BAB I PENDAHULUAN Latar Belakang Masalah
|
|
- Hendra Doddy Tedjo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Analisis runtun waktu banyak diterapkan hampir di semua bidang kegiatan, antara lain bidang ekonomi, kesehatan, ilmu pengetahuan alam, dan sebagainya. Ada beberapa alasan mempelajari analisis runtun waktu, diantaranya untuk memahami dan mengetahui gambaran suatu mekanisme, untuk peramalan, dan untuk mengendalikan kondisi optimal suatu sistem. Model Autoregressive (AR), moving average, atau Autoregressive Moving Average (ARMA) merupakan model yang paling populer dan seringkali digunakan untuk pemodelan runtun waktu. Namun, model-model tersebut hanya bisa digunakan untuk kondisi homoskedasticity (variansi error sama). Di lain pihak, kebanyakan runtun waktu bidang ekonomi menunjukkan volatilitas yang besar diikuti oleh volatilitas yang kecil. Model ARMA tidak cocok untuk kasus yang mempunyai sifat heteroskedasticity. Menurut Chan (2002), variabel-variabel pada kasus runtun waktu ekonomi biasanya memiliki tiga karakter berikut: distribusi tak bersyarat dari runtun waktu ekonomi memiliki ekor yang lebih tebal dibanding distribusi normal, nilai runtun waktu X t kurang berkorelasi untuk lag yang panjang tapi Xt 2 sangat berkorelasi sampai lag yang panjang, dan perubahan X t cenderung mengelompok yang artinya besar (kecil) perubahan X t cenderung diikuti oleh perubahan besar (kecil). Oleh karena itu, pada perkembangannya pemodelan runtun waktu terutama pada bidang makro ekonomi dan keuangan, ditekankan pada momen pertama bersyarat. Dengan mempertimbangkan resiko dan ketidakpastian dalam teori ekonomi modern, pengembangan teknik baru runtun waktu memungkinkan pemodelan time-varying variance and covariances. Kontribusi penting dalam pengembangan ini diberikan oleh Engle (1982) yang telah mengenalkan kelas model Autoregressive Conditional Heteroskedastic (ARCH). Kebanyakan teori modern dari runtun waktu menggunakan asumsi-asumsi se- 1
2 2 perti: stasioner, gaussian, dan sebagainya. kenyataannya banyak runtun waktu terutama di bidang finansial mempunyai sifat-sifat khusus seperti tren, tidak stabil, tidak Gaussian, heavy tail, atau asimetris. Transformasi banyak digunakan untuk mengatasi suatu kondisi yang melanggar asumsi yang ada. Salah satu jenis transformasi yang sangat populer dan sering digunakan pada analisis runtun waktu adalah transformasi Box-Cox. Transformasi kemungkinan besar akan mengubah sifat-sifat runtun waktu yang ada, sehingga perlu di teliti perubahan sifat runtun waktu setelah dilakukan transformasi. Salah satunya perlu diteliti bagaimana sifat estimator untuk runtun waktu dengan transformasi Metode estimasi model ARCH yang sudah banyak digunakan selama ini adalah metode least square dan metode maximum likelihood. Metode estimasi maximum likelihood hanya bisa digunakan bila distribusi probabilitas populasi diketahui. Kelemahan dari metode maximum likelihood adalah metode ini hanya bisa digunakan pada saat distribusi error diketahui. Di lain pihak, banyak kasus dengan distribusi populasi tidak diketahui. Sedangkan untuk metode estimasi least square, walaupun metode ini tidak memerlukan asumsi distribusi tertentu, tapi metode ini kurang efisien untuk mengestimasi model ARCH karena harus menggunakan dua tahap yaitu: pertama, estimasi dahulu parameter model regresi dan kedua, bentuk model variansi "buatan" berdasarkan error yang dihitung dari hasil estimasi model regresi dan selanjutnya estimasi model variansi tersebut. Hal ini akan mengakibatkan estimasi kedua mempunyai resiko salah menjadi besar. Untuk itu perlu metode estimasi yang lain sebagai alternatif yang bisa digunakan di luar kondisi di atas. Pada disertasi ini, di lakukan studi tentang metode estimasi second order least square (SLS) untuk memperoleh estimasi model ARCH. Metode estimasi ini tidak memerlukan pengetahuan tentang distribusi dari variabel random yang di amati dan diperoleh estimasi semua parameter secara simultan.
3 Perumusan Masalah Berdasarkan latar belakang, dapat dirumuskan permasalahan yang akan diteliti: 1. bagaimana menentukan estimator SLS pada model ARCH 2. bagaimana menentukan estimator SLS pada model ARCH yang variabel dependennya di transformasi Box-Cox, 3. bagaimana sifat-sifat asimtotik estimator SLS:konsistensi dan normalitas, 4. bagaimana perbandingan variansi estimator SLS dan estimator least square (LS) Tujuan Penelitian Penelitian ini mempunyai beberapa tujuan umum, antara lain menghasilkan suatu pengembangan di bidang ilmu pengetahuan dasar, yaitu matematika dan statistika yang berguna di dalam analisis runtun waktu. Sedang tujuan khususnya adalah meneliti sifat-sifat estimasi second order least square untuk runtun waktu heteroskedastic dan efek transformasi Box-Cox pada suatu proses runtun waktu heteroskedastic terhadap estimasi yang dihasilkan secara matematis dan diperkuat dengan hasil simulasi. Penelitian ini juga bertujuan untuk melihat kebaikan estimat SLS dibandingkan estimator LS berdasarkan variansinya. Selain itu, memberikan contoh aplikasi metode estimasi second order least square pada suatu kasus runtun waktu heteroskedastic Manfaat Penelitian Penelitian ini diharapkan bermanfaat bagi kemajuan Ilmu Matematika dan statistika pada umumnya, terutama yang berkaitan dengan analisis runtun waktu yang sering ditemui diberbagai bidang seperti: ekonomi, teknik, geofisika, medis, dan lainlain. Hasil penelitian ini diharapkan bisa memberikan pengetahuan baru mengenai
4 4 metode estimasi SLS dan penggunaannya pada analisis runtun waktu khususnya proses Autoregressive Conditional Heteroskedastic Keaslian Berdasarkan pelacakan literatur dan internet yang ada ternyata permasalahan yang dikaji dalam disertasi ini belum pernah diteliti. Metode estimasi pada model ARCH yang selama ini digunakan adalah maximum likelihood dan least square. Sedangkan metode SLS belum pernah digunakan pada analisis model ARCH yang mempunyai sifat bahwa variansi variabel random pada saat t bergantung pada variansi sebelumnya. Metode estimasi ini diperkenalkan pertama kali oleh Wang (2003) dan digunakan pada model regresi nonlinear dengan variabel error yang berdistribusi identik dan independen, sedang proses ARCH mengasumsikan bahwa variabel error tidak identik Tinjauan Pustaka Banyak runtun waktu menunjukkan perilaku periode-periode volatilitas yang sangat besar dan diikuti oleh periode-periode volatilitas yang relatif kecil. Pada kondisi ini, asumsi variansi konstan tidak sesuai. Beberapa kasus analisis data bertujuan meramalkan variansi bersyarat dari runtun waktu. Misalnya pemodelan volatilitas return aset dalam bidang ekonomi keuangan. Model yang sangat terkenal untuk pemodelan variansi bersyarat adalah Autoregressive Conditional Heteroskedastic (ARCH). Model Box-Jenkins Autoregressive Integrated Moving Average (ARIMA) telah mendominasi analisis data runtun waktu, khususnya selama periode Namun, salah satu keterbatasan model ini adalah bahwa model tersebut tidak mampu menggambarkan volatilitas. Keluarga Autoregressive Conditional Heteroscedastic (ARCH) merupakan model runtun waktu nonlinier yang sering digunakan selama dua dekade terakhir atau lebih. Perkembangan keluarga ARCH untuk menggabungkan pengaruh regressor dalam persamaan mean dan variansi telah dipertimbangkan, seperti Generalized ARCH (GARCH), dan Threshold ARCH (TARCH).
5 5 Keluarga model ARCH yang telah diperkenalkan oleh Engle (1982) telah banyak digunakan pada aplikasi data keuangan dan telah banyak menarik perhatian banyak peneliti. Diantaranya, Alberolla (2006), Gao, Yu dan Chen (2009), Hardle dan Hafner (2000), dan lain-lain. Lamoureux and Lastrapes (1990) menyebutkan bahwa conditional heteroskedastic mungkin disebabkan oleh dependensi waktu kedatangan informasi ke pasar dan selanjutnya menggunakan data volume perdagangan harian dari pasar saham sebagai proxy untuk kedatangan informasi tersebut dan mengkonfirmasi signifikansinya. Mizrach (1990) menghubungkan model ARCH dengan error dari proses pembelajaran pelaku ekonomi. Pada kasus ini, kesalahan kontemporer dari ekspektasi dihubungkan dengan kesalahan masa lalu untuk ekspektasi yang sama. Stock (1998) menginterpretasikan bahwa secara umum setiap variabel ekonomi berkembang pada operasional skala waktu, sedang dalam prakteknya diukur menurut skala waktu kalender. Penggunaan skala waktu kalender ini menyebabkan volatility clustering karena variabel ekonomi tersebut dapat berkembang lebih cepat atau lebih lambat relatif terhadap waktu kalender. (Bera and Higgins (1990), Diebold (1986)). Alberola (2006) menganalisis secara empiris runtun waktu return pada pasar energi Spanyol dan memodelkan volatilitasnya dengan model ARCH untuk menjelaskan regularitasnya. Penggunaan kelas ARCH yang lain diantaranya Gao,dkk (2009). Gao menyatakan bahwa model ARMA-ARCH mempunyai akurasi yang sangat tinggi untuk meramalkan kecepatan angin jangka pendek (short term) dalam rangka mendukung pekerjaan di bidang pertanian. Sebelumnya Hardle dan Hafner (2000) menggunakan model GARCH, yang merupakan perluasan model ARCH, untuk memodelkan harga opsi Duan dan mengatakan bahwa estimasi volatilitasnya lebih fleksibel. Hal ini dikarenakan harga opsi secara kuat bergantung pada sifat-sifat volatilitas, diantaranya asimetrik. Metode estimasi model ARCH yang sudah banyak digunakan selama ini adalah metode least square dan metode maximum likelihood. Weiss (1986) telah mendiskusikan sifat-sifat estimasi maksimum likelihood dan estimasi least square dari model ARCH. Basawa (1976) meneliti sifat konsistensi dan asimtotik normal untuk
6 6 estimator maximum likelihood untuk kasus di mana variabel random terobservasi dimungkinkan dependen dan tidak berdistribusi identik. Metode estimasi maximum likelihood hanya bisa digunakan bila distribusi probabilitas populasi diketahui. Sehingga ini menjadi kelemahan dari metode maximum likelihood, karena hanya bisa digunakan pada saat distribusi diketahui. Sedang metode estimasi least square tidak memerlukan asumsi distribusi tertentu, tapi metode ini hanya memperhitungkan minimum kuadrat error saja. Untuk itu perlu metode alternatif untuk estimasi parameter, yaitu metode second least square. Wang dan Leblanc (2008) mengestimasi parameter model regresi nonlinear dengan variabel error berdistribusi identik dan independen dengan menggunakan metode second least square. Metode ini, selain memperhitungkan mean error, juga memperhitungkan variansinya. Berdasarkan Abarin dan Wang (2006) second least square lebih baik dibanding estimator least square bila distribusi populasi skew (tidak simetris). Teknik estimasi maximum likelihood dan fungsi likelihood memerlukan kondisi cukup dari error, yaitu berdistribusi Normal. Metode maximum likelihood dilakukan dengan memaksimalkan fungsi likelihood terhadap nilai parameter suatu model, dan biasanya estimasi yang dihasilkan mempunyai sifat-sifat asimtotik. Sedangkan teknik estimasi least square untuk model ARCH dilakukan dengan terlebih dahulu ditentukan estimasi persamaan mean (regresi) dan dilakukan pengujian, selanjutnya ditentukan estimasi persamaan variansinya. Weiss (1986) mempelajari sifat-sifat estimator maksimum likelihood dan least square dari persamaan regresi dan persamaan variansi pada model ARCH, dan juga sifat-sifat berbagai uji dari model berdasarkan estimasi maximum likelihood dan least square. Metode estimasi SLS khusus untuk model nonlinear sudah dipelari Abarin dan Wang (2006) dan membandingkan estimasi generalized method of moment (GMM) dengan estimasi SLS dimana estimasi SLS akan lebih baik digunakan untuk model nonlinear pada kondisi distribusi error non simetrik. Kebanyakan teori modern dari runtun waktu menggunakan asumsi-asumsi seperti: stasioner, Gaussian, dan sebagainya. Di lain pihak banyak runtun waktu teruta-
7 7 ma di Bidang Finansial mempunyai sifat-sifat khusus seperti tren, tidak stabil, tidak Gaussian, heavy tail, atau asimetris. Transformasi banyak digunakan untuk mengatasi suatu kondisi yang melanggar asumsi yang ada. Penggunaan transformasi pada analisis runtun waktu sudah sejak lama digunakan oleh para peneliti. Draper and Cox (1969) dan Poiriers (1978) telah menunjukkan bahwa linearitas, homoscedastisitas, dan normalitas tidak dapat dikerjakan secara simultan dengan transformasi Box-Cox pada analisis runtun waktu. Sarkar (2000) mendefinisikan model ARCH untuk variabel dependen yang ditransformasi Box-Cox dengan nama model BCARCH (Box-Cox transformed ARCH) dan menggunakan metode maximum likelihood untuk mengestimasinya. Selanjutnya pengujian estimasi model BCARCH dilakukan dengan uji multiplier lagrange. Ashley dkk (1975) menerapkan transformasi untuk analisis dan peramalan runtun waktu nonstasioner dengan metode Box-Jenkins. Granger (1976) juga melakukan transformasi pada runtun waktu stasioner Gaussian untuk meramalkan suatu nilai hasil transformasi yang akan datang. Misalkan suatu model peramalan tersedia untuk proses tetapi pusat perhatian pada transformasi Y t = T (X t ). Blaylock (1983) menganalisis pengaruh spesifikasi suku error dan bentuk fungsional pada model permintaan daging. Di sini transformasi Box-Cox digunakan untuk menggeneralisasi bentuk fungsi ketika pesamaan error dipostulasikan heteroskedastik dan autoregressive. Tsiotas (2007) menggunakan transformasi Box-Cox pada model Variance Conditional. Tommaso (2008) meneliti masalah penyesuaian musiman dari transformasi nonlinear pada runtun waktu original seperti transformasi Box-Cox dari runtun waktu yang diukur pada skala rasio atau transformasi Aranda-Ordaz pada runtun waktu proporsional yang bertujuan untuk mencapai asumsi additif dan ortogonal dari komponen-komponen yang digunakan. Transformasi pada analisis runtun waktu seringkali memberikan efek pada hasil analisis dari runtun waktu yang ditransformasi. Hal ini sudah diteliti oleh beberapa orang. Farooque (2002) mempelajari efek pemilihan transformasi pada diagnostic adjustment seasonal dan kesalahan peramalan. Dalam runtun waktu ekonomi sering terjadi bahwa variansi runtun waktu naik dengan bertambahnya level runtun waktu. Transformasi logaritma biasanya cocok un-
8 8 tuk runtun waktu dengan variansi yang tak konstan sehingga dengan transformasi log akan menghasilkan runtun waktu dengan variansi konstan. Transformasi logaritma juga mempengaruhi kesalahan peramalan jika variasi terjadi pada akhir runtun waktu karena kebanyakan metode-metode peramalan menempatkan bobot yang lebih pada data runtun waktu terbaru. Oleh karena itu, jika runtun waktu tidak menunjukkan adanya kenaikan variansi, maka tidak perlu dilakukan transformasi logaritma untuk menstabilkan variansi. Abadir dan Talmain (2005) meneliti tentang metode untuk menghubungkan secara pasti fungsi autokovariansi dari dua transformasi suatu proses runtun waktu. Metode tersebut digunakan pada saat menentukan autokovariansi logaritma dari suatu deret berdasarkan autokovariansi yang sudah diketahui untuk deret asalnya. Freeman dan Modarras (2005) mempertimbangkan efisiensi dan power uji independensi setelah suatu transformasi Box-Cox diterapkan. Di sini diperoleh ekspresi korelasi antar variate-variate setelah suatu transformasi Box-Cox dilakukan. Uji independensi berdasarkan koefisien korelasi Pearson akan lebih efisien jika dilakukan setelah transformasi. Power uji independensi setelah dan sebelum di transformasi Box-Cox dipelajari untuk ukuran sampel berhingga dengan menggunakan simulasi Monte Carlo. Hasilnya menunjukkan bahwa ada kenaikan power tes teori normalitas untuk independensi setelah pengestimasian parameter transformasi dari data. Dari Freeman dan Modarras (2005) sistem transformasi Box-Cox menghasilkan keluarga Power Normal (PN), yang mempunyai anggota di dalamnya distribusi Normal dan Lognormal. Di sini dipelajari momen dari PN dan ekspresi untuk mean dan variansinya. Polinomial Hermit-Chebychev digunakan untuk menunjukkan bahwa koefisien korelasi lebih kecil dalam skala PN dari pada skala original. Dengan mengunakan batas-batas Frechet diperoleh ekspresi untuk batas atas dan bawah dari koefisien korelasi. Hwang dkk (2004) menerapkan transformasi Box-Cox pada threshold GARCH(1,1). Pada model ini mengakomodasi asimetrik pada variansi bersyarat melalui "threshold". Jiazhu dkk (2008) mempertimbangkan suatu klas dari power transformasi dan model threshold GARCH(p,q), yang merupakan generalisasi dari power
9 9 transformasi dan model threshold GARCH(1,1). Liu dan Ji-Chun (2007) menangkap karakteristik dinamik yang penting yaitu: asimetrik dan conditional heteroskedastic berdasarkan pada model Hwang & Basawa dan Haas. Liu dan Ji-Chun memperkenalkan suatu model Markov Switching Box-Cox transformed threshold GARCH dan beberapa sifat struktural proses GARCH baru diperoleh. Pertama, kondisi cukup dan perlu adanya penyelesaian stasioner secara lemah dan kuat dari proses GARCH baru diperoleh. Kedua, diperoleh kondisi umum adanya momen orde tinggi dari proses ini. Teknik yang digunakan untuk stasioner lemah dan momen orde tinggi dari proses GARCH baru berbeda dari Hwang dan Basawa (2004) dan menghindari asumsi bahwa proses berawal pada waktu lampau dengan variansi berhingga Sistematika Penulisan Disertasi ini disajikan dalam 5 (lima) bab. Bab I tentang pendahuluan yang memaparkan: latar belakang masalah, perumusan masalah, tujuan penelitian, manfaat penelitian, keaslian penelitian, tinjauan pustaka, dan sistematika penulisan. Bab II berisi tentang teori-teori dasar yang akan digunakan, diantaranya: pengertian konvergensi,teori asimtotik,teorema Limit Pusat, Ruang Metrik, Topologi R n, Matriks, proses runtun waktu, dan teori Ergodisitas dalam runtun waktu. Inti tulisan akan disampaikan dalam Bab III dan Bab VI. Dalam Bab III akan tentang beberapa metode estimasi untuk model ARCH serta kelebihan dan kekurangan estimator. Bab IV berisi tentang simulasi yang bertujuan untuk meyakinkan teori yang sudah dihasilkan pada bab sebelumnya dan contoh studi kasus. Kesimpulan dari hasil peneitian dan saran diberikan pada Bab V.
BAB 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 I PENDAHULUAN. Perkembangan ilmu pengetahuan dan teknologi saat ini berkembang pesat.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan dan teknologi saat ini berkembang pesat. Hal ini mendorong manusia untuk terus berupaya memanfaatkan kemajuan teknologi di antaranya diwujudkan
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 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 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 I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Investasi berkaitan dengan penempatan dana ke dalam bentuk aset yang lain selama periode tertentu dengan harapan tertentu. Aset yang menjadi objek investasi seseorang
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 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 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 terperinciBAB I PENDAHULUAN. satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data time series merupakan serangkaian data pengamatan yang berasal dari satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan interval
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 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 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
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 terperinciSuma Suci Sholihah, Heni Kusdarwati, Rahma Fitriani. Jurusan Matematika, F.MIPA, Universitas Brawijaya
PEMODELAN RETURN IHSG PERIODE 15 SEPTEMBER 1998 13 SEPTEMBER 2013 MENGGUNAKAN THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (TGARCH(1,1)) DENGAN DUA THRESHOLD Suma Suci Sholihah,
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 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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala
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
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kota Medan merupakan ibukota Provinsi Sumatera Utara dan menjadi kota terbesar nomor 3 (tiga) di Indonesia setelah Jakarta dan Surabaya. Selain sebagai kota
Lebih terperinciPROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2013 ISBN:
METODE PERAMALAN MENGGUNAKAN MODEL VOLATILITAS ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR Cindy Wahyu Elvitra 1, Budi Warsito 2, Abdul
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Esti Pertiwi, 2013
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan salah satu kebutuhan yang sangat penting bagi kehidupan manusia, terutama sebagai salah satu faktor dalam pengambilan keputusan. Peramalan biasanya
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 151-160 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI CURAH HUJAN EKSTREM DI KOTA SEMARANG MENGGUNAKAN
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 terperinciPEMODELAN RETURN PORTOFOLIO SAHAM MENGGUNAKAN METODE GARCH ASIMETRIS. Keywords: Stocks, Portfolio, Return, Volatility, Asymmetric GARCH.
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 51-60 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN RETURN PORTOFOLIO SAHAM MENGGUNAKAN METODE GARCH ASIMETRIS
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 terperinciPEMODELAN KURS MATA UANG RUPIAH TERHADAP DOLLAR AMERIKA MENGGUNAKAN METODE GARCH ASIMETRIS
PEMODELAN KURS MATA UANG RUPIAH TERHADAP DOLLAR AMERIKA MENGGUNAKAN METODE GARCH ASIMETRIS SKRIPSI Disusun Oleh : ULFAH SULISTYOWATI 24010210120052 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciPEMODELAN RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (TGARCH)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 465-474 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN THRESHOLD
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 terperinciPEMODELAN RETURN SAHAM PERBANKAN MENGGUNAKAN EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (EGARCH)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2016, Halaman 91-99 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN RETURN SAHAM PERBANKAN MENGGUNAKAN EXPONENTIAL GENERALIZED
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 705-715 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN DAN PERAMALAN VOLATILITAS PADA RETURN SAHAM BANK BUKOPIN
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 terperinciPENERAPAN MODEL EGARCH-M DALAM PERAMALAN NILAI HARGA SAHAM DAN PENGUKURAN VALUE AT RISK (VAR)
PENERAPAN MODEL EGARCH-M DALAM PERAMALAN NILAI HARGA SAHAM DAN PENGUKURAN VALUE AT RISK (VAR) Oleh: Julianto (1) Entit Puspita (2) Fitriani Agustina (2) ABSTRAK Dalam melakukan investasi dalam saham, investor
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
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 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 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 I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Pemodelan data keuangan mengalami perkembangan yang cukup pesat terlebih karena kemajuan teknologi dan informasi yang memungkinkan pencatatan data
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH
PERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH Universitas Negeri Malang E-mail: abiyaniprisca@ymail.com Abstrak: Penelitian ini bertujuan untuk mengetahui model peramalan terbaik dari data
Lebih terperinciMA6281 Topik Statistika IV: Analisis Deret Waktu Keuangan
MA6281 Topik Statistika IV: Analisis Deret Waktu Keuangan Referensi: Taylor (2008), Modeling Financial Time Series Tsay (2005), Analysis of Financial Time Series Silabus: Return, volatilitas dan distribusi
Lebih terperinciUNNES Journal of Mathematics
UJM 5 (2) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN TAKSIRAN VALUE AT RISK DENGAN PROGRAM R DAN MATLAB DALAM ANALISIS INVESTASI SAHAM MENGGUNAKAN METODE
Lebih terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Abstract
Estimasi Parameter (Mika Asrini) ESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Mika Asrini 1, Winita Sulandari 2, Santoso Budi Wiyono 3 1 Mahasiswa
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam berinvestasi ada tiga hal yang perlu diperhatikan oleh investor, yaitu capital (modal), objective (objektif), dan risk (risiko).hal yang sering menjadi
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
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 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 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 terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 655-662 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
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 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 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 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 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 terperinciBAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER
21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan
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 terperinciBAB III ANALISIS SPEKTRAL PADA RUNTUN WAKTU MODEL ARIMA. Analisis spektral adalah metode yang menggambarkan kecendrungan osilasi
BAB III ANALISIS SPEKTRAL PADA RUNTUN WAKTU MODEL ARIMA Analisis spektral adalah metode yang menggambarkan kecendrungan osilasi atau getaran dari sebuah data pada frekuensi tertentu. Analisis spektral
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
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 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 terperinciPemodelan Data Time Series Garch(1,1) Untuk Pasar Saham Indonesia. Time Series With GARCH(1,1) Model for Indonesian Stock Markets
Pemodelan Data Time Series Garch(1,1) Untuk Pasar Saham Indonesia Time Series With GARCH(1,1) Model for Indonesian Stock Markets Elfa Rafulta 1), Roni Tri Putra 2) 1) Jurusan Pendidikan Matematika, STKIP
Lebih terperinciPENGANTAR ANALISA RUNTUN WAKTU
DIKTAT KULIAH PENGANTAR ANALISA RUNTUN WAKTU Dr.rer.nat. Dedi Rosadi, M.Sc.Eng.Math. Email: dedirosadi@ugm.ac.id http://dedirosadi.staff.ugm.ac.id Program Studi Statistika Fakultas Matematika dan Ilmu
Lebih terperinciPERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK
PERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK Reza Mubarak ) dan Suhartono ) ) Program Pasca Sarjana Jurusan Statistika, Institut
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 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
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 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 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 terperinciSKRIPSI. Disusun Oleh : OKTAFIANI WIDYA NINGRUM
PERHITUNGAN VALUE AT RISK PADA PORTOFOLIO SAHAM MENGGUNAKANN COPULA (Studi Kasus : Saham-Saham Perusahaan di Indonesia Periode 13 Oktober 2011-12 Oktober 2016) SKRIPSI Disusun Oleh : OKTAFIANI WIDYA NINGRUM
Lebih terperinci3 Kesimpulan. 4 Daftar Pustaka
Litterman-2. Keuntungan aktual maksimal kedua kinerja Black Litterman ternyata terjadi pada waktu yang sama yaitu tanggal 19 Februari 2013. Secara umum dapat dinyatakan bahwa pembentukan portofolio dengan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Analisis Harga Saham Saham merupakan surat berharga yang menunjukkan bukti kepemilikan terhadap suatu perusahaan berbentuk Perseroan Terbatas. Perusahaan yang telah menerbitkan
Lebih terperinciBAB I PENDAHULUAN. Tujuan akhir dari kebijakan makroekonomi adalah stabilitas harga yang menciptakan
BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan akhir dari kebijakan makroekonomi adalah stabilitas harga yang menciptakan pertumbuhan ekonomi yang berkesinambungan. Pertumbuhan ekonomi yang berkesinambungan
Lebih terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 771-780 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling, 2001:
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 1 PENDAHULUAN. adalah di bidang ekonometrika. Ekonometrika merupakan bidang ilmu ekonomi yang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Statistika bisa diterapkan di berbagai bidang. Salah satu contoh penerapannya adalah di bidang ekonometrika. Ekonometrika merupakan bidang ilmu ekonomi yang menganalisis
Lebih terperinciPADA PORTOFOLIO SAHAM
PERBANDINGAN PENDEKATAN GENERALIZED EXTREME VALUE DAN GENERALIZED PARETO DISTRIBUTION UNTUK PERHITUNGAN VALUE AT RISK PADA PORTOFOLIO SAHAM SKRIPSI Disusun oleh: AYU AMBARSARI 24010212140079 DEPARTEMEN
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 terperinciProsiding Seminar Nasional MIPA 2016
Peramalan Jumlah Penumpang Kereta Api Lodaya Jurusan Bandung-Solo Menggunakan Model Reg-ARIMA Dengan Variasi Kalender (Studi Kasus: PT. Kereta Api Indonesia) Dyah Puspita Sari*, Gumgum Darmawan, Soemartini
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 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 terperinciBAB III METODE DEKOMPOSISI X-11-ARIMA. Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat.
BAB III METODE DEKOMPOSISI X-11-ARIMA 3.1 Pendahuluan Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat. Metode Cencus II memiliki beberapa jenis metode dan perbaikan sejak metode pertama
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan teknologi dan informasi menyebabkan pemodelan pada data keuangan mengalami perkembangan yang cukup pesat. Sistem elektronik dalam perdagangan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Investasi pada hakekatnya merupakan penempatan sejumlah uang atau dana yang dilakukan pada saat ini dengan harapan memperoleh keuntungan di masa mendatang (Halim,
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciBAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciSeminar Hasil. Disusun oleh: Inayatus Sholichah. Dosen Pembimbing: Dra. Destri Susilaningrum, M.Si Dr. Suhartono, M.Sc
Seminar Hasil Analisis Volatilitas dan Value at Risk pada Saham Blue Chip dengan Metode ARCH- GARCH. Disusun oleh: Inayatus Sholichah Dosen Pembimbing: Dra. Destri Susilaningrum, M.Si Dr. Suhartono, M.Sc
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Probabilitas dan statistika, matematika fuzzy dan grey system theory merupakan tiga teori dan metode yang paling banyak diaplikasikan dalam penelitian dari sistem
Lebih terperinciPeramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins
Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Ari Pani Desvina 1, Melina Anggriani 2,2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. HR.
Lebih terperinciEKONOMETRI TIME SERIES SANJOYO
EKONOMETRI TIME SERIES SANJOYO TOPIK - TOPIK 1. Pengertian Dasar 2. Pengujian Stasioneritas 3. ARMA & ARIMA 4. ARCH & GARCH 5. VAR 6. COINTEGRATION & ECM 7. SIMULTAN EQUATION ARMA & ARIMA(1) Metodologi
Lebih terperinciPEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH
PEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH BUNGA LETY MARVILLIA Matematika, Fakultas Ilmu Pengetahuan Alam, UNESA Jl. Ketintang villy_cute_7@yahoo.com 1, raywhite_vbm@gmail.com
Lebih terperinci