BAB II LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB II LANDASAN TEORI"

Transkripsi

1 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 pada data inflasi Inggris 1958 sampai Penelitian ini menunjukkan bahwa maximum likelihood estimator (MLE) mempunyai iterasi yang sederhana sehingga maximum likelihood estimator (MLE) lebih baik daripada model klasik ordinary least square (OLS) dalam mengestimasi parameter. Bollerslev [1] melakukan penelitian pada data GNP Amerika Serikat tahun 1948 sampai 1983 dengan menerapkan model generalized autoregressive conditional heteroskedasticity (GARCH) yang merupakan generalisasi dari model ARCH dengan melibatkan variansi masa lalu. Penelitian ini menunjukkan bahwa model GARCH(1,1) lebih baik dari model ARCH(8). Nelson [17] memperkenalkan model exponential generalized autoregressive conditional heteroskedasticity (EGARCH) yang diterapkan pada data premium resiko nilai pembobot pasar indeks CRSP di Amerika Serikat dari periode Juli 1962 sampai dengan Desember Hamilton [9] memperkenalkan model yang dapat menangani perubahan struktur yaitu model Markov switching (MS) yang diterapkan pada data gross national product (GNP). Selanjutnya Hamilton dan Susmel [10] mengkombinasikan model Markov switching (MS) dengan model ARCH yang dikenal dengan SWARCH. Model tersebut diterapkan dalam data harga saham New York 31 Juli 1962 sampai dengan 29 Desember Model SWARCH mampu mendeskripsikan pergeseran volatilitas dari harga saham dengan baik. Gray [8] menerapkan model MS-GARCH pada data suku bunga Amerika Serikat periode Januari 1970 sampai dengan April Hasilnya menunjukkan bahwa model MS-GARCH lebih mudah dalam menaksir parameter karena mempunyai parameter yang sederhana. Henry [12] memperkenalkan model MS-EGARCH 5

2 untuk meneliti hubungan antara suku bunga jangka pendek dan pengambilan ekuitas Inggris. Beberapa penelitian mengenai krisis keuangan telah dilakukan, Kaminsky et al. [14] telah melakukan sistem deteksi dini (early warning system) dengan metode pendekatan sinyal yaitu melakukan pemantauan perilaku beberapa indikator dan merekam sinyal dari indikator tersebut. Suatu indikator akan mengeluarkan sinyal jika indikator tersebut bergerak melewati batas ambang. Penelitian tersebut menunjukkan bahwa indikator-indikator tersebut mempengaruhi sinyal yang menunjukkan probabilitas terjadinya krisis. Menurut penelitian yang dilakukan Kaminsky et al. [14] persentase M2 multiplier dalam memberikan sinyal yang baik sebesar 15,28%, dan memiliki rasio pengganggu sinyal sebesar 0,6, semakin rendah nilai rasio pengganggu sinyal maka semakin baik suatu indikator dalam mendeteksi sinyal. Wahyudi et al. [22] melakukan penelitian untuk menyelidiki gerakan di pasar modal ASEAN untuk membangun sistem peringatan dini yang bertujuan untuk menemukan kemungkinan terjadinya krisis di masa depan. Cerra dan Saxena [3] melakukan studi kasus mengenai krisis keuangan yang terjadi di Asia menggunakan model Markov switching. Penelitian menunjukkan bahwa tekanan kurs di Thailand dan Korea membantu memprediksikan tekanan kurs di Indonesia. Chang et al. [4] menerapkan model SWARCH untuk meneliti dampak krisis keuangan global pada harga saham dan nilai tukar mata uang asing di Korea. Hasil penelitiannya menunjukkan bahwa model volatilitas yang terjadi dapat dimodelkan menggunakan model SWARCH Krisis Keuangan Tahun 1997 dan Tahun 2008 Menurut Tjahjono [20], terdapat 2 faktor yang menyebabkan terjadinya krisis keuangan yaitu faktor fundamental ekonomi dan faktor efek penularan. Berdasarkan faktor fundamental, krisis keuangan terjadi menjelang terjadinya overheating di kawasan Asia. Sedangkan faktor efek penularan terjadi karena serangan mata uang dari suatu negara yang mempengaruhi pelaku pasar untuk melakukan serangan terhadap mata commit uang negara to user lain. 6

3 Krisis keuangan di Indonesia pada tahun 1997 berasal dari krisis keuangan di Asia yang merambat ke negara-negara lain salah satunya Indonesia. Menurut Kementerian Keuangan [15], krisis keuangan di Indonesia pada tahun 2008 disebabkan karena terjadinya krisis Subprime Mortgage di Amerika Serikat. Subprime Mortgage adalah jenis kredit perumahan yang ditawarkan kepada para individu yang memiliki risiko paling tinggi. Krisis Subprime Mortgage cepat menyebar ke berbagai sektor perekonomian Amerika Serikat yang menyebabkan peningkatan pertumbuhan ekonomi Amerika Serikat sebesar 0,34% pada tahun Krisis yang terjadi menyebabkan pertumbuhan ekonomi dunia mengalami perlambatan dari 5,42% pada tahun 2007 menjadi 2,8% pada tahun Hal ini berimbas pada beberapa negara Emerging Market termasuk Indonesia M2 Multiplier Menurut Tjahjono [20], M2 multiplier merupakan rasio antara uang beredar dalam arti luas (M2) dengan uang primer yang ada di Bank Sentral. Uang primer terdiri dari uang kartal yang diedarkan, saldo giro positif bank umum pada Bank Indonesia (BI), giro sektor swasta di Bank Indonesia (BI) serta SBI dan SDBI yang digunakan dalam rangka pemenuhan Giro Wajib Minimum (GWM) sekunder. SBI merupakan surat berharga dalam mata uang rupiah yang diterbitkan oleh Bank Indonesia (BI) sebagai pengakuan utang berjangka waktu pendek. SDBI merupakan surat berharga dalam mata uang rupiah yang diterbitkan oleh Bank Indonesia (BI) sebagai pengakuan utang berjangka waktu pendek yang dapat diperdagangkan hanya antar bank. Angka M2 multiplier yang besar menunjukkan bahwa kegiatan perekonomian berjalan dengan cepat yang berarti pertumbuhan ekonomi akan semakin meningkat sehingga mendorong terjadi peningkatan harga dan peningkatan permintaan uang. Hal ini memberikan dampak yang negatif bagi pengendalian moneter karena M2 multiplier tidak dapat lagi sepenuhnya dikendalikan karena lebih banyak dipengaruhi sisi permintaan. Angka M2 multiplier yang terlalu tinggi perlu diwaspadai karena dapat menyebabkan kejatuhan bank-bank yang mendorong commit timbulnya to user krisis keuangan. 7

4 2.1.3 Konsep Dasar Time Series Data runtun waktu (time series) adalah data yang diamati dan dicatat berdasarkan urutan waktu. Menurut Hanke dan Wichern [11], terdapat 4 tipe pola data dalam runtun waktu, yaitu a. Pola data horizontal Pola data horizontal terjadi ketika data observasi berfluktuasi di sekitaran suatu nilai konstan atau rata-rata (mean) yang membentuk garis horizontal. b. Pola data tren Pola data tren terjadi ketika data observasi mengalami kenaikan atau penurunan selama periode jangka panjang. c. Pola data musiman Pola data musiman terjadi ketika data mempunyai pola yang berulang dari periode satu ke periode berikutnya. d. Pola data siklis Pola data siklis terjadi ketika data dipengaruhi oleh fluktuasi ekonomi jangka panjang Uji Stasioneritas Data finansial cenderung tidak stasioner karena datanya berfluktuasi dari waktu ke waktu. Sedangkan untuk membentuk model volatilitas terdapat persyaratan agar variabel yang digunakan dalam model adalah stasioner. Uji stasioneritas data dapat menggunakan uji unit root yaitu Dickey Fuller (DF) atau augmented Dickey Fuller (ADF). Augmented Dickey Fuller (ADF) merupakan pengembangan dari Dickey Fuller (DF). Menurut Tsay [21], hipotesis uji stasioneritas adalah : (data mengandung unit root) : (data tidak mengandung unit root). Statistik uji dari uji stasioneritas adalah commit to user 8

5 dengan, adalah jumlah data dan adalah pengamatan ke. Jika dilihat dari nilai probabilitasnya, ditolak jika nilai < tabel Mackinnon atau p- value Log Return Kebanyakan data finansial melibatkan return, bukan melibatkan harga. Oleh karena itu return sangatlah diperhatikan dalam data finansial. Return adalah tingkat pengembalian hasil dari suatu investasi. Data finansial memperhatikan return karena bagi investor, aset return adalah ringkasan lengkap dari peluang investasi dan return lebih mudah ditangani. Menurut Tsay [21], return dapat dituliskan. Jika data belum stasioner maka perlu melakukan log return. Log return merupakan transformasi yang digunakan agar data stasioner di dalam rata-rata dan variansi. Menurut Tsay [21], rumus dari log return yaitu dengan adalah log return pada waktu ke, adalah return, adalah data pada waktu ke dan adalah data pada waktu ke Karakteristik Log Return Data yang berfluktuasi dari waktu ke waktu mengakibatkan terjadinya volatilitas dalam data tersebut. Volatilitas adalah variansi bersyarat dari suatu data relatif terhadap waktu. Volatilitas dapat digambarkan dengan suatu data yang cenderung berfluktuasi secara cepat dari waktu ke waktu yang menyebabkan variansi dari eror-nya berubah setiap waktu sehingga menimbulkan efek heteroskedastisitas pada data. Karakteristik log return ditandai dengan adanya volatility clustering. Volatility clustering yaitu berkumpulnya sekelompok aset return yang bernilai besar kemudian diikuti sekelompok aset return yang bernilai kecil. 9

6 2.1.7 Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) Menurut Bollerslev [1], penggunaan autocorrelation function (ACF) dan partial autocorrelation function (PACF) yaitu untuk mengidentifikasi model autoregressive moving average (ARMA). Partial autocorrelation function (PACF) merupakan suatu autokorelasi yang digunakan untuk menentukan orde pada model (Tsay [21]). Menurut Tsay [21], jika terdapat ketergantungan linear antara dengan, maka korelasi yang digunakan adalah autokorelasi yang dinamakan autokorelasi lag- yang didefinisikan dengan sifat,, dan. Di samping itu, return tidak berkorelasi jika dan hanya jika untuk semua. Kemudian untuk lag-1, autokorelasi dari adalah Sehingga autokorelasi dari untuk lag- adalah dengan merupakan rata-rata sampel yang dirumuskan Menurut Cryer [6], autokorelasi parsial antara dan adalah korelasi antara dan setelah hubungan linearnya dengan diabaikan yang dirumuskan dengan adalah fungsi autokorelasi parsial (PACF). 10

7 2.1.8 Model ARMA Model yang digunakan untuk data runtun waktu yang stasioner adalah autoregressive moving average (ARMA). Model ARMA merupakan model gabungan dari model AR(p) dan MA(q) dengan p dan q adalah orde dari masingmasing model AR dan MA. Menurut Tsay [21], model AR(p) didefinisikan dengan merupakan parameter model AR, merupakan residu model AR pada waktu ke-t dan. Sedangkan model MA(q) didefinisikan dengan merupakan parameter model MA, merupakan residu model MA pada waktu ke-t dan. Identifikasi model ARMA dapat dilihat berdasarkan plot ACF dan PACF. Ciri-ciri plot ACF dan PACF model ARMA dapat dilihat pada Tabel 2.1. Tabel 2.1. Ciri-Ciri Plot ACF dan PACF Model ARMA ACF PACF AR(p) Turun secara eksponensial Terpotong setelah lag ke-p MA(q) Terpotong setelah lag ke-q Turun secara eksponensial ARMA(p,q) Terpotong setelah lag ke-(q,p) Terpotong setelah lag ke-(q,p) Menurut Tsay [21], model ARMA(p,q) dituliskan dengan adalah log return pada waktu ke, adalah parameter model AR(p), adalah parameter model MA(q) dan merupakan residu pada waktu ke Estimasi Parameter Model ARMA Menurut Cryer [6], untuk mengestimasi parameter model ARMA(p,q) dapat digunakan metode kuadrat terkecil dengan cara meminimumkan jumlah kuadrat residu. Jumlah kuadrat residu dapat dinotasikan (2.1) dengan adalah residu model ARMA. Model ARMA(p,q) dapat dituliskan kembali yaitu 11

8 Nilai fungsi pada persamaan (2.1) diturunkan pertama terhadap dan yang kemudian disamadengankan nol untuk mencari estimasi parameter dan. Misal model ARMA(1,1) didefinisikan (2.2) Berdasarkan persamaan (2.2), diperoleh persamaan residual sebagai berikut (2.3) maka berdasarkan persamaan (2.1) dan (2.3) diperoleh (2.4) Setelah itu, untuk mencari estimasi yaitu dengan menurunkan persamaan (2.4) terhadap sehingga diperoleh (2.5) Langkah selanjutnya yaitu menyamadengankan nol persamaan (2.5) sehingga diperoleh 12

9 Estimasi dapat dilakukan dengan menurunkan persamaan (2.4) terhadap sehingga diperoleh (2.6) Langkah selanjutnya yaitu menyamadengankan nol persamaan (2.6) sehingga diperoleh Kriteria Informasi Pemilihan model terbaik dari beberapa model dapat digunakan kriteria informasi berdasarkan nilai akaike info criterion (AIC) dan schwarz criterion (SC). Menurut Tsay [21], rumus akaike info criterion (AIC) adalah, sedangkan rumus schwarz criterion (SC) adalah dengan adalah fungsi log likelihood, adalah banyaknya parameter dan T adalah banyak pengamatan. Model terbaik adalah model yang mempunyai nilai akaike info criterion (AIC) dan schwarz criterion (SC) terkecil., 13

10 Uji Diagnostik Model Model dikatakan baik apabila memenuhi uji yang menyebabkan model tersebut dapat digunakan, uji-uji tersebut disebut uji diagnostik model. Setelah menentukan model terbaik dengan membandingkan nilai AIC dan SC, maka selanjutnya melakukan uji diagnostik model. A. Uji Non Autokorelasi Suatu model dikatakan baik apabila residunya tidak berautokeralasi. Suatu uji statistik diperlukan untuk mengetahui adanya autokorelasi. Menurut Tsay [21], untuk menguji autokorelasi dapat menggunakan uji Ljung-Box. Hipotesis uji non autokorelasi yaitu : (tidak terdapat autokorelasi di dalam residu sampai lag-m) : paling sedikit terdapat satu (paling tidak terdapat autokorelasi di dalam residu pada sebuah lag). Statistik uji Ljung-Box yaitu dengan T adalah jumlah data log return, l adalah lag ke-l, m adalah jumlah lag, dan adalah nilai kuadrat autokorelasi setiap lag. ditolak jika, atau ditolak jika p-value. B. Uji Distribusi Residu Model yang baik adalah model yang memiliki distribusi normal atau simetris. Menurut Tsay [21], skewness dan kurtosis dapat mengukur tingkat kesimetrisan dan ketebalan ekor dari suatu distribusi. Jika nilai skewness adalah nol dan nilai kurtosis adalah tiga, maka dapat dikatakan model tersebut berdistribusi normal. Skewness dan kurtosis dapat dirumuskan 14

11 Menurut Tsay [21], uji Jarque-Bera juga dapat digunakan untuk menguji normalitas dengan hipotesis sebagai berikut. : residu model berdistribusi normal : residu model tidak berdistribusi normal. Statistik uji dari uji Jarque-Bera yaitu dengan adalah log return pada waktu t, adalah rata-rata data log return, T adalah banyaknya data dan adalah standar deviasi data log return, adalah koefisien skewness, dan adalah koefisien kurtosis. ditolak apabila atau p-value. C. Uji Efek Heteroskedastisitas Uji efek heteroskedastisitas dapat dilakukan dengan menggunakan uji pengali Lagrange (Tsay [21]). : (tidak ada efek heteroskedastisitas sampai lag-m) : paling sedikit terdapat satu (paling tidak ada efek heteroskedastisitas pada sebuah lag). Statistik uji pengali Lagrange yaitu dengan T adalah ukuran sampel dan adalah koefisien determinasi. ditolak jika atau ditolak jika p-value Model ARCH Model autoregressive conditional heteroskedasticity (ARCH) merupakan model yang digunakan apabila terdapat efek heteroskedastisitas pada data. Diberikan merupakan residu pada waktu ke t, merupakan suatu proses white noise dengan mean nol dan variansinya satu dan adalah suatu himpunan informasi untuk pada waktu lampau sampai waktu t, maka proses adalah ARCH(m) jika untuk 15

12 (2.7) dengan adalah variansi bersyarat, adalah orde dari ARCH, dan untuk. Menurut Engle [7], model regresi ARCH yaitu (2.8) dengan adalah residu dari proses regresi, adalah rata-rata dari sebagai kombinasi linear dari variabel eksogen dan lagged dependent yang dimuat oleh dan adalah sebuah vektor dari parameter yang tidak diketahui. Oleh karena itu dari persamaan (2.7) dan (2.8) diperoleh vektor parameter yang dinyatakan sebagai adalah Fungsi densitas probabilitas dari berdasarkan asumsi normalitas likelihood pada persamaan (2.10) terhadap parameter dan diperoleh Fungsi log likelihood bersyarat untuk observasi ke-t adalah (2.9) (2.10) Menurut Bollerslev [1], parameter model ARCH dapat diestimasi menggunakan algoritme Berndt, Hall, Hall and Hausman (BHHH). Algoritme BHHH dapat dituliskan (2.11) Langkah pertama yaitu melakukan turunan pertama dari fungsi log 16

13 sehingga Sehingga diperoleh bentuk estimasi parameter menggunakan BHHH yaitu Misal untuk model ARCH(1), maka modelnya yaitu Oleh karena itu, turunan pertama dari persamaan fungsi log likelihood terhadap adalah 17

14 (2.12) dengan dimana Iterasi pada persamaan (2.12) dapat ditulis ke dalam bentuk matriks yaitu dan adalah matriks. Selanjutnya, untuk mengestimasi parameter yaitu dengan melakukan turunan pertama dari fungsi log likelihood pada persamaan (2.10) dan diperoleh Turunan pertama dari fungsi log likelihood terhadap dan yaitu 18

15 adalah Selanjutnya iterasi untuk estimasi parameter menggunakan BHHH dengan dimana (2.13) Iterasi pada persamaan (2.13) dapat ditulis ke dalam bentuk matriks yaitu dan adalah matriks Uji Perubahan Struktur Uji perubahan struktur dapat dilakukan menggunakan uji Chow breakpoint. Menurut Chow [5], hipotesis dari uji Chow breakpoint adalah : tidak terdapat perubahan struktur pada data runtun waktu : terdapat perubahan struktur pada data runtun waktu. Statistik uji yang digunakan adalah 19

16 dengan adalah jumlah residu kuadrat pada sub sampel, adalah jumlah residu kuadrat pada sub sampel, adalah banyaknya observasi sebelum terjadi perubahan struktur, adalah banyaknya observasi setelah terjadi perubahan struktur dan adalah banyaknya parameter. ditolak jika nilai F lebih besar dari nilai F tabel dengan derajat bebas atau ditolak jika p-value Model Markov Switching Model Markov switching (MS) merupakan model untuk data runtun waktu yang mengalami perubahan struktur (Hamilton [9]). Markov switching mengenal adanya state yang merupakan perubahan struktur model yang terjadi tidak dianggap sebagai suatu hasil peristiwa yang diketahui secara pasti (deterministik) tetapi sebagai suatu hasil variabel random tak teramati. Model Markov switching untuk rata-rata bersyaratnya adalah (2.14) dimana mengikuti proses AR(p) dengan rata-rata nol dan adalah rata-rata dalam model Markov switching. Model Markov switching berdasarkan persamaan (2.14) dalam proses runtun waktu dari suatu state dituliskan dengan merupakan variabel yang teramati, adalah rata-rata dalam model Markov switching dan merupakan residu pada waktu ke-t. Jika probabilitas sama dengan nilai tertentu sebesar, untuk dua state atau tiga state yang dependen terhadap nilai masa lalunya hanya berdasarkan nilai yang terkini maka probabilitas transisinya dapat dituliskan 20

17 adalah probabilitas transisi bahwa state akan diikuti oleh state untuk dan untuk dengan asumsi bahwa probabilitas perubahan hanya tergantung pada (Hamilton [7]). Probabilitas transisi untuk (dua state) dapat dituliskan sebagai berikut dengan dan dapat dituliskan ke dalam bentuk matriks yaitu. Selanjutnya probabilitas transisi untuk (dalam tiga state) dapat dituliskan sebagai berikut dengan dan dapat dituliskan ke dalam bentuk matriks yaitu. Gabungan model volatilitas dan Markov switching yang mampu menjelaskan pergeseran volatilitas dan Markov switching yaitu model Markov switching ARCH (SWARCH) Model Markov Switching ARCH (SWARCH) Model Markov switching ARCH (SWARCH) merupakan gabungan model volatilitas ARCH dengan model Markov switching. Menurut Hamilton dan Susmel [10], model SWARCH dapat dituliskan (2.15), (2.16) (2.17) 21

18 adalah rata-rata bersyarat untuk setiap state pada waktu ke t, adalah log return untuk setiap state pada waktu ke t. Parameter model SWARCH dapat diestimasi menggunakan algoritma expected maximum (EM) berdasarkan fungsi maksimum likelihood. Berdasarkan persamaan (2.17), untuk 2 state dan 3 state masing-masing diketahui bahwa dan. Fungsi densitas bersyarat berdasarkan variabel dapat dituliskan Nilai probabilitas untuk state yaitu (2.18), untuk (dua state) (2.19), untuk (tiga state) Berdasarkan persamaan (2.18) dan (2.19) didapatkan fungsi distribusi bersama yaitu (2.20) dengan menjumlahkan persamaan untuk semua kemungkinan nilai j, maka didapatkan fungsi densitas dari untuk dua state yaitu (2.21) Sedangkan fungsi densitas dari untuk tiga state yaitu (2.22) Oleh karena itu didapatkan fungsi log likelihood yaitu (2.23) 22

19 Selanjutnya mencari nilai probabilitas bersyarat dari untuk dua state dengan cara membagi persamaan (2.20) dengan persamaan (2.21) dan (2.22) untuk setiap nilai j. Sedangkan untuk tiga state nilai probabilitas bersyarat dari untuk setiap nilai j yaitu Turunan parsial pertama dari fungsi log likelihood terhadap vektor parameter populasi dapat dituliskan Selanjutnya turunan parsial pertama dari fungsi densitas pada persamaan (2.21) dan (2.22) terhadap dan adalah Berdasarkan persamaan (2.23) diperoleh turunan parsial pertama dari fungsi log likelihood terhadap dan yang dapat dituliskan 23

20 Selanjutnya untuk mencari estimasi dan yaitu dengan menyamadengankan nol dari turunan parsial pertama fungsi log likelihood terhadap dan sehingga diperoleh (2.24) (2.25) Hasil estimasi dan masih mengandung parameter, sehingga untuk menghilangkan parameter digunakan algoritma expected maximum (EM), yang menotasikan sebagai nilai awal. Nilai digunakan untuk menghitung nilai probabilitas dengan mengganti dengan sehingga akan diperoleh estimasi baru yang dinotasikan. Selanjutnya hasil estimasi akan digunakan untuk menghitung nilai probabilitas dan menghitung nilai pada ruas kanan persamaan (2.24) dan persamaan (2.25) sehingga diperoleh estimasi baru yang dinotasikan. Iterasi akan berhenti jika selisih antara dan lebih kecil dari kriteria kekonvergenannya Filtered Probabilities Filtered probabilities merupakan probabilitas terjadinya masing-masing state. Nilai filtered probabilities digunakan untuk mendeteksi sinyal krisis pada model pendekatan Markov switching. Menurut Hamilton [9], basic filter mempunyai input berasal dari probabilitas bersyarat bersama dan mempunyai output Filtered probabilities untuk dua state dalam kondisi stabil dapat dituliskan dengan 24

21 dimana telah diketahui bahwa Selanjutnya filtered probabilities untuk dua state dalam kondisi volatil disebut inferred probabilities yang dapat dituliskan dengan merupakan kondisi volatil dan merupakan saat kondisi stabil. Jika filtered probabilities menunjukkan nilai probabilitas lebih dari 0,5 maka diindikasikan bahwa periode-periode tersebut memiliki kondisi volatil yang mengakibatkan rawan terjadinya krisis (Kim dan Nelson [16]). Sinyal krisis ini dapat dilihat dari inferred probabilities sebagai berikut Filtered probabilities untuk tiga state dalam kondisi volatilitas rendah dapat dituliskan dengan 25

22 dan telah diketahui bahwa Selanjutnya filtered probabilities untuk tiga state dalam kondisi volatilitas sedang dapat dituliskan dengan 26

23 dan telah diketahui bahwa Selanjutnya nilai inferred probabilities untuk tiga state dapat dituliskan Hermosillo dan Hesse [13] menyatakan bahwa suatu data dikatakan memiliki kondisi volatilitas rendah apabila nilai filtered probabilities lebih kecil dari 0,4. Data dikatakan memiliki kondisi volatilitas sedang apabila nilai filtered probabilities berada di antara 0,4 dan 0,6. Sedangkan data dikatakan memiliki kondisi volatilitas tinggi apabila nilai filtered probabilities lebih dari 0,6 sehingga jika data tersebut memiliki kondisi volatilitas tinggi maka rawan terjadinya krisis. 2.2 Kerangka Pemikiran Data M2 multiplier merupakan salah satu data runtun waktu yang dapat mendeteksi adanya krisis keuangan. Data tersebut tidak stasioner karena berfluktuasi dari waktu ke waktu sehingga perlu dilakukan transformasi agar data tersebut stasioner, dalam hal ini transformasi yang digunakan adalah log return. Model yang digunakan untuk data yang stasioner adalah model ARMA. Akan tetapi, data M2 multiplier mempunyai efek heteroskedasitistas. Oleh karena itu diperlukan suatu model yang dapat menangkap efek heteroskedastisitasnya yaitu model volatilitas yang meliputi model ARCH, GARCH, atau EGARCH. 27

24 Perubahan struktur yang terdapat dalam data M2 multiplier menyebabkan model volatilitas kurang tepat digunakan karena model volatilitas tidak dapat memperhitungkan adanya perubahan struktur. Model data runtun waktu yang dapat memperhitungkan adanya perubahan struktur yaitu model Markov switching (MS) yang selanjutnya digabungkan dengan model volatilitasnya sehingga model yang digunakan salah satunya yaitu model SWARCH. Sinyal terjadinya krisis dapat dideteksi dari periode yang mengalami perubahan struktur dan memiliki nilai filtered probabilities yang tinggi. 28

BAB II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji

BAB 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 terperinci

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 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 terperinci

PEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH. Retno Hestiningtyas dan Winita Sulandari, M.Si. Jurusan Matematika FMIPA UNS

PEMODELAN 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 terperinci

PENDETEKSIAN 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 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 terperinci

Meganisa Setianingrum, Sugiyanto, Etik Zukhronah Prodi Matematika Fakultas Matematika dan Ilmu pengetahuan Alam Universitas Sebelas Maret Surakarta

Meganisa 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 terperinci

III. METODOLOGI PENELITIAN

III. 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 terperinci

BAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa

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 terperinci

PENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING

PENERAPAN 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 terperinci

BAB I PENDAHULUAN. penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan

BAB 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 terperinci

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 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 terperinci

BAB IV METODE PENELITIAN

BAB 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 terperinci

PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR PERTUMBUHAN KREDIT DOMESTIK

PENDETEKSIAN 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 terperinci

BAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah

BAB 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 terperinci

PENDETEKSIAN 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 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 terperinci

GABUNGAN 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 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 terperinci

Anis Nur Aini, Sugiyanto, dan Siswanto Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta

Anis 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 terperinci

PENDETEKSIAN 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) 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 terperinci

MOTTO. Man Jadda Wajada Allah tidak akan mengubah nasib suatu kaum sampai kaum itu mengubah nasib mereka sendiri -QS Al-Anfal (8): 53

MOTTO. 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

BAB III METODE PENELITIAN. 3.1 Unit Analisis dan Ruang Lingkup Penelitian. yang berupa data deret waktu harga saham, yaitu data harian harga saham

BAB 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 terperinci

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang

TINJAUAN 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 terperinci

PENDETEKSIAN 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 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 terperinci

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015

METODE 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 terperinci

BAB III METODE PENELITIAN

BAB 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 terperinci

PEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY

PEMODELAN 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 terperinci

BAB III THRESHOLD AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICTY (TARCH) Proses TARCH merupakan modifikasi dari model ARCH dan GARCH.

BAB 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 terperinci

BAB III NONLINEAR GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (N-GARCH)

BAB 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 terperinci

BAB I PENDAHULUAN. untuk menjual, menahan, atau membeli saham dengan menggunakan indeks

BAB 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 terperinci

SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n

SBAB 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 terperinci

PEMODELAN TINGKAT INFLASI INDONESIA MENGGUNAKAN MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY

PEMODELAN 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 terperinci

PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR

PENGGUNAAN 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 terperinci

PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.

PENENTUAN 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 terperinci

ABSTRAK. Kata kunci: krisis perbankan, bank deposits, SWARCH, dua state, tiga state. iii

ABSTRAK. 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 terperinci

IV. METODE PENELITIAN

IV. 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 terperinci

MODEL 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 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 terperinci

Jurnal Jilid 7, No. 2, 2017, Hal ISSN

Jurnal 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 terperinci

BAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation

BAB 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 terperinci

PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH

PERAMALAN 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 terperinci

METODE PENELITIAN. deposito berjangka terhadap suku bunga LIBOR, suku bunga SBI, dan inflasi

METODE PENELITIAN. deposito berjangka terhadap suku bunga LIBOR, suku bunga SBI, dan inflasi III. METODE PENELITIAN Variabel-variabel yang digunakan dalam penelitian ini adalah tingkat suku bunga deposito berjangka terhadap suku bunga LIBOR, suku bunga SBI, dan inflasi pada bank umum di Indonesia.

Lebih terperinci

METODE PENELITIAN. A. Variabel Penelitian dan Definisi Operasional. Dalam penelitian ini variabel terikat (dependent variabel) yang digunakan adalah

METODE PENELITIAN. A. Variabel Penelitian dan Definisi Operasional. Dalam penelitian ini variabel terikat (dependent variabel) yang digunakan adalah III. METODE PENELITIAN A. Variabel Penelitian dan Definisi Operasional 1. Variabel Penelitian Dalam penelitian ini variabel terikat (dependent variabel) yang digunakan adalah nilai tukar rupiah, sedangkan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah

BAB 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 terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 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 terperinci

BAB III METODE PENELITIAN

BAB 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 terperinci

PERBANDINGAN 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 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 terperinci

Ratri Oktaviani, Sugiyanto, dan Yuliana Susanti Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret

Ratri 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 terperinci

BAB III ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (APARCH) Asymmetric Power Autoregressive Conditional Heteroscedasticity

BAB 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 terperinci

BAB I PENDAHULUAN. Perilaku dari harga suatu aset finansial dapat dilihat dari dua parameter,

BAB 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 terperinci

BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN BAB IV METODE PENELITIAN 4.1. Desain Penelitian Metode yang diterapkan dalam penelitian ini yaitu desain kuantitatif, konklusif, eksperimental dan deskriptif. Metode deskriptif bertujuan untuk membuat

Lebih terperinci

PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH

PERBANDINGAN 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 terperinci

Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah

Pemodelan 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 terperinci

MODEL NILAI TUKAR DOLAR KANADA TERHADAP RUPIAH MENGGUNAKAN MARKOV SWITCHING GARCH

MODEL NILAI TUKAR DOLAR KANADA TERHADAP RUPIAH MENGGUNAKAN MARKOV SWITCHING GARCH MODEL NILAI TUKAR DOLAR KANADA TERHADAP RUPIAH MENGGUNAKAN MARKOV SWITCHING GARCH oleh YUNITA EKASARI NIM. M0108072 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana

Lebih terperinci

PERHITUNGAN 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 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 terperinci

BAB III METODE PENELITIAN

BAB 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 terperinci

LULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI

LULIK 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 terperinci

Metode Peramalan dengan Menggunakan Model Volatilitas Asymmetric Power ARCH (APARCH)

Metode 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 terperinci

TEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari Indonesia Tbk)

TEKNIK 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 terperinci

PEMODELAN MARKOV SWITCHING AUTOREGRESSIVE

PEMODELAN 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 terperinci

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya

II. 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 terperinci

PENERAPAN 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) 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 terperinci

BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH

BAB 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 terperinci

PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA

PEMODELAN 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 terperinci

PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M

PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: Nurkhoiriyah 1205100050 Dosen pembimbing: Dra. Nuri Wahyuningsih, M. Kes. Jurusan

Lebih terperinci

BAB I PENDAHULUAN. satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan

BAB 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 terperinci

BAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),

BAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB 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 terperinci

PEMODELAN RETURN SAHAM PERBANKAN MENGGUNAKAN EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (EGARCH)

PEMODELAN 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 terperinci

BAB I PENDAHULUAN. memberikan informasi tentang rata-rata bersyarat pada Y

BAB 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 terperinci

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.

Lebih terperinci

BAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial

BAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi

Lebih terperinci

III. METODE PENELITIAN. Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari

III. 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 terperinci

III. METODE PENELITIAN. Variabel-variabel yang digunakan dalam penelitian Analisis Pengaruh Tingkat

III. METODE PENELITIAN. Variabel-variabel yang digunakan dalam penelitian Analisis Pengaruh Tingkat III. METODE PENELITIAN Variabel-variabel yang digunakan dalam penelitian Analisis Pengaruh Tingkat Suku Bunga Deposito (3 Bulan) Dan Kredit Macet (NPL) Terhadap Loan To Deposit Ratio (LDR) Bank Umum Di

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Populasi Populasi dari penelitian ini adalah perbankan yang go public di Bursa Efek Indonesia (BEI) dan menerbitkan laporan keuangan yang lengkap (Annual Report) pada periode

Lebih terperinci

BAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari

BAB 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 terperinci

BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN BAB IV METODE PENELITIAN 4.1. Jenis Penelitian Penelitian dalam menganalisis volatilitas Indeks Harga Saham Gabungan (IHSG) dan sembilan Indeks Harga Saham Sektoral dengan metode ARCH, GARCH, EGARCH, TGARCH,

Lebih terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

PENENTUAN VALUE AT RISK

PENENTUAN 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 terperinci

Suma Suci Sholihah, Heni Kusdarwati, Rahma Fitriani. Jurusan Matematika, F.MIPA, Universitas Brawijaya

Suma 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 terperinci

III. METODE PENELITIAN. Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang

III. 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 terperinci

PERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (GARCH-M)

PERAMALAN 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 terperinci

MODEL KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR RASIO CADANGAN INTERNASIONAL TERHADAP M2

MODEL 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 terperinci

BAB IV HASIL DAN PEMBAHASAN. (mean), standar deviasi, varian, maksimum, minimum, sum, kurtosis. dan skewness (kemencengan distribusi).

BAB IV HASIL DAN PEMBAHASAN. (mean), standar deviasi, varian, maksimum, minimum, sum, kurtosis. dan skewness (kemencengan distribusi). BAB IV HASIL DAN PEMBAHASAN A. Hasil Penelitian 1. Analisis Deskriptif Menurut Ghozali (2011: 19), statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata (mean),

Lebih terperinci

PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA

PEMODELAN 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 terperinci

BAB III METODE PENELITIAN. tercatat secara sistematis dalam bentuk data runtut waktu (time series data). Data

BAB 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 terperinci

ISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:

ISSN: 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 terperinci

MENGGUNAKAN METODE GARCH ASIMETRIS

MENGGUNAKAN 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 terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN III. METODE PENELITIAN A. Data dan Sumber Data 1. Data Variabel-variabel yang digunakan dalam penelitian Analisis Pengaruh Variabel Sektor Moneter dan Riil Terhadap Inflasi di Indonesia (Periode 2006:1

Lebih terperinci

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA

FORECASTING 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 terperinci

BAB III METODE PENELITIAN. kegunaan tertentu. Cara ilmiah berarti kegiatan penelitian itu didasarkan pada

BAB III METODE PENELITIAN. kegunaan tertentu. Cara ilmiah berarti kegiatan penelitian itu didasarkan pada BAB III METODE PENELITIAN Menurut Sugiyono (2013), Metode penelitian pada dasarnya merupakan cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan tertentu. Berdasarkan hal tersebut terdapat empat

Lebih terperinci

BAB I PENDAHULUAN. statistika sebagai dasar analisis atau perancangan yang menyangkut olah data

BAB I PENDAHULUAN. statistika sebagai dasar analisis atau perancangan yang menyangkut olah data BAB I PENDAHULUAN A. Latar Belakang Tanpa disadari dalam kehidupan sehari-hari sesungguhnya statistika telah banyak dipakai meskipun dalam bentuk yang sangat sederhana. Sekarang ini ilmu statistika telah

Lebih terperinci

PENERAPAN 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) 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 terperinci

PENDETEKSIAN 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 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 terperinci

Pemodelan 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 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 terperinci

BAB 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. 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 terperinci

BAB II TINJAUAN PUSTAKA. Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi

BAB II TINJAUAN PUSTAKA. Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi BAB II TINJAUAN PUSTAKA Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi linear, metode kuadrat terkecil, restriksi linear, multikolinearitas, regresi ridge, uang primer, dan koefisien

Lebih terperinci

III.METODE PENELITIAN. Penelitian ini merupakan penelitian kuantitatif, karena penelitian ini

III.METODE PENELITIAN. Penelitian ini merupakan penelitian kuantitatif, karena penelitian ini 43 III.METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini merupakan penelitian kuantitatif, karena penelitian ini disajikan dengan angka-angka. Hal ini sesuai dengan pendapat Arikunto (2006) yang

Lebih terperinci

PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)

PERBANDINGAN 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 terperinci

METODE PENELITIAN. Data yang dipakai untuk penelitian ini adalah data sekunder (time series)

METODE 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

BAB I PENDAHULUAN. Perkembangan ilmu pengetahuan dan teknologi saat ini berkembang pesat.

BAB 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 terperinci

METODE PENELITIAN. keperluan tertentu. Jenis data ada 4 yaitu data NPL Bank BUMN, data inflasi, data

METODE PENELITIAN. keperluan tertentu. Jenis data ada 4 yaitu data NPL Bank BUMN, data inflasi, data IV. METODE PENELITIAN A. Jenis dan Sumber Data Data adalah semua hasil observasi atau pengukuran yang telah dicatat untuk suatu keperluan tertentu. Jenis data ada 4 yaitu data NPL Bank BUMN, data inflasi,

Lebih terperinci