA(1,0) Plot ACF dan PACF Kuadrat Residu Model ARMA(1,0) xii
13 DAFTAR NOTASI P t : data pada waktu ke-t r t : log return pada waktu ke-t T : jumlah observasi E() : harga harapan γ k : autokovariansi pada lag-k ρ k : autokorelasi pada lag-k ϕ kk : autokovariansi parsial ϕ : parameter autoregressive θ : parameter rata-rata bergerak p : orde parameter autoregressive q : orde parameter rata-rata bergerak µ : rata-rata σ 2 : variansi x : variabel bebas S : jumlah kuadrat residu ε t : residu rata-rata bersyarat pada waktu t u t : deret white noise berdistribusi normal dengan variansi satu Ψ t : himpunan semua observasi samapai waktu ke-t α : parameter GARCH β : parameter GARCH s t : state f() : fungsi densitas probabilitas α : parameter GARCH p ij : probabilitas transisi state i akan diikuti state j p jt : probabilitas state j waktu t berdasarkan informasi Ψ t 1 xiii
14 I j (s t ) : fungsi indikator bernilai nol atau bernilai satu φ jt : probabilitas state j waktu t berdasarkan informasi Ψ t l t : fungsi log likelihood pada waktu ke-t Θ : vektor parameter MS-GARCH χ 2 : statistik uji Breuch-Godfrey ξ : statistik uji Lagrange Multiplier Q : statistik uji Ljung Box F : statistik uji Chow Break Point H 0 : hipotesis nol H 1 : hipotesis alternatif xiv
15 Bab I PENDAHULUAN 1.1 Latar Belakang Masalah Globalisasi dalam bidang ekonomi menyebabkan hampir semua negara di dunia menganut sistem perekonomian terbuka. Perekonomian terbuka menggambarkan suatu kondisi dimana antar negara melakukan suatu hubungan, baik secara ekonomi melalui perdagangan internasional maupun politik. Perdagangan internasional mengakibatkan munculnya masalah baru yakni perbedaan mata uang antar negara-negara yang bersangkutan. Harga suatu mata uang terhadap mata uang yang lainnya disebut nilai tukar (kurs). Nilai tukar merupakan alat untuk mengukur kondisi perekonomian suatu negara. Sejak 14 Agustus 1997, Indonesia menganut sistem nilai tukar mengambang bebas (free floating exchange rate system). Nilai tukar rupiah dibiarkan secara bebas bergerak berdasarkan mekanisme pasar. Akibatnya nilai tukar rupiah terhadap mata uang asing sangat berfluktuasi. Salah satu mata uang yang dapat mempengaruhi pergerakan perekonomian dunia adalah dolar Kanada yang merupakan salah satu dari commodity currency yang aktif diperdagangkan di pasar valuta asing (Haruko [9]). Fluktuasi nilai tukar memberikan dampak yang besar terhadap perekonomian sehingga diperlukan manajemen nilai tukar yang baik, yang menjadikan nilai tukar stabil. Fluktuasi nilai tukar dolar Kanada terhadap rupiah dapat diprediksi menggunakan analisis runtun waktu karena merupakan himpunan observasi terurut. Menurut Cryer [4], salah satu model runtun waktu untuk data stasioner adalah Autoregressive Moving Average (ARMA). Model ARMA memiliki asumsi variansi eror yang konstan, yang dikenal dengan istilah homoskedastisitas. Data runtun waktu finansial sering mengalami perubahan volatilitas dari waktu 1
16 ke waktu sehingga variansi dari eror berubah setiap waktu (heteroskedastisitas). Hal ini mengakibatkan asumsi homoskedastisitas tidak terpenuhi. Berdasarkan kenyataan tersebut, diperlukan model yang dapat menggambarkan pergerakan variansi eror. Engle [5] memperkenalkan model Autoregressive Conditional Heteroscedasticity (ARCH ) untuk memodelkan variansi eror. Model ARCH dalam penerapannya memiliki kelemahan yaitu ketika diperoleh orde ARCH yang besar menyebabkan presisi estimator berkurang. Bollerslev [2] memperkenalkan model Generalized Autoregressive Conditional Heteroscedasticity (GARCH ) yang merupakan generalisasi dari model ARCH. Namun, baik model ARCH maupun GARCH tidak memperhitungkan perubahan struktur serta tidak dapat mendeteksi pergeseran volatilitas. Hamilton [7] memperkenalkan Markov Switching(MS) sebagai alternatif pemodelan data time series yang mengalami perubahan struktur. Perubahan struktur merupakan suatu perubahan pola yang terjadi pada data runtun waktu. Dalam Markov Switching, perubahan struktur yang terjadi tidak dianggap sebagai suatu hasil peristiwa deterministik tetapi sebagai suatu hasil variabel random tak teramati(unobservable) dan dalam literatur sering disebut state atau regime. Hamilton [7] melibatkan Markov Switching pada model Autoregressive dan menghasilkan model yang dapat menjelaskan perubahan struktur dengan baik, namun belum bisa menjelaskan adanya pergeseran volatilitas. Selanjutnya, Hamilton dan Susmel [8] melibatkan Markov Switching pada model ARCH, dikenal dengan model MS-ARCH. Model ini mampu menjelaskan perubahan struktur dan mendeteksi pergeseran volatilitas pada data. Gray [6] memperkenalkan model Markov Switching GARCH (MS-GARCH ) yang mempunyai karakteristik yang sama dengan MS-ARCH namun melibatkan parameter yang lebih sederhana. Penelitian tentang model (MS-GARCH ) banyak diterapkan dalam asset s return, diantaranya oleh Marcucci [12] dan Klaasen [10] pada stock market. Marcucci [12] menggunakan rata-rata keseluruhan data sebagai rata-rata bersyarat MScommit to user GARCH. Dalam penelitian ini, (MS-GARCH ) akan diterapkan pada nilai tukar 2
17 dolar Kanada terhadap rupiah periode 1 Februari 2002 sampai 29 Februari 2012 dengan rata-rata bersyarat model Autoregressive. 1.2 Perumusan Masalah Berdasarkan latar belakang masalah dapat disusun perumusan masalah sebagai berikut. 1. Bagaimana menurunkan ulang model nilai tukar dolar Kanada terhadap rupiah menggunakan MS-GARCH. 2. Bagaimana ramalan nilai tukar dolar Kanada terhadap rupiah menggunakan MS-GARCH untuk periode 1 Maret samapi dengan 8 Maret Batasan Masalah Batasan masalah pada penulisan skripsi ini diberikan untuk membatasi ruang lingkup pembahasan masalah yaitu data yang digunakan adalah data harian nilai tukar jual dolar Kanada terhadap rupiah yang diambil pada hari Senin- Jumat dan selain hari libur nasional periode 1 Februari 2002 sampai 29 Februari Model yang digunakan adalah MS-GARCH dengan asumsi terdapat dua state yaitu state nol untuk volatilitas rendah dan state satu untuk volatilitas tinggi. 1.4 Tujuan Penelitian Berdasarkan perumusan masalah, tujuan dari penelitian ini adalah sebagai berikut. 1. Menurunkan ulang model nilai tukar dolar Kanada terhadap rupiah menggunakan MS-GARCH. 2. Menentukan ramalan nilai tukar dolar Kanada terhadap rupiah menggunakan MS-GARCH. 3
18 1.5 Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat menambah pengetahuan, khususnya dalam pengembangan model variansi eror yang melibatkan perubahan state atau regime. Sedangkan manfaat praktisnya bagi pemerintah diharapkan hasil ramalan nilai tukar dolar Kanada dapat membantu dalam antisipasi kondisi perekonomian negara dan bagi pelaku pasar modal dapat membantu dalam pengambilan keputusan. 4
19 Bab II LANDASAN TEORI 2.1 Tinjauan Pustaka Tinjauan pustaka adalah pembahasan mengenai penelitian-penelitian sebelumnya yang mendasari penelitian penulis. Penelitian tersebut diantaranya, Engle [5], Bollerslev [2], Hamilton [7], Hamilton dan Susmel [8], Gray [6] Marcucci [12] dan Klaasen [10]. Pemodelan variansi eror pertama kali diperkenalkan oleh Engle [5] menggunakan model ARCH. Engle [5] membandingkan hasil estimasi antara model standar yakni model klasik OLS dengan model ARCH melalui penaksiran maksimum likelihood. Data yang digunakan adalah data inflasi di U.K. periode 1958 sampai Hasil penelitian memperlihatkan bahwa model ARCH lebih baik daripada model klasik OLS. Bollerslev [2] memperkenalkan model GARCH yang merupakan generalisasi dari model ARCH dengan mengikutsertakan variansi masa lalu untuk menjelaskan variansi masa yang akan datang. Model ini diterapkan pada data GNP U.S. periode 1948 sampai Hasil penelitian menunjukkan model GARCH (1,1) lebih akurat daripada model ARCH (8). Hamilton [7] memperkenalkan Markov Switching sebagai alternatif pemodelan data time series yang mengalami perubahan struktural. Model Markov Switching dikombinasikan dengan model Autoregressive dan diterapkan pada data GNP U.S. periode 1952 sampai Hasil penelitian masih belum mendeskripsikan volatilitas data. Hamilton dan Susmel [8] melibatkan Markov Switching pada model ARCH, dikenal dengan model MS-ARCH. Model ini diterapkan pada data harga saham New York periode 31 juli 1962 sampai 29 desember Hamilton dan Susmel 5
20 [8] menggunakan dua sampai empat state dengan distribusi dari Gaussian dan Student t. Hasil penelitian memperlihatkan model MS-ARCH mampu menjelaskan pergeseran volatilitas dengan baik. Model ini memperlihatkan state yang terbentuk ada tiga dan distribusi Student t lebih baik daripada Gaussian. Gray [6] memperkenalkan model MS-GARCH yang diterapkan pada data suku bunga U.S. periode Januari 1970 sampai April Gray [6] menggunakan path-independent switching GARCH, dimana setiap conditional variance hanya bergantung pada informasi di masa lalu. Model MS-GARCH lebih mudah dalam menaksir parameter karena melibatkan parameter yang lebih sederhana. Marcucci [12] menggunakan model standar GARCH dan Markov Regime Switching GARCH pada data indeks saham S and P100 periode 1 Januari 1988 sampai 15 Oktober Masing-masing model menggunakan tiga distribusi yang berbeda yaitu Normal, Student t dan Genaralised Error Distribution (GED). Hasil penelitian menunjukkan model Markov Regime Switching GARCH dengan distribusi normal lebih baik dibandingkan model lainnya. Klaasen [10] menerapkan model GARCH dan MS-GARCH pada data nilai tukar dolar Amerika terhadap GBP, mark Jerman dan yen Jepang periode 3 Januari 1978 sampai 23 Juli Hasil penelitian menunjukkan model GARCH menghasilkan ramalan yang terlalu tinggi pada beberapa periode dan dapat diatasi menggunakan model MS-GARCH. Penelitian-penelitian tersebut membuat penulis tertarik untuk menerapkan model Markov Switching GARCH pada data nilai tukar dolar Kanada terhadap rupiah. Penulis menggunakan model Autoregressive pada model rata-rata bersyaratnya dan menggunakan identifikasi model untuk menentukan orde MS-GARCH. Beberapa hal yang mendasari penelitian penulis diantaranya pengertian mengenai model runtun waktu dan stasioneritas, ACF dan PACF, log return, model ARMA, model GARCH, model Markov Switching dan model Markov Switching GARCH. 6
21 2.1.1 Model Runtun Waktu dan Stasioneritas Pemodelan runtun waktu digunakan untuk meramalkan data periode waktu ke depan. Menurut Makridakis et al [11], peramalan kuantitatif dapat diterapkan apabila memenuhi tiga kondisi, yaitu tersedia informasi tentang masa lalu, informasi tersebut dapat dibentuk menjadi data numerik, dan dapat diasumsikan bahwa aspek pola data di masa lalu akan terus berlanjut di masa mendatang. Asumsi yang diperlukan untuk menentukan model adalah data dalam keadaan stasioner. Stasioneritas berarti tidak terdapat pertumbuhan dan penurunan pada data. Fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan tidak memperlihatkan perubahan variansi yang signifikan dari waktu ke waktu. Selain dari plot data, kestasioneran dapat dilihat dari plot ACF ACF dan PACF Autocorrelation Function(ACF ) merupakan fungsi yang menunjukkan besarnya korelasi antara pengamatan pada waktu ke-t dengan pengamatan waktu sebelumnya. Sedangkan Partial Autocorrelation Function( PACF ) adalah fungsi yang menunjukkan besarnya korelasi parsial antara pengamatan pada waktu ke-t dengan pengamatan waktu sebelumnya. Menurut Cryer [4], proses Y t dikatakan stasioner apabila E(Y t ) = µ, V ar(y t ) = σ 2 adalah konstan dan Cov(Y t, Y t+k ) = E(Y t µ, Y t+k µ) = γ k, (2.1) dengan Cov(Y t, Y k ) adalah fungsi dari selisih waktu t k. (Y t, Y t+k ) adalah Korelasi antara Cov(Y t, Y t+k ) ρ k = Corr(Y t, Y t+k ) = V ar(y t ) V ar(y t+k ) = γ k γ 0, (2.2) 7
22 dengan γ 0 = V ar(y t ) = V ar(y t+k ) dan ρ k adalah fungsi autokorelasi atau ACF. ACF diestimasi oleh ρ k = T t=k+1 (Y t Y )(Y t+k Y ) T t=1 (Y t Y ) 2. (2.3) Jika suatu runtun waktu stasioner, maka estimasi nilai ACF turun secara cepat mendekati nol dengan semakin bertambahnya lag (selisih waktu). Sedangkan jika estimasi ACF turun secara perlahan mendekati nol atau nilai yang keluar dari interval konfidensi membentuk pola tertentu maka runtun waktu tidak stasioner. Autokorelasi parsial antara Y t dan Y t+k adalah korelasi antara Y t dan Y t+k setelah hubungan linearnya dengan Y t+1, Y t+2,..., Y t+k 1 diabaikan. Autokorelasi parsial antara Y t dan Y t+k dinotasikan dengan ϕ kk = Corr[Y t, Y t+k Y t+1, Y t+2,..., Y t+k 1 ] = ρ k k 1 j=1 ϕ k 1,jρ k j 1 k 1 j=1 ϕ k 1,jρ k j, (2.4) dengan ϕ kk disebut fungsi autokorelasi parsial atau PACF Log Return Return diinterpretasikan sebagai hasil yang diperoleh dari suatu investasi. Studi mengenai ekonomi dan finansial lebih dititikberatkan pada return daripada nilai sebenarnya. Menurut Tsay [13], log return dirumuskan sebagai berikut r t = ln( P t P t 1 ) (2.5) dengan r t adalah log return pada waktu ke t dan P t adalah nilai tukar dolar Kanada terhadap rupiah pada waktu ke t. data dimodelkan dengan ARMA. Setelah data stasioner selanjutnya Model ARMA Model Autoregressive Moving Average (ARMA) merupakan model runtun waktu stasioner yang mengidentifikasikan persamaan regresi data dengan menggunakan nilai masa lalunya atau kombinasi nilai masa lalu dan residual masa 8
23 lalunya. Menurut Cryer [4], ARMA mengandung dua komponen yaitu model AR (Autoregressive) dan MA (Moving Average) dengan p adalah orde model AR dan q adalah orde model MA. Menurut Tsay [13], model AR(p) dinotasikan sebagai berikut r t = ϕ 1 r t 1 + ϕ 2 r t ϕ p r t p + ε t (2.6) dengan ϕ 1, ϕ 2,..., ϕ p adalah parameter model AR dan ε t adalah eror model AR. Sedangkan model MA(q) dinotasikan r t = ε t θ 1 ε t 1 θ 2 ε t 2... θ q ε t q (2.7) dengan θ 1, θ 2,..., θ q adalah parameter model AR dan ε t adalah eror model MA. Model ARMA(p, q) merupakan gabungan dari model AR(p) dan MA(q) sehingga dapat dituliskan sebagai berikut r t ϕ 1 r t 1 ϕ 2 r t 2... ϕ p r t p = ε t θ 1 ε t 1 θ 2 ε t 2... θ q ε t q r t = ϕ 1 r t 1 + ϕ 2 r t ϕ p r t p + ε t θ 1 ε t 1 θ 2 ε t 2... θ q ε t q. (2.8) Menurut Bollerslev [2], ACF dan PACF digunakan sebagai alat untuk mengidentifikasi model ARMA (p, q). Tabel 2.1. Ciri-ciri ACF dan PACF model ARMA(p, q) Model ACF PACF AR(p) Turun secara eksponensial Terpotong setelah lag p MA(q) Terpotong setelah lag q Turun secara eksponensial ARMA(p, q) Terpotong setelah lag (q p) Terpotong setelah lag (q p) Pada model ARMA (p, q) terdapat parameter ϕ 1, ϕ 2,..., ϕ p dan θ 1, θ 2,..., θ q yang tidak diketahui sehingga perlu diestimasi Estimasi Model ARMA Menurut Cryer [4], untuk mengestimasi nilai terbaik parameter-parameter dalam model ARMA dapat digunakan metode kuadrat terkecil dengan cara me- 9
24 minimumkan jumlah kuadrat residu. Jumlah kuadrat residu dinotasikan sebagai S (ϕ, θ) = n ε 2 t (2.9) t=1 dengan ε t adalah eror model ARMA. Fungsi S akan mempunyai suatu nilai ϕ dan θ yang minimum jika menyamakan turunan parsial pertama fungsi S terhadap ϕ dan θ dengan nol sehingga didapatkan estimasi akhir parameter ϕ dan θ. Nilai fungsi S pada persamaan (2.9) akan minimum jika turunan parsial kedua dari fungsi S terhadap ϕ ataupun θ memenuhi (S ) ϕϕ.(s ) θθ [(S ) ϕθ ] 2 > 0 (S ) ϕϕ > 0, (S ) θθ > 0. Misal dipunyai model ARMA(1, 1) sebagai berikut Dari persamaan (2.10) diperoleh nilai residual r t ϕ 1 r t 1 = ε t θ 1 ε t 1. (2.10) sehingga S (ϕ, θ) = ε t = r t ϕ 1 r t 1 + θ 1 ε t 1 n ε 2 t = t=1 n (r t ϕ 1 r t 1 + θ 1 ε t 1 ) 2. Estimasi dari θ dapat dicari dengan menyamakan S (ϕ,θ) θ diperoleh persamaan sebagai berikut t=1 n t=1 (r t ϕ 1 r t 1 + θ 1 ε t 1 ) 2 = 0 θ n 2 ε t 1 (r t ϕ 1 r t 1 + θ 1 ε t 1 ) = 0 t=1 n [ε t 1 (r t ϕ 1 r t 1 ) + θ 1 ε 2 t 1] = 0 t=1 n n ε t 1 (r t ϕ 1 r t 1 ) + θ 1 ε 2 t 1 = 0 t=1 n n ε t 1 (r t ϕ 1 r t 1 ) = θ 1 ε 2 t 1 t=1 t=1 10 t=1 dengan nol, sehingga
25 n t=1 θ 1 = (r t ϕ 1 r t 1 ) n t=1 ε. (2.11) t 1 Estimasi dari ϕ dapat dicari dengan menyamakan S (ϕ,θ) ϕ diperoleh persamaan sebagai berikut 2 n t=1 (r t ϕ 1 r t 1 + θ 1 ε t 1 ) 2 = 0 ϕ n ( r t 1 )(r t ϕ 1 r t 1 + θ 1 ε t 1 ) = 0 t=1 n ( r t 1 )[(r t + θ 1 ε t 1 ) ϕ 1 r t 1 ] = 0 t=1 n ϕ 1 rt 1 2 r t 1 (r t + θ 1 ε t 1 ) = 0 t=1 n ϕ 1 rt 1 2 = r t 1 (r t + θ 1 ε t 1 ) t=1 ϕ 1 = dengan nol, sehingga n t=1 (r t θ 1 r t 1 ) n t=1 r. (2.12) t Uji Autokorelasi Residu Model stasioner yang baik akan memenuhi asumsi bahwa tidak ada autokorelasi dalam residu yang dihasilkan. Hal ini dapat dilihat dari plot ACF dan PACF. Apabila tidak ada nilai yang signifikan berbeda dengan nol berarti sudah tidak ada autokorelasi dalam residu dan mengindikasikan bahwa model sudah cukup baik. Bentuk plot ACF dan PACF merupakan indikasi awal adanya autokorelasi. Uji statistik perlu dilakukan untuk meyakinkan indikasi awal. Menurut Cryer [4], autokorelasi pada residu model rata-rata dapat diperiksa melalui uji Ljung-Box. Hipotesisnya adalah H 0 : tidak terdapat autokorelasi di dalam residu model rata-rata H 1 : terdapat autokorelasi di dalam residu model rata-rata Statistik uji Ljung-Box dirumuskan sebagai q ρ 2 k Q = T (T 2) T k, k=1 dengan T merupakan ukuran sampel, k adalah jumlah lag yang diuji, dan ρ k adalah nilai autokorelasi setiap lag. Statistik uji Q dibandingkan dengan nilai 11
26 tabel χ 2 k. H 0 ditolak jika nilai Q lebih besar dari nilai χ 2 k. Setelah dilakukan uji autokorelasi residu, kemudian menguji efek heterokedastisitas dalam residu menggunakan uji Lagrange Multiplier Uji Heterokedastisitas Menurut Bollerslev [2], efek heteroskedastisitas dapat diperiksa melalui uji Lagrange Multiplier yang dilakukan pada residu model conditional mean. Prinsip dalam uji Lagrange Multiplayer adalah dengan meregresikan kuadrat residu ε t dengan lag nya sendiri. Uji hipotesisnya adalah H 0 : tidak terdapat efek ARCH sampai lag-k H 1 : terdapat efek ARCH sampai lag-k Statistik uji dirumuskan sebagai ξ = T R 2, dengan T merupakan ukuran sampel dan R 2 adalah adalah koefisien determinasi. Statistik uji ξ dibandingkan dengan nilai tabel χ 2 k. H 0 ditolak jika nilai ξ lebih besar dari nilai χ 2 k. Jika terdapat efek heteroskedastisitas maka digunakan model yang dapat menggambarkan pergerakan variansi eror Uji Perubahan Struktur Model yang mengandung perubahan struktur adalah model dengan nilai parameter yang berubah-ubah dalam kurun periode waktu tertentu. Waktu terjadinya perubahan struktur (waktu break) tersebut ada yang diketahui dan ada yang tidak diketahui kapan terjadinya. Perubahan struktur ini sering terjadi di bidang ekonomi. Perubahan struktur dapat disebabkan oleh perubahan kebijaksanaan, perubahan harga minyak, perang, atau bencana alam. Uji perubahan struktur pertama kali diperkenalkan oleh Chow ([3]) dan dikenal dengan uji Chow Break Point. Hipotesis untuk menguji ada tidaknya perubahan struktur pada data adalah sebagai berikut : 12
27 H 0 : tidak terdapat perubahan struktur pada data H 1 : terdapat perubahan struktur pada data Statistik uji dirumuskan sebagai F = RSS 1 /k RSS 2 /(n 1 + n 2 2k), dengan RSS 1 adalah residual kuadrat dari model dengan keseluruhan data dikurangi residual kuadarat dari model dengan data tiap sub sampel, RSS 2 adalah residual kuadarat dari model dengan data tiap sub sampel, k adalah banyaknya parameter, n 1 adalah jumlah observasi sebelum terjadinya perubahan struktur, n 2 adalah jumlah observasi sebelum terjadinya perubahan struktur. H 0 ditolak jika nilai F lebih besar dari F tabel dengan derajat bebas (k, n 1 + n 2 2k) Model GARCH Bollerslev [2] memperkenalkan model GARCH untuk menggambarkan pergerakan variansi eror. Model GARCH merupakan pengembangan dari model ARCH [5]. Model GARCH mengikutsertakan variansi masa lalu untuk menjelaskan variansi masa yang akan datang, sehingga dapat diperoleh estimasi yang akurat untuk variansi. Conditional variance (σ t ) digunakan sebagai fungsi dari eror dimasa lalu. Diberikan ψ t adalah himpunan semua informasi untuk ε t dari waktu lampau sampai dengan waktu t. ε t adalah eror model ARMA dan dapat dimodelkan sebagai ε t = u t σ t dengan u t adalah proses white noise berdistribusi normal dengan mean nol dan variansi satu, σt 2 = E(ε 2 t ψ t 1 ) adalah conditional variance dari eror dan E(ε t ψ t 1 ) = 0. Secara umum proses ε t disebut GARCH (p, q) jika ε t ψ t 1 N(0, σt 2 ) dengan σ 2 t = α 0 + q p α i ε 2 t i + β j σt i 2 i=1 j=1 13
28 dan p 0, q 0, α 0 0, α i 0 untuk i = 1, 2,..., q dan β j 0 untuk j = 1, 2,..., p. Jika p = 0 maka model GARCH tereduksi menjadi model AR- CH (q). Jadi model ARCH adalah bentuk khusus dari model GARCH. Menurut Bollerslev [2], parameter dari model GARCH (p, q) dapat diestimasi menggunakan metode Berndt Hall Hall Hausman (BHHH ). Metode ini ditemukan oleh Berndt et al yang dinyatakan sebagai ρ (i+1) = ρ (i) + λ i [ T (g t g t)] 1 g(ρ (i) ), (2.13) t=1 dengan g t = Lt ρ, λ i adalah variabel step length dan g ρ = [ L t ρ 1, L t ρ 2,..., L t ρ n ], Metode BHHH menggunakan turunan pertama fungsi log likelihood untuk mengestimasi parameter model. Persamaan regresi yang dimiliki adalah r t = x tµ + ε t, r t = µ 0 + µ 1 x t + ε t, t = 1, 2,..., T, dengan ε t adalah eror dari model regresi dan x t adalah variabel eksogen (variabel bebas), dengan dengan σ 2 t = α 0 + ε t = u t σ t ε t ψ t 1 N(0, σ 2 t ) q α i ε 2 t i + i=1 p β j σt i 2 Oleh karena itu, dimiliki vektor parameter Θ yang dinyatakan sebagai Menggunakan asumsi normalitas, fungsi densitas probabilitas dari ε t ψ t 1 adalah 1 f(ε t ψ t 1 ) = e 1ε 2 t 2σ t 2 2πσ 2 t j=1 Θ = [µ 0, µ 1, α 1, α 2,..., α q, β 1, β 2,..., β p ] t = [µ t, φ t ] t, dengan µ t = [µ 0, µ 1 ] dan φ t = [α 0, α 1, α 2,..., α q, β 1, β 2,..., β p ]. 14
29 Fungsi log likelihood untuk observasi ke-t adalah 2 t 2σ t 2 ) 1 l t = logf(ε t ψ t 1 ) = log( e 1ε 2πσ 2 t = 1 2 log(2πσ t) 1 2 ε 2 t σt 2 (2.14) = 1 2 log2π 1 2 logσ2 t 1 2 Vektor parameter variansi yaitu φ diestimasi menggunakan turunan pertama dari fungsi log likelihood pada persamaan (2.14) terhadap parameter φ, yaitu l t φ = l t σt 2 σt 2 φ = ( 1 2σ 2 t = 1 ( ε2 t 2σt 2 2σt 2 + ε2 t ) σ2 t 2σt 4 φ 1) σ2 t φ. dengan v t = σ2 t dan w φ t = ε2 t 1. Menggunakan metode BHHH diperoleh σt 2 bentuk iterasi estimasi parameter variansi yang dirumuskan sebagai φ (i+1) = φ (i) + λ i [ T t=1 ( 1 2σ 2 2 v t w t )( 1 2σ 2 2 v t w t ) ] 1 ( T t=1 1 2σ 2 2 ε 2 t σt 2. v t w t ). (2.15) Iterasi pada persamaan (2.15) dapat ditulis ke dalam bentuk matriks sebagai dengan dengan G = φ (i+1) = φ (i) + λ i [ g 1 g 2. g T = T (G G )] 1 G C, t=1 l 1 α 0 l 1 α 1... l 2 α 0 l 2 α l T α 0 l T α 2... l 1 α q l 1 β 1... l 1 α q l 2 β l 1 α q l T β T... l 1 α 0 = 1 ( ε2 σ 2 t 1), t σt 2 l 1 α i = 1 ( q σt 2 i=1 ε2 t i)( ε2 t 1), σt 2 l 1 β i = 1 ( p σt 2 j=1 ε2 t j)( ε2 t 1), σt 2 dengan t = 1, 2,..., T, i = 1, 2,..., q, j = 1, 2,..., p dan C = [11...1] adalah matriks 15 l 1 β p l 1 β p. l T β p
30 T 1. Mengestimasi parameter rata-rata yaitu µ, menggunakan turunan pertama dari fungsi likelihood pada persamaan (4.3) terhadap parameter µ, yaitu l t µ = l t ε t ε t µ + l t = ε tx t t σ 2 t + 1 σ 2 t σ 2 t σ 2 t µ σ 2 t µ ( ε2 t σ 2 t 1). (2.16) Misal f t = σ2 t µ dan w t = ε2 t σ 2 t 1 maka persamaan (2.16) menjadi l t µ = ε tx t t + 1 f σt 2 2σt 2 t w t. Iterasi untuk estimasi parameter rata-rata adalah µ (i+1) = µ (i) + λ i [( dengan T t=1 ( ε tx t t σ 2 t + 1 f 2σt 2 t w t )( ε tx t t + 1 f σt 2 2σt 2 t w t ) t )] 1 ( ε tx 2 t σt 2 q f t = σ2 t µ = 2 α i x t t iε t i + i=1 p βf t j. Persamaan (2.17) dapat ditulis ke dalam notasi matriks sebagai j=1 + 1 f 2σt 2 t w t ). (2.17) µ (i+1) = µ (i) + λ i [BB )] 1 B C, dengan B untuk model GARCH (p, q) adalah B = l 1 µ 0 l 1 µ 1 l 2 µ 0 l 2 µ 1.. l T µ 0 l T µ 1 l k = ε tx t t + 1 µ h σt 2 σt 2 2 q α i x t t iε t i + ( ε2 t σ 2 j=1 t i=1 1). dengan h = 0, 1 dan k = 1, 2,..., T dan C = [11...1] adalah matriks T 1. Selanjutnya menentukan model commit GARCH to user terbaik menggunakan kriteria informasi berdasarkan nilai AIC dan SC. 16
31 Kriteria Informasi Kriteria informasi digunakan untuk pemilihan model terbaik yang dipilih berdasarkan Akaike Info Criterion (AIC ) dan Schwarz Criterion (SC ). Kedua kriteria tersebut dirumuskan sebagai berikut AIC = 2 l T + 2 k T, SC = 2 l T + k log(t ), T dengan l adalah fungsi log likelihood, k adalah jumlah parameter yang diestimasi dan T adalah jumlah observasi. Model yang dipilih untuk meramalkan data adalah model dengan AIC dan SC terkecil. Model GARCH mampu menjelaskan variansi eror dengan baik, namun tidak memperhitungkan perubahan struktural Model Markov Switching Model Markov Switching merupakan alternatif pemodelan data runtun waktu yang mengalami perubahan struktur. Dalam Markov Switching, perubahan struktur model yang terjadi tidak dianggap sebagai suatu hasil peristiwa deterministik tetapi sebagai suatu hasil variabel random tak teramati dan dalam literatur sering disebut state. Sebagai contoh model berikut, z t = µ 0 + ϕ 1 z t 1 + ε t yang bersesuaian dengan runtun waktu pada t i, t i+1,..., t i+m. Sementara z t = µ 1 + ϕ 2 z t 1 + ε t yang bersesuaian dengan runtun waktu pada t j, t j+1,..., t j+m. Kasus ini menggambarkan adanya pergeseran model antara model pertama dan model kedua yang terjadi pada runtun waktu yang sama pada waktu yang berbeda. Secara umum, kedua model tersebut dapatcommit dituliskan to user sebagai z t = µ st + ϕ st z t 1 + ε t, 17
32 dimana s t bernilai nol atau bernilai satu, yang merepresentasikan periode state yang berbeda. s t bernilai nol bersesuaian dengan model pada periode t i, t i+1,..., t i+m sedangkan s t bernilai satu bersesuaian dengan model pada periode t j, t j+1,..., t j+m. Hamilton [7] menggunakan ordo pertama markov chain untuk memodelkan state. Jika probabilitas s t sama dengan nilai tertentu sebesar j, untuk jϵ{0, 1} yang dependen terhadap nilai masa lalunya hanya berdasarkan nilai s t 1 yang terkini (most recent value) maka probabilitas transisinya dapat dituliskan sebagai berikut P [s t = j s t 1 = i, s t 2 = k,...] = P [s t = j s t 1 = i] = p ij p ij adalah probabilitas transisi bahwa state i akan diikuti oleh state j untuk i, jϵ{0, 1} dengan asumsi probabilitas perubahan s t hanya tergantung s t 1. Proses ordo pertama markov chain dapat dituliskan sebagai berikut P [s t = 0 s t 1 = 0] = p 00 P [s t = 1 s t 1 = 0] = p 01 P [s t = 1 s t 1 = 1] = p 11 P [s t = 0 s t 1 = 1] = p 10 dan dapat dituliskan dalam bentuk matriks P yaitu P = p 00 p 01 p 10 p 11 perubahan struktur, namun tidak bisa menjelaskan pergeseran volatilitas. Sehingga perlu model yang dapat menjelaskan perubahan struktur dan pergeseran. Penjumlahan seluruh probabilitas untuk tiap s t 1 adalah 1. untuk setiap bilangan i = 0, 1. 1 p ij = 1, j=0 Model Markov Switching pada proses Autoregressive mampu menjelaskan antar volatilitas, yaitu model Markov Switching GARCH. 18
33 Model Markov Switching GARCH Model Markov Switching GARCH dapat dituliskan sebagai berikut r t = µ st + ε t σ 2 t = ω st + α st ε 2 t 1 + β st σ 2 t 1 ε t = u t σ 2 t u t NIID dengan µ st mewakili model rata-rata bersyarat untuk setiap state. Distribusi probabilitas yang mendasari r t pada setiap state adalah distribusi normal ([6] dan [12]) dengan nilai parameter yang berbeda untuk setiap state, dapat dituliskan sebagai berikut N(µ 0t, σ0), 2 dengan probabilitas P r(s t = 0 Ψ t 1 ) r t Ψ t 1 N(µ 1t, σ1), 2 dengan probabilitas P r(s t = 1 Ψ t 1 ). (2.18) yang berakibat pola erornya menjadi N(0, σ0), 2 dengan probabilitas P r(s t = 0 Ψ t 1 ) ε t Ψ t 1 N(0, σ1), 2 dengan probabilitas P r(s t = 0 Ψ t 1 ). (2.19) dengan Ψ t 1 adalah informasi atau data yang dihimpun sampai pada waktu t 1. Fungsi densitas bersyarat dari r t berdasarkan variabel random s t yang bernilai j adalah f(r t s t = j, Ψ t 1 ) = 1 e (rt µj ) 2 2σ j 2. (2.20) 2πσj 2 Nilai probabilitas untuk sebuah state sebagai variabel random yang tidak teramati dinotasikan dengan P (s t = j Ψ t 1 ) = p jt, untuk j = 0, 1. (2.21) Sehingga fungsi distribusi bersama dari (2.20) dan (2.21) dapat dituliskan sebagai berikut P (r t, s t = j Ψ t 1 ) = f(r t s t = j, Ψ t 1 )P (s t = j Ψ t 1 ) = p jt 2πσj 2 19 e (rt µj ) 2 2σ j 2. (2.22)
34 Fungsi densitas dari r t didapatkan dengan menjumlahkan persamaan (2.22) untuk semua kemungkinan nilai j f(r t Ψ t 1 ) = 2 P (r t, s t = j Ψ t 1 ). (2.23) j=1 Setelah memperoleh nilai densitas dari r t, maka dapat dicari nilai probabilitas bersyarat dari s t dengan cara membagi persamaan (2.22) untuk setiap nilai j dengan persamaan (2.23) sehingga menghasilkan persamaan P (s t = j r t, Ψ t 1 ) = P (r t, s t = j Ψ t 1 ). (2.24) f(r t Ψ t 1 ) Probabilitas Transisi Komponen penting yang membentuk model Markov Switching adalah variabel s t yang berperan sebagai indikator state yang berlaku pada saat t. Variabel s t tidak akan bisa diobservasi oleh peneliti, namun dalam model Markov Switching variabel ini akan ditentukan probabilitasnya untuk masing-masing state pada saat t. Terdapat dua perhitungan untuk menentukan probabilitas terjadinya state pada saat t, yaitu ex ante probability ([6]) dan filtered probability ([7]). Ex ante probability merupakan terjadinya state pada saat t berdasarkan informasi Ψ t 1, yakni P (s t = j Ψ t 1 ) = p jt, 1 j=0 p jt = 1 seperti pada (2.18). Probabilitas ini merupakan probabilitas marjinal dari probabilitas gabungan antara s t dan s t 1, yakni p jt = P (s t = j Ψ t 1 ) 1 = P (s t = j, s t 1 = k Ψ t 1 ) j=0 (2.25) Mengacu pada struktur markov chain, probabilitas p jt hanya bergantung pada state yang terjadi saat t 1, sehingga (2.25) akan menjadi p jt = 1 P (s t = j s t 1 = k, Ψ t 1 )P (s t 1 = k Ψ t 1 ). (2.26) j=0 Selain ex ante probability, terdapat juga filtered probability yang digunakan untuk menjelaskan probabilitas terjadinya masing-masing state. Filtered probability merupakan probabilitas terjadinya state j saat t berdasarkan informasi Ψ t, 20
35 yakni φ jt = P (s t = j Ψ t ). φ jt dapat dituliskan kembali sebagai fungsi dari ex ante probability, sebagai berikut P (s t = j Ψ t ) = P (s t = j Ψ t, Ψ t 1 ) = P (s t = j r t, Ψ t 1 ) (2.27) = f(r t, s t = j Ψ t 1 f(r t, Ψ t 1 ) dimana f(r t, Ψ t 1 ) berbentuk distribusi normal mixture seperti pada (2.18) sehingga P (s t = j Ψ t ) = f(r t, s t = j Ψ t 1 P (s t = j Ψ t 1 ) 1 j=0 f(r t s t = j, Ψ t 1 )P (s t = j Ψ t 1 ) (2.28) dengan demikian, sesuai (2.26) dan (2.28) dapat dilihat bahwa p jt dan φ jt dapat dihitung secara rekursif diantara keduanya Spesifikasi model rata-rata bersyarat dan variansi bersyarat Pada penelitian ini menggunakan model umum ARMA sebagai model ratarata bersyarat ([6]). Berikut model rata-rata bersyarat yang digunakan : r t = µ st + ε t (2.29) dengan µ st adalah rata-rata bersyarat untuk setiap state. Rata-rata bersyarat untuk MS-GARCH pada penelitian ini mengacu pada ([6]) yakni GARCH (1,1) dengan parameter mengikuti proses switching σt 2 = α 0 + α 1 ε 2 t 1 + β 1 σt 1 2 (2.30) Untuk menghindari ketergantungan komponen ε 2 t 1 dan σt 1 2 dalam (2.30) terhadap kombinasi state, Gray ([6]) memberikan solusi alternatif untuk meng- 21
36 hitung Ψ 2 t 1 dan σ 2 t 1, yakni ε 2 t 1 = r t 1 = E[r t 1 Ψ t 2 ] 1 = p jt E[r t s t = j, Ψ t 2 ] = j=0 1 p jt µ jt j=0 (2.31) = p 1t µ 0t + (1 p 1t )µ 1t dengan demikian ε 2 t 1 = r t 1 [p 1t µ 0t + (1 p 1t )µ 1t ]. (2.32) Untuk mendeskripsikan σt 1 2 akan dihitung E[rt 2 Ψ t 1 ] berdasarkan GARCH tanpa melibatkan perubahan state yakni: E[rt 2 Ψ t 1 ] = E[(µ t + ε t ) = E[µ 2 t + 2µ t ε t + ε 2 t ] = E[µ 2 t ] + 2µ t E[ε t ] + E[ε 2 t ] Karena ε t N(0, σt 1), 2 maka E[ε t ] = 0 dan var[ε t ] = σt 2 = E[ε 2 t ] [E(ε t ) 2 ] = E[ε 2 t ] 0 (2.33) = E[ε 2 t ], sehingga E[rt 2 Ψ t ] = E[µ 2 t ] + E[ε 2 t ] = µ 2 t + σt 2, dan untuk masing-masing state E[rt 2 S t = 0, Ψ t 1 ] = µ 0t + σ0t, 2 E[rt 2 S t = 1, Ψ t 2 ] = µ 1t + σ1t. 2 (2.34) (2.35) Melalui cara yang sama dengan (2.31), formula E[r t 2 Ψ t 1 ] yang melibatkan 22
37 switching regime dapat dihitung E[rt 2 Ψ t 1 ] = rt 2 f(r t Ψ t 1 )dr t [ 1 ] = p ij f(r t S t = i, Ψ t 1 )dr t = = r 2 t j=0 1 [ p ij j=0 r 2 t f(r t S t = i, Ψ t 1 )dr t ] 1 p ij E[rt 2 S t = i, Ψ t 1 )dr t ], j=0 (2.36) sehingga dengan substitusi (2.35) pada (2.36) maka diperoleh 1 E[rt 2 Ψ t 1 ] = P (s t = j Ψ t 1 )(µ 2 jt + σjt), 2 j=0 = P (s t = 0 Ψ t 1 )(µ 2 0t + σ 2 0t) + P (s t = 1 Ψ t 1 )(µ 2 1t + σ 2 1t), (2.37) = p 0t (µ 2 0t + σ 2 0t) + (1 p 0t )(µ 2 1t + σ 2 1t), sehingga σ 2 t 1 dapat dicari melalui substitusi (2.31) dan (2.37) yakni σ 2 t 1 = E[r 2 t 1 Ψ t 2 ] [E[r 2 t 1 Ψ t 2 ]] 2, = p 0t 1 (µ 2 0t 1 + σ 2 0t 1) + (1 p 1t 1 )(µ 2 1t 1 + σ 2 1t 1) (2.38) [p 0t 1 µ 0t 1 + (1 p 1t 1 )µ 1t 1 ], sesuai dengan (2.32) dan (2.38), maka komponen ε 2 t 1 dan σt 1 2 pada (2.30) tidak akan tergantung pada kombinasi state sebelumnya yakni (s t, s t 1, s t 2,..., s 1 ) sehingga pada tahap penyusunan fungsi likelihood tidak menimbulkan kesulitan dalam optimasinya Fungsi Likelihood MS-GARCH Untuk menentukan fungsi likelihood pada MS-GARCH, pertama kali yang dilakukan adalah meninjau distribusi dari return r t untuk setiap state, yakni distribusi mixture seperti pada (2.18). Sedangkan untuk menentukan probabilitas transisi diperlukan penjabaran p jt ke dalam bentuk yang memuat φ t. Mengacu 23
38 pada (2.26), p jt untuk state nol adalah p 0t = P (s t = 0 Ψ t 1 ) = = 1 P (s t = 0 s t 1 = j, Ψ t 1 ).P (s t 1 = j Ψ t 1 ) j=0 1 P (s t = 0 s t 1 = j).p (s t 1 = j Ψ t 1 ) j=0 (2.39) = P 11 φ 1t + P 2t φ 2t = P φ 1t + (1 Q)(1 φ 2t ) dan untuk state satu p 1t = P (s t = 1 Ψ t 1 ) = 1 P (s t = 0 Ψ t 1 ) = 1 p 0t. Fungsi likelihood untuk Markov Switching GARCH yakni: L(Θ r t, Ψ t 1 ) = T f(r t Θ, Ψ t 1 ), (2.40) dimana Θ = µ 0, µ 1, k 0, k 1, α 0, α 1, β 0, β 1, P, Q atau dalam bentuk log likelihood t=1 lnl(θ r t, Ψ t 1 ) = Σ T t=1lnf(r t Θ, Ψ t 1 ). (2.41) Fungsi likelihood ini dibentuk dari distribusi mixture normal dengan asumsi bahwa setiap datanya telah diketahui masuk ke state 0 atau 1. Artinya, ketika diketahui bahwa suatu data adalah anggota state 0, maka nilai f(r t Ψ t 1 ) akan bernilai nol pada state 1, demikian juga sebaliknya ([7]). Berdasarkan distibusi mixture normal, log likelihood pada (2.41) akan menjadi : lnl(θ r t, Ψ t 1 ) = Σ T t=1ln[σ 1 j=0f(r t s t = j, Ψ t 1 )p jt ] = Σ T t=1ln[f(r t s t = 0, Ψ t 1 )p 0t + f(r t s t = 1, Ψ t 1 )p 1t ] = Σ T t=1ln[f(r t s t = 0, Ψ t 1 )p 0t + f(r t s t = 1, Ψ t 1 )(1 p 0t )]. (2.42) Namun karena setiap data tidak diketahui akan masuk ke state yang mana, maka optimisasi log likelihood tidak dapat dilakukan dengan metode numerik standar. Likelihood pada (2.42) seringkali disebut incomplete likelihood. Untuk mengatasi hal ini, optimisasi log likelihood untuk mendapatkan estimasi parameter dilakukan melalui Algoritma EM. 24
39 Algoritma EM untuk Fungsi Likelihood MS GARCH State (s t ) adalah variabel yang unobservable, sehingga dapat dianggap sebagai missing. Bila didefinisikan variabel acak s t akan bernilai j adalah p jt maka dapat dibuat fungsi untuk s t sebagai berikut: 1 f(s t ) = P (s t = j Ψ t 1 ) = p I j(s t ) jt. (2.43) dimana I j (s t ) adalah fungsi indikator bernilai 0 dan 1, yakni : 1, s t = j I j (s t ) = 0, lainnya. t=0 (2.44) Fungsi indikator ini menentukan observasi mana yang akan masuk ke masingmasing state. Algoritma EM akan melibatkan s t ini dalam fungsi likelihood pada iterasinya. Bila fungsi indikator (2.44) diterapkan pada distribusi probabilitas dari r t maka : f(r t s t = j, Ψ t 1 ) = 1 f(r t s t = j, Ψ t 1 ) I j(s t ). (2.45) t=0 Sedangkan bila (2.44) diterapkan pada joint distribusi s t dan r t maka T f(r t s t = j, Ψ t 1 ) = f(r t s t = j, Ψ t 1 ) I ts t. (2.46) t=0 Bila diasumsikan bahwa diketahui observasi yang menjadi anggota masingmasing state, maka akan terdapat pasangan observasi (r t, s t ) pada setiap data ke t, dan fungsi likelihood (2.40) akan dimaksimumkan berdasarkan distribusi bersama anatara s t dan r t, yakni : T L(Θ r t, s t, Ψ t 1 ) = f(r t, s t = j, Ψ t 1 ) = t=0 T t=0 j=0 atau dalam log likelihood dapat dituliskan lagi sebagai : 1 [p jt f(r t s t = j, Ψ t 1 ) Itst ]. (2.47) ln(θ r t, s t, Ψ t 1 ) = Σ T t=0σ 1 j=0[ln(p jt f(r t s t = j, Ψ t 1 )) Itst ] = Σ T t=0σ 1 j=0i j (s t )[ln(p jt f(r t s t = j, Ψ t 1 ))] (2.48) = Σ T t=0σ 1 j=0i j (s t )[lnp jt + lnf(r t s t = j, Ψ t 1 )] 25
40 Estimasi parameter untuk setiap state dapat dilakukan mengacu pada optimisasi untuk (2.48). Karena tidak ada petunjuk tetang observasi yang bersesuaian dengan state nol atau satu maka fungsi indikator pada (2.44) tidak akan bisa digunakan. Untuk mengatasi hal ini fungsi indikator diganti dengan ekspektasinya yakni E[I j (s t ) Ψ t 1 ]: E[I j (s t ) Ψ t ] = Σ 1 I t(s t)=0i j (s t )P (s t = j Ψ t ) = 1.P (s t = j Ψ t 1 ) + 0.P (s t = j Ψ t ) (2.49) = P (s t = j Ψ t ) dan mengacu pada filtered probability seperti pada maka didapatkan ekspektasi dari fungsi indikator adalah : E[I j (s t ) Ψ t ] = P (s t = j Ψ t ) = φ jt = yang akan digunakan untuk menyusun algoritma EM. p jt f(r t s t = j) 1 j=0 p jtf(r t s t = j) Berdasarkan (2.49), maka complete data likelihood (2.48) akan menjadi: Q = E[lnL(Θ r t, s t, Ψ t 1 ) r t, Ψ t 1 ] = EΣ T t=1σ 1 j=0i j (s t )[ln(p jt f(r t s t = j, Ψ t 1 ))] = Σ T t=1σ 1 j=0e[i j (s t )Ψ t 1 ][ln(p jt f(r t s t = j, Ψ t 1 ))] = Σ T t=1σ 1 j=0p (s t = jψ t 1 )[ln(p jt f(r t s t = j, Ψ t 1 ))] (2.50) Fungsi Q tersebut akan dimaksimumkan menggunakan metode Sequential Quadratic Programming. 2.2 Kerangka Pemikiran Deretan observasi dari variabel random nilai tukar dolar Kanada terhadap rupiah merupakan suatu data runtun waktu. Model ARMA adalah salah satu model runtun waktu untuk data stasioner. Transformasi dan diferensiasi data menjadi bentuk Log return dapat digunakan untuk membentuk runtun waktu yang stasioner. Model ARMA memiliki asumsi homokedastisitas, sedangkan data kurs dolar Kanada merupakan data finansial yang cenderung memiliki 26
41 heteroskedastisitas.hal ini menyebabkan model ARMA tidak relevan untuk digunakan. Sehingga dapat digunakan model GARCH yang untuk memodelkan heterokesdastisitas, namun model GARCH tidak memperhitungkan perubahan struktural. Model Markov Switching adalah alternatif pemodelan data runtun waktu yang mengalami perubahan struktural. Pada model Markov Switching perubahan struktural merupakan hasil variabel random tak teramati (state). Data runtun waktu nilai tukar Dolar Kanada memiliki heteroskedastisitas dan mengalami perubahan struktural dapat dimodelkan dengan melibatkan Markov Switching pada proses GARCH. Model GARCH untuk melihat kedinamisan volatilitas dalam suatu state. Sedangkan model Markov Switching akan menentukan perpindahan GARCH dari suatu state ke state lain. 27
42 Bab III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah penerapan model dengan menggunakan data harian nilai tukar jual dolar Kanada terhadap rupiah yang diambil pada hari Senin-Jumat dan selain hari libur nasional periode 1 Februari 2002 sampai 29 Februari Data ini diperoleh dari website Bank Indonesia yaitu [1]. Langkah-langkah analisis data dalam penelitian ini diuraikan sebagai berikut. 1. Membuat plot data untuk melihat kestasioneran data dalam mean dan variansi. 2. Melakukan transformasi log return apabila data belum stasioner baik dalam rata-rata maupun variansi. 3. Membuat plot ACF dan PACF dari fungsi log return. Jika data stasioner maka dimodelkan dengan menggunakan proses ARMA. Jika data masih belum stasioner kembali ke langkah dua. 4. Mengestimasi parameter model ARMA. 5. Memeriksa autokorelasi dalam kuadrat residu model ARMA, jika memiliki autokorelasi maka terdapat efek heteroskedastisitas. Efek heteroskedastisitas juga dapat diuji dengan uji Lagrange Multiplier. 6. Memeriksa adanya perubahan struktur. 7. Membentuk model GARCH (a) mengestimasi parameter model GARCH untuk memodelkan heteroskedastisitas dari residual model ARMA, 28
43 (b) menentukan model terbaik dari model GARCH yang telah diperoleh dengan melihat nilai AIC dan SC yang terkecil, (c) mengestimasi secara bersama parameter model ARMA dan GARCH, (d) menguji kecocokan model dengan memeriksa efek heteroskedastisitas, autokorelasi dan asumsi distribusi dari residu terstandar. 8. Membentuk model Markov Switching GARCH (a) menentukan probabilitas terjadinya masing-masing state pada setiap waktu, (b) menentukan probabilitas transisi dan matrik transisi antar state. 9. Mencari nilai estimasi parameter model GARCH yang melibatkan perubahan state dengan metode Maximum Likelihood (MLE). (a) menentukan fungsi likelihood berdasarkan fungsi densitas return yang melibatkan probabilitas masing-masing state dan probabilitas transisi, (b) menerapkan algoritma EM untuk mengestimasi parameter MS-GARCH. 10. Melakukan peramalan (a) menentukan banyaknya ramalan sepanjang f periode yang akan dilakukan, (b) menentukan probabilitas terjadinya masing-masing state pada waktu t + f melalui proses markov chain, (c) meramalkan nilai log return menggunakan model ARMA untuk mencari nilai ramalan kurs jual dolar Kanada terhadap rupiah, (d) meramalkan volatilitas log return menggunakan model MS-GARCH yang telah diperoleh. 29
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR HARGA MINYAK
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR HARGA MINYAK oleh APRILIA AYU WIDHIARTI M0111010 SKRIPSI ditulis dan diajukan
Lebih terperinciPERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH
PERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Oleh RETNO HESTININGTYAS M0106061 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR PERTUMBUHAN KREDIT DOMESTIK
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR PERTUMBUHAN KREDIT DOMESTIK oleh PITANINGSIH NIM. M0110064 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka Engle [7] melakukan penelitian mengenai model yang mengatasi efek heteroskedastisitas yaitu model autoregressive conditional heteroskedasticity (ARCH) yang diterapkan
Lebih terperinciAnis Nur Aini, Sugiyanto, dan Siswanto Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta
MENDETEKSI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR SIMPANAN BANK, NILAI TUKAR RIIL, DAN NILAI TUKAR PERDAGANGAN Anis Nur Aini, Sugiyanto,
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR HARGA MINYAK
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR HARGA MINYAK oleh APRILIA AYU WIDHIARTI M0111010 SKRIPSI ditulis dan diajukan
Lebih terperinciMODEL KRISIS PASAR MODAL DI INDONESIA MENGGUNAKAN MARKOV SWITCHING TGARCH (MS-TGARCH) DUA STATE BERDASARKAN INDIKATOR IHSG
MODEL KRISIS PASAR MODAL DI INDONESIA MENGGUNAKAN MARKOV SWITCHING TGARCH (MS-TGARCH) DUA STATE BERDASARKAN INDIKATOR IHSG Oleh ALFI NUR DINA NIM M0110002 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR RASIO CADANGAN INTERNASIONAL TERHADAP M2 (UANG BEREDAR)
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR RASIO CADANGAN INTERNASIONAL TERHADAP M2 (UANG BEREDAR) oleh DIAH PUTRI UTAMI NIM. M0110018 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian
Lebih terperinciGABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING UNTUK MENDETEKSI KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR M2 MULTIPLIER
GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING UNTUK MENDETEKSI KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR M2 MULTIPLIER oleh YUNIAS AFIFAH ANAS NUR PAMUNGKAS NIM. M0111086 SKRIPSI ditulis dan
Lebih terperinciPEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH. Retno Hestiningtyas dan Winita Sulandari, M.Si. Jurusan Matematika FMIPA UNS
S-9 PEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Retno Hestiningtyas dan Winita Sulandari, M.Si Jurusan Matematika FMIPA UNS ABSTRAK. Pada data finansial sering terjadi keadaan leverage effect,
Lebih terperinciBAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah
BAB IV PEMBAHASAN 4.1 Deskripsi Data Gambar 4.1 memperlihatkan bahwa data berfluktuasi dari waktu ke waktu. Hal ini mengindikasikan bahwa data tidak stasioner baik dalam rata-rata maupun variansi. Gambar
Lebih terperinciMODEL MARKOV SWITCHING EGARCH PADA NILAI TUKAR EURO TERHADAP RUPIAH
MODEL MARKOV SWITCHING EGARCH PADA NILAI TUKAR EURO TERHADAP RUPIAH oleh NANDA PUTRI MONALISA M0108057 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciPENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN (Studi Kasus Pada Indikator Selisih Suku Bunga Pinjaman
Lebih terperinciMODEL KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR RASIO CADANGAN INTERNASIONAL TERHADAP M2
MODEL KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR RASIO CADANGAN INTERNASIONAL TERHADAP M2 oleh ERNA MUSTIKASARI NIM. M0111030 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR IMPOR DAN EKSPOR MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR IMPOR DAN EKSPOR MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING Sisca Rahma Dwi, Sugiyanto, dan Yuliana Susanti Program Studi
Lebih terperinciPENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 25 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA Vivi Rizky Aristina Suwardi, Sugiyanto, dan Supriyadi
Lebih terperinciBAB III NONLINEAR GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (N-GARCH)
BAB III NONLINEAR GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (N-GARCH) 3.1 Proses Nonlinear Autoregressive Conditional Heteroskedasticity (N-ARCH) Model Nonlinear Autoregressive Conditional
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
Lebih terperinciPEMODELAN MARKOV SWITCHING AUTOREGRESSIVE
PEMODELAN MARKOV SWITCHING AUTOREGRESSIVE asa M arga ro) C ng Semara SKRIPSI Oleh : FIQRIA DEVI ARIYANI 24010210120021 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO 2014 PEMODELAN
Lebih terperinciMetode Peramalan dengan Menggunakan Model Volatilitas Asymmetric Power ARCH (APARCH)
Metode Peramalan dengan Menggunakan Model Volatilitas Asymmetric Power ARCH (APARCH) (Studi Kasus : Return Kurs Mata Uang Rupiah terhadap Dollar) SKRIPSI Disusun oleh : CINDY WAHYU ELVITRA J2E 009 015
Lebih terperinciPENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN (Studi Kasus pada Indikator Selisih Suku Bunga Pinjaman
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR HARGA SAHAM MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING TIGA STATE
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR HARGA SAHAM MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING TIGA STATE SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciPENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING
PENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING DALAM PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR M1, M2 PER CADANGAN DEVISA, DAN M2 MULTIPLIER Esteti Sophia Pratiwi,
Lebih terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji
35 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji ACF, uji PACF, uji ARCH-LM,
Lebih terperinciABSTRAK. Kata kunci: krisis perbankan, bank deposits, SWARCH, dua state, tiga state. iii
ii ABSTRAK Ihsan Fathoni Amri. 2016. PENDETEKSIAN KRISIS PERBANKAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR BANK DEPOSITS. Fakultas Matematika dan
Lebih terperinciBAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
Lebih terperinciBAB III THRESHOLD AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICTY (TARCH) Proses TARCH merupakan modifikasi dari model ARCH dan GARCH.
BAB III THRESHOLD AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICTY (TARCH) 3.1. Model TARCH Proses TARCH merupakan modifikasi dari model ARCH dan GARCH. Pada proses ini nilai residu yang lebih kecil dari nol
Lebih terperinciPEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY
PEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY SKRIPSI Disusun Oleh: OMY WAHYUDI 24010210110006 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciPERAMALAN JUMLAH WISATAWAN GROJOGAN SEWU MENGGUNAKAN MODEL REGRESI RUNTUN WAKTU DENGAN EFEK VARIASI KALENDER
PERAMALAN JUMLAH WISATAWAN GROJOGAN SEWU MENGGUNAKAN MODEL REGRESI RUNTUN WAKTU DENGAN EFEK VARIASI KALENDER oleh APRILLIA COSASI M0109014 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciMeganisa Setianingrum, Sugiyanto, Etik Zukhronah Prodi Matematika Fakultas Matematika dan Ilmu pengetahuan Alam Universitas Sebelas Maret Surakarta
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR OUTPUT RIIL, KREDIT DOMESTIK PER PDB, DAN IHSG Meganisa Setianingrum, Sugiyanto,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciPERHITUNGAN VALUE AT RISK HARGA SAHAM DENGAN MENGGUNAKAN VOLATILITAS ARCH-GARCH DALAM KELOMPOK SAHAM LQ 45 ABSTRACT
PERHITUNGAN VALUE AT RISK HARGA SAHAM DENGAN MENGGUNAKAN VOLATILITAS ARCH-GARCH DALAM KELOMPOK SAHAM LQ 45 Boy A Lumban Gaol 1, Tumpal Parulian Nababan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura
Lebih terperinciPEMODELAN DAN PERAMALAN DATA NILAI TUKAR MATA UANG DOLLAR AMERIKA TERHADAP YEN JEPANG DAN EURO TERHADAP DOLLAR AMERIKA DALAM ARCH, GARCH DAN TARCH
PEMODELAN DAN PERAMALAN DATA NILAI TUKAR MATA UANG DOLLAR AMERIKA TERHADAP YEN JEPANG DAN EURO TERHADAP DOLLAR AMERIKA DALAM ARCH, GARCH DAN TARCH Nama : Yulia Sukma Hardyanti NRP : 1303.109.001 Jurusan
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciBAB III METODE PENELITIAN. 3.1 Unit Analisis dan Ruang Lingkup Penelitian. yang berupa data deret waktu harga saham, yaitu data harian harga saham
32 BAB III METODE PENELITIAN 3.1 Unit Analisis dan Ruang Lingkup Penelitian 3.1.1. Objek Penelitian Objek sampel data dalam penelitian ini menggunakan data sekunder yang berupa data deret waktu harga saham,
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciPEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY
PEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY SKRIPSI Disusun oleh: ANGGITA PURI SAVITRI 24010212140037 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB I PENDAHULUAN. penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada zaman sekarang, peramalan merupakan salah satu unsur yang sangat penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan peramalan
Lebih terperinciBAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciII. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang
II. TINJAUAN PUSTAKA 2.1 Analisis Deret Waktu (time series) Time series merupakan serangkaian observasi terhadap suatu variabel yang diambil secara beruntun berdasarkan interval waktu yang tetap (Wei,
Lebih terperinciMOTTO. Man Jadda Wajada Allah tidak akan mengubah nasib suatu kaum sampai kaum itu mengubah nasib mereka sendiri -QS Al-Anfal (8): 53
ii ABSTRAK Ari Nur Setyaningsih. 2016. PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR EKSPOR. Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciRatri Oktaviani, Sugiyanto, dan Yuliana Susanti Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
HUBUNGAN KONDISI INDIKATOR NILAI TUKAR RIIL DAN IHSG DALAM MENDETEKSI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING Ratri Oktaviani, Sugiyanto, dan Yuliana Susanti
Lebih terperinciMODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI
MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA SKRIPSI Disusun Oleh: UMI SULISTYORINI ADI 24010212140082 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation
BAB II LANDASAN TEORI Pada Bab II akan dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya yaitu peramalan data runtun waktu (time series), konsep dasar
Lebih terperinciMODEL LAJU PERUBAHAN NILAI TUKAR RUPIAH (IDR) TERHADAP POUNDSTERLING (GBP) DENGAN METODE MARKOV SWITCHING AUTOREGRESSIVE (MSAR)
Jurnal Matematika UNAND Vol. 5 No. 3 Hal. 56 64 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL LAJU PERUBAHAN NILAI TUKAR RUPIAH (IDR) TERHADAP POUNDSTERLING (GBP) DENGAN METODE MARKOV SWITCHING
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Sumber Data Penelitian ini menggunakan data sekunder yang diperoleh dari BEI. Data yang digunakan dalam penelitian ini merupakan data harian yang dimulai dari 3 Januari 2007
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciPENENTUAN VALUE AT RISK
PENENTUAN VALUE AT RISK SAHAM KIMIA FARMA PUSAT MELALUI PENDEKATAN DISTRIBUSI PARETO TERAMPAT (Studi Kasus : Harga Penutupan Saham Harian Kimia Farma Pusat Periode Oktober 2009 September 2014) SKRIPSI
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciBAB III ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (APARCH) Asymmetric Power Autoregressive Conditional Heteroscedasticity
BAB III ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (APARCH) 3.1 Proses APARCH Asymmetric Power Autoregressive Conditional Heteroscedasticity (APARCH) diperkenalkan oleh Ding, Granger
Lebih terperinciBAB I PENDAHULUAN. atau memprediksi nilai suatu perolehan data di masa yang akan datang
BAB I PENDAHULUAN 1.1 Latar Belakang Time Series atau deret waktu merupakan barisan suatu nilai pengamatan yang diukur dalam rentang waktu tertentu dalam interval waktu yang sama. Analisis data deret waktu
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1 Desain Penelitian Penelitian ini didasari oleh gejolak/volatilitas nilai tukar rupiah terhadap mata uang asing (valuta asing).pada nilai transaksi jual beli valuta asing yang
Lebih terperinciBAB I PENDAHULUAN. untuk menjual, menahan, atau membeli saham dengan menggunakan indeks
BAB I PENDAHULUAN A. LATAR BELAKANG MASALAH Pasar modal merupakan pasar abstrak, dimana yang diperjualbelikan adalah dana jangka panjang, yaitu dana yang keterikatannya dalam investasi lebih dari satu
Lebih terperinciINTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) (Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia)
PERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) (Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia) SKRIPSI Disusun
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari
III. METODE PENELITIAN Metode penelitian merupakan langkah dan prosedur yang akan dilakukan dalam pengumpulan data atau informasi empiris guna memecahkan permasalahan dan menguji hipotesis penelitian.
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciBAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
Lebih terperinciTEORI DASAR DERET WAKTU M A T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R
TEORI DASAR DERET WAKTU M A 5 2 8 3 T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R DERET WAKTU Deret waktu sendiri tidak lain adalah himpunan pengamatan
Lebih terperinciPERAMALAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL RUNTUN WAKTU FUZZY -RANTAI MARKOV
PERAMALAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL RUNTUN WAKTU FUZZY -RANTAI MARKOV oleh ERIKHA AJENG CHISWARI NIM. M0111028 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Desain Penelitian Desain penelitian mempunyai peranan yang sangat penting, karena keberhasilan suatu penelitian sangat dipengaruhi oleh pilihan desain atau model penelitian.
Lebih terperinciESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM)
ESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) oleh MIKA ASRINI M0108094 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciPROSEDUR MODEL EXPONENTIAL SMOOTH TRANSITION AUTOREGRESSIVE (ESTAR)
PROSEDUR MODEL EXPONENTIAL SMOOTH TRANSITION AUTOREGRESSIVE (ESTAR) Oleh EKA SARI PUTRI WARDOYO M0108086 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
Lebih terperinciBAB III PEMBAHARUAN PERAMALAN. Pada bab ini akan dibahas tentang proses pembaharuan peramalan.
BAB III PEMBAHARUAN PERAMALAN Pada bab ini akan dibahas tentang proses pembaharuan peramalan. Sebelum dilakukan proses pembaharuan peramalan, terlebih dahulu dilakukan proses peramalan dan uji kestabilitasan
Lebih terperinciBAB III MARKOV SWITCHING AUTOREGRESSIVE (MSAR)
25 BAB III (MSAR) 3.1 Model Markov Switching Autoregressive Model runtun waktu Markov Switching Autoregressive adalah salah satu model runtun waktu yang merupakan perluasan dari model Autoregressive (AR).Ide
Lebih terperinciBAB I PENDAHULUAN. memberikan informasi tentang rata-rata bersyarat pada Y
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari- hari sering dijumpai data time series yang terdiri dari beberapa variabel yang saling terkait yang dinamakan dengan data time series
Lebih terperinciTEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari Indonesia Tbk)
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 71 78. TEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang
30 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang diperoleh dari Laporan Bank Indonesia, Statistik Ekonomi dan Keuangan Indonesia,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu
Lebih terperinciBAB II TINJAUAN PUSTAKA
DAFTAR ISI PERNYATAAN... i ABSTRAK... ii KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xi BAB I PENDAHULUAN... 1 1.1 Latar Belakang...
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA
PEMODELAN NILAI EKSPOR DI INDONESIA DENGAN PENDEKATAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH) SKRIPSI BAGUS HADI PRASTYA PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS
Lebih terperinciBAB I PENDAHULUAN. Perilaku dari harga suatu aset finansial dapat dilihat dari dua parameter,
BAB I PENDAHULUAN 1.1 Latar belakang Perilaku dari harga suatu aset finansial dapat dilihat dari dua parameter, yaitu mean dan standar deviasi harga aset tersebut. Dalam bahasa keuangan, standar deviasi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Saham adalah surat berharga yang menjadi bukti seseorang berinvestasi pada suatu perusahaan. Harga saham selalu mengalami perubahan harga atau biasa disebut
Lebih terperinciJurnal Jilid 7, No. 2, 2017, Hal ISSN
Jurnal LOG!K@, Jilid 7, No. 2, 2017, Hal. 112-121 ISSN 1978 8568 PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN MODEL MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (SWARCH) BERDASARKAN
Lebih terperinciBAB III METODE PENELITIAN. tercatat secara sistematis dalam bentuk data runtut waktu (time series data). Data
24 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data 3.1.1 Jenis Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder atau kuatitatif. Data kuantitatif ialah data yang diukur dalam
Lebih terperinciPEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 103-111 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING
Lebih terperinciDisusun oleh : Nur Musrifah Rohmaningsih Skripsi. Sebagai Salah Satu Syarat untuk Memperoleh Gelar
PEMODELAN DAN PERAMALAN NILAI RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (APARCH) Disusun oleh : Nur Musrifah Rohmaningsih 24010211120019
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciBAB IV KESIMPULAN DAN SARAN. maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan data
BAB IV KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan uraian dan pembahasan pada bab-bab sebelumnya, maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan
Lebih terperinciAUTOREGRESSIVE (MSVAR) SKRIPSI
PEMODELAN MARKOV SWITCHING VECTOR AUTOREGRESSIVE (MSVAR) SKRIPSI Disusun Oleh: HAYUK PERMATASARI 24010210130066 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG 2014 PEMODELAN
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Stasioneritas Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung
Lebih terperinciPERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (GARCH-M)
PERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (GARCH-M) (Studi Kasus pada Return Harga Saham PT. Wijaya Karya) SKRIPSI Disusun Oleh : Dwi Hasti
Lebih terperinciMENGGUNAKAN METODE GARCH ASIMETRIS
PEMODELAN RETURN PORTOFOLIO SAHAM MENGGUNAKAN METODE GARCH ASIMETRIS SKRIPSI Disusun Oleh : MUHAMMAD ARIFIN 24010212140058 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG
Lebih terperinciBAB I PENDAHULUAN. Peramalan merupakan salah satu unsur yang sangat penting dalam
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan salah satu unsur yang sangat penting dalam pengambilan keputusan, karena terkadang faktor-faktor yang berhubungan dengan pengambilan keputusan tidak
Lebih terperinciMODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (EGARCH) DAN PENERAPANNYA PADA DATA INDEKS HARGA SAHAM
MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (EGARCH) DAN PENERAPANNYA PADA DATA INDEKS HARGA SAHAM (Studi Kasus pada Saham PT. ANTAM (Persero) Tbk) SKRIPSI Diajukan Kepada
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciABSTRAK. Universitas Sumatera Utara
ABSTRAK Skripsi ini membahas pemodelan dan estimasi volatilitas nilai tukar rupiah terhadap dolar Amerika tahun 005 menggunakan estimasi ARCH-GARCH. Data volatilitas nilai tukar rupiah dapat diterangkan
Lebih terperinciMETODE PENELITIAN. Data yang dipakai untuk penelitian ini adalah data sekunder (time series)
48 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang dipakai untuk penelitian ini adalah data sekunder (time series) yang didapat dari Statistik Ekonomi Keuangan Indonesia (SEKI) Bank Indonesia
Lebih terperinci