BAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah
|
|
- Susanto Sutedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 4.1 nilai tukar kurs euro terhadap rupiah Indikasi bahwa data tidak stasioner dapat diperkuat menggunakan uji akar unit dengan hipotesis H 0 : data mempunyai akar unit H 1 : data tidak mempunyai akar unit. Nilai probabilitas Augmented Dickey-Fuller yang diperoleh dari persamaan (2.1) dengan bantuan software Eviews 4.1 adalah 0, Nilai ini lebih besar dari tingkat signifikansi α = 0,05 yang berakibat H 0 tidak ditolak. Kesimpulan yang dapat diperoleh adalah data mempunyai akar unit yang berarti data tidak stasioner. 4.2 Transformasi Log Return Data nilai tukar kurs euro terhadap rupiah ini tidak stasioner sehingga perlu dilakukan transformasi untuk menstasionerkan data. Transformasi yang digunakan adalah log return dengan rumus persamaan (2.2), transformasi ini membuat data lebih stasioner. 20
2 Log return yang disajikan pada Gambar 4.2 memperlihatkan bahwa data sudah stasioner dalam rata-rata tetapi variansinya tidak konstan. Variansi yang tidak konstan ini mengindikasikan adanya efek heteroskedastisitas dalam data. Oleh karena itu, sebelum memodelkan heteroskedastisitas dalam data perlu dicari model rata-rata bersyaratnya terlebih dahulu. Gambar 4.2 log return nilai tukar kurs euro terhadap rupiah 4. 3 Pembentukan Model Stasioner Identifikasi Model Pemodelan rata rata bersyarat dari data stasioner dapat menggunakan model ARMA. Untuk mengidentifikasi model ARMA yang cocok dapat dilihat dari gambar ACF pada gambar 4.3 dan PACF pada Gambar 4.4. Nilai ACF dan PACF turun secara eksponensial dan terputus setelah lag pertama sehingga memungkinkan model yang cocok adalah AR(1), MA(1) dan ARMA(1,1). Gambar 4.3 ACF log return nilai tukar kurs euro terhadap rupiah 21
3 Gambar 4.4 PACF log return nilai tukar kurs euro terhadap rupiah Estimasi parameter model ARMA menggunakan metode kuadrat terkecil untuk log return menghasilkan model ARMA(1,1) dengan koefisien yang tidak signifikan sehingga model ARMA tidak dapat digunakan. Model ARMA yang cocok untuk memodelkan data log return adalah AR(1) dan MA(1) Estimasi Parameter Model Hasil uji statistik untuk model AR(1) dan MA(1) disajikan pada Tabel 4.1. Hasil estimasi parameter menunjukkan nilai φ dan θ signifikan tidak sama dengan nol karena memiliki probabilitas 0, yang kurang dari α = 0,05. Model AR(1) yang diperoleh adalah r t = 0,172147r t 1 + ε t, sedangkan model MA(1) adalah r t = ε t + 0,178741ε t 1, dengan r t adalah log return pada waktu t dan ε t adalah residu yang dihasilkan model pada waktu t. Tabel 4.1 hasil estimasi model AR(1) dan MA(1) pada data log return Model Variabel Koefisien Standar Deviasi t-statistik Probabilitas AR(1) φ -0, , , , MA(1) θ -0, , , ,
4 4.3.3 Uji Diagnostik Uji Autokorelasi Model rata rata bersyarat dikatakan baik jika eror yang dihasilkan sudah tidak memiliki autokorelasi. Autokorelasi eror dideteksi menggunakan uji statistik Breusch-Godfrey dengan rumus seperti pada persamaan (2.5), hipotesisnya adalah H 0 : tidak terdapat autokorelasi di dalam eror model rata-rata bersyarat H 1 : terdapat autokorelasi di dalam eror model rata-rata bersyarat. Tabel 4.2 uji Breusch-Godfrey eror model AR(1) dan MA(1) Koefisien Probabilitas AR(1) MA(1) AR(1) MA(1) Uji Breusch-Godfrey 0, , , , , , Eror pada lag-1-0, , , , Eror pada lag-2 0, , , , Eror pada lag-3-0, , , , Eror pada lag-4-0, , , , Eror pada lag-5-0, , , , Eror pada lag-6 0, , , , Eror pada lag-7 0, , , , Eror pada lag-8-0, , , , Eror pada lag-9-0, , , , Eror pada lag-10-0, , , , Statistik uji Breusch-Godfrey sampai lag-10 untuk eror model AR(1) dan MA(1) disajikan pada Tabel 4.2. Uji Breusch-Godfrey untuk AR(1) nilai probabilitasnya 0, dan untuk MA(1) memberikan nilai probabilitas 0, Nilai probabilitas kedua model lebih besar dari tingkat signifikansi α = 0,05 yang berakibat H 0 tidak ditolak. Jadi dapat disimpulkan bahwa tidak terdapat autokorelasi di dalam residu model AR(1) dan MA(1). Secara khusus lag-6 pada AR(1) nilai probabilitasnya 0, dan MA(1) memberikan nilai probabilitas 0, Nilai tersebut kurang dari tingkat signifikansi α = 0,05 yang berarti 23
5 bahwa terdapat autokorelasi di dalam residu model AR(1) dan MA(1). Namun hal ini dapat diabaikan karena order lag tersebut adalah order lag yang tinggi Homoskedastisitas Variansi Homoskedastisitas variansi eror AR(1) dapat dilihat dari Gambar 4.5 sedangkan untuk eror MA(1) dapat dilihat dari Gambar 4.6. Gambar memperlihatkan variansi yang tidak konstan. Oleh karena itu, diindikasikan terdapat efek heteroskedastisitas di dalam eror model AR(1) dan MA(1). Gambar 4.5 eror model AR(1) Gambar 4.6 eror model MA(1) 4.4 Uji Efek Heteroskedastisitas Uji Korelasi Kuadrat Eror Indikasi efek heteroskedastisitas dalam eror model AR(1) dan MA(1) perlu diuji. Oleh karena itu, dilakukan uji korelasi kuadrat eror model AR(1) dan MA(1) menggunakan gambar ACF dan PACF. 24
6 Gambar 4.7 ACF kuadrat eror model AR(1) Gambar 4.8 PACF kuadrat eror model AR(1) Gambar 4.9 ACF kuadrat eror model MA(1) Gambar 4.10 PACF kuadrat eror model MA(1) Gambar ACF dan PACF dari kuadrat eror model AR(1) disajikan pada Gambar 4.7 dan Gambar 4.8. Sedangkan untuk model MA(1) disajikan pada 25
7 Gambar 4.9 dan Gambar Keempat gambar tersebut memperlihatkan bahwa ada nilai yang berbeda signifikan dengan nol. Hal ini berarti terdapat autokorelasi di dalam kuadrat eror model. Jadi dapat disimpulkan di dalam eror model AR(1) dan MA(1) signifikan terhadap efek heteroskedastisitas Uji Efek ARCH Pengali Lagrange Efek heteroskedastisitas juga dapat diketahui menggunakan uji pengali Lagrange. Hasil uji pengali Lagrange dengan rumus seperti pada persamaan (2.7) untuk eror model AR(1) dan MA(1) disajikan pada Tabel 4.3. Uji hipotesis dari uji pengali Lagrange sampai dengan lag 10 adalah H 0 : α 1 = α 2 = = α 10 = 0 (tidak ada efek ARCH sampai lag 10) H 1 : paling sedikit terdapat satu α k 0 (terdapat efek ARCH, paling tidak pada sebuah lag ). Tabel 4.3 uji pengali Lagrange ARCH untuk eror Model AR(1) dan MA(1) Koefisien Probabilitas AR(1) MA(1) AR(1) MA(1) Uji Pengali Lagrange 0, , α 0 0, , , , α 1 0, , , , α 2-0, , , , α 3 0, , , , α 4 0, , , , α 5-0, , , , α 6 0, , , ,95400 α 7 0, , , , α 8-0, , , , α 9 0, , , , α 10 0, , , ,
8 Tabel 4.3 memperlihatkan bahwa statistik uji sampai lag-10 untuk eror model AR(1) dan MA(1) menghasilkan nilai probabilitas 0,0000. Nilai ini lebih kecil dari α = 0,05 sehingga H 0 ditolak. Jadi dapat disimpulkan bahwa pada eror AR(1) dan MA(1) terdapat efek ARCH. 4.5 Pengujian Keasimetrisan Model Kondisi bad news atau good news yang memberikan pengaruh tidak simetris terhadap volatilitasnya dapat diketahui menggunakan cross correlogram. Cross correlogram untuk model AR(1) disajikan pada Gambar 4.11 sedangkan untuk model MA(1) disajikan pada Gambar Gambar 4.11 cross correlogram antara e t 2 dengan e t k model AR(1) Gambar 4.12 cross correlogram antara e t 2 dengan e t k model MA(1) Gambar 4.11 dan Gambar 4.12 menunjukkan cross correlogram antara kuadrat dari eror terstandar pada waktu t (e 2 t ) dengan lagged eror terstandarnya pada lag ke t-k (e t k ). Kedua gambar tersebut memperlihatkan bahwa ada nilai yang berbeda signifikan dengan nol, hal ini berarti bahwa data tersebut pada 27
9 kondisi bad news dan good news memberikan pengaruh yang tidak simetris terhadap volatilitasnya. 4.6 Pembentukan Model Heteroskedastisitas Uji efek heteroskedastisitas dan uji keasimetrisan model memberikan hasil bahwa eror model AR(1) dan MA(1) mengandung efek heteroskedatisitas dan kondisi bad news atau good news yang memberikan pengaruh tidak simetris terhadap volatilitasnya. Oleh karena itu, dapat dilakukan tahap selanjutnya yaitu memodelkan heteroskedastisitas eror model AR(1) dan MA(1) menggunakan proses TARCH dan EGARCH. Estimasi parameter menggunakan metode BHHH dengan menggunakan bantuan software Eviews 4.1 memberikan hasil bahwa model TARCH yang dapat digunakan untuk memodelkan eror model AR(1) adalah TARCH(1,1), TARCH(1,2) dan TARCH(2,1), sedangkan untuk memodelkan eror model MA(1) adalah TARCH(1,1), TARCH(1,2) dan TARCH(2,1). Pemilihan awal model yang cocok ini berdasarkan signifikansi parameter masing-masing model. Hasil perhitungan dari model-model tersebut disajikan pada Tabel 4.4. Model yang dipilih adalah model yang memiliki AIC dan SC terkecil. Oleh karena itu, untuk memodelkan heteroskedastisitas eror model AR(1) dari log return kurs euro terhadap rupiah dimodelkan menggunakan TARCH(2,1). Model yang diperoleh adalah ε t = 0, e t, σ t 2 = 0, ,473695ε t 1 2 0,392554ε t 2 2 0,014706ε t 1 2 d t 1 + 0,909045σ t 1 2, dengan d t 1 = 1, untuk ε t < 0 0, untuk ε t 0, ε t adalah eror model rata-rata bersyarat dan e t adalah eror dari persamaan eror model rata-rata bersyarat. Heteroskedastisitas eror model MA(1) dimodelkan menggunakan TARCH(2,1). Model yang diperoleh adalah ε t = 0, e t σ t 2 = 0, ,469908ε t 1 2 0,398298ε t 2 2 0,012802ε t 1 2 d t 1 + 0,920141σ t
10 Tabel 4.4 hasil estimasi model TARCH AR(1) MA(1) TARCH TARCH TARCH TARCH TARCH TARCH (1,1) (1,2) (2,1) (1,1) (1,2) (2,1) δ 0, , , , , , Prob 0, , , , , , ω 0, , , , , , Prob 0, , , , , , α 1 0, , , , , , Prob 0, , , , , , α , , Prob - - 0, , γ 1-0, , , , , , Prob 0, , , , , , β 1 0, , , , , , Prob 0, , , , , , β 2-0, , Prob - 0, , AIC -6, , , , , , SC -6, , , , , , Setelah diperoleh model heteroskedastisitas bersyarat yang lebih cocok, langkah selanjutnya adalah mengestimasi parameter secara bersama model TARCH (2,1) dengan AR(1) dan MA(1) disajikan pada Tabel 4.5. Tabel 4.5 memberikan hasil bahwa model yang cocok untuk log return adalah TARCH(2,1) dengan AR(1) sebagai model rata-rata bersyaratnya, yaitu r t = 0, ,119633r t 1 + ε t, (4.1) 2 2 σ t = 0, ,514689ε t 1 0,449510ε 2 t 2 0,019069ε 2 t 1 d t 1 + 0,899824σ 2 t 1, (4.2) sedangkan TARCH(2,1) dengan MA(1) sebagai model rata-rata bersyaratnya adalah r t = ε t + 0,049297ε t 1 + 0,000488, (4.3) 29
11 σ t 2 = 0, ,514460ε t 1 2 0,439571ε t 2 2 0,014647ε t 1 2 d t 1 + 0,919232σ t 1 2. (4.4) Tabel 4.5 hasil estimasi bersama model TARCH(2,1) dengan AR(1) dan MA(1) Variabel Koefisien Standar Deviasi Probabilitas AR(1) MA(1) AR(1) MA(1) AR(1) MA(1) μ 0, , , , , , , , , , , , ω 0, , , , , , α 1 0, , , , , , α 2-0, , , , , , γ 1-0, , , , , , β 1 0, , , , , , Estimasi parameter menggunakan metode BHHH dengan menggunakan bantuan software Eviews 4.1 memberikan hasil bahwa model EGARCH yang dapat digunakan untuk memodelkan eror model AR(1) adalah EGARCH (1,1), sedangkan untuk memodelkan eror model MA(1) adalah EGARCH (2,1). Pemilihan model awal ini berdasarkan signifikansi parameter masing-masing model. Hasil estimasi parameter disajikan pada Tabel 4.6. Model yang diperoleh dengan model AR(1) adalah ε t = 0, e t ln σ t 2 = 3, ,683789lnσ t , ε t 1 σ t , ε t 1 σ t 1 2 E ε t 1 σ t 1 2, sedangkan dengan model MA(1) sebagai model rata-rata bersyaratnya adalah ε t = 0, e t ln σ t 2 = 0, , lnσ t 1 2 0, ε t 1 σ t , ε t 2 σ t , ε t 1 σ t 1 2 E ε t 1 σ t 1 2 0, ε t 2 σ t 2 2 E ε t 2 σ t
12 Tabel 4.6 hasil estimasi model EGARCH AR(1) EGARCH(1,1) MA(1) EGARCH(2,1) τ 0, , Probabilitas 0, , a -3, , Probabilitas 0, , b 1 0, , Probabilitas 0, , c 1 0, , Probabilitas 0, , c 2-0, Probabilitas - 0,0003 d 1 0, , Probabilitas 0, , d 2-0, Probabilitas - 0, AIC -6, , SC -6, , Tabel 4.7 memberikan hasil bahwa model yang cocok untuk log return adalah EGARCH(1,1) dengan AR(1) sebagai model rata-rata bersyaratnya. Modelnya adalah r t = 0, ,156878r t 1 + ε t (4.5) ln σ t 2 = 0, ,637845lnσ t , ε t 1 σ t , ε t 1 σ t 1 2 E ε t 1 σ t 1 2. (4.6) Nilai probabilitas untuk variabel dari model MA(1) adalah 0,0935. Nilai ini lebih besar dari nilai α = 0,05, hal ini berarti bahwa parameter MA(1) tidak sigifikan. Kesimpulan yang diperoleh adalah model EGARCH(2,1) tidak cocok untuk memodelkan log return dengan asumsi heteroskedastisitas bersyarat di dalam eror rata-rata bersyarat. 31
13 Tabel 4.7 hasil estimasi bersama model EGARCH dengan AR(1) dan MA(1) Variabel Koefisien Standar Deviasi Probabilitas AR(1) MA(1) AR(1) MA(1) AR(1) MA(1) μ 0, , , , , , , , , , , , a -0, , , , , , b 1 0, , , , , , c 1 0, , , , , , c 2-0, , , d 1 0, , , , , , d , , , Uji Diagnostik Model Uji Efek ARCH Pengali Lagrange dalam Eror Uji pengali Lagrange digunakan untuk melihat apakah masih ada efek ARCH pada model TARCH(2,1) dengan AR(1) sebagai model rata-rata bersyaratnya, model TARCH(2,1) dengan MA(1) sebagai model rata-rata bersyaratnya dan model EGARCH(1,1) dengan AR(1) sebagai model rata-rata bersyaratnya. Statistik uji ketiga model disajikan pada Tabel 4.8. Hipotesis dari uji pengali Lagrange sampai dengan lag 10 adalah H 0 : α 1 = α 2 = = α 10 = 0 (tidak ada efek ARCH sampai lag 10) H 1 : paling sedikit terdapat satu α k 0 (terdapat efek ARCH, paling tidak pada sebuah lag ). Tabel 4.8 memperlihatkan bahwa statistik uji pengali Lagrange sampai lag-10 untuk model TARCH(2,1) dengan AR(1) nilainya 0, dan dengan MA(1) menghasilkan nilai probabilitas 0,985531, sedangkan untuk EGARCH(1,1) dengan AR(1) nilainya 0, Nilai tersebut lebih besar dari α = 0,05 maka H 0 tidak ditolak. Hal ini berarti bahwa sudah tidak terdapat efek ARCH pada eror terstandar ketiga model tersebut. 32
14 Tabel 4.8 uji pengali Lagrange TARCH dan EGARCH Koefisien Probabilitas Uji TARCH(2,1) EGARCH(1,1) TARCH(2,1) EGARCH(1,1) Pengali AR(1) MA(1) AR(1) AR(1) MA(1) AR(1) Lagrange 0, , , α 0 1, , , , , , α 1 0, , , , , , α 2-0, , , , , , α 3-0, , , , , , α 4 0, , , , , , α 5-0, , , , , , α 6-0, , , , , , α 7-0, , , , , , α 8-0, , , , , , α 9-0, , , , , , α 10 0, , , , , , Distribusi Eror Ringkasan statistik beserta histogram dari eror terstandar dari TARCH(2,1) dengan AR(1) dan MA (1) sebagai model rata-rata bersyaratnya serta EGARCH(1,1) dengan AR(1) sebagai model rata-rata bersyaratnya disajikan pada Gambar 4.13(a), Gambar 4.13(b) dan Gambar 4.13(c). Ketiga histogram tersebut memperlihatkan bahwa eror terstandar memiliki distribusi yang simetris. (a) (b) (c) Gambar 4.13 histogram model 33
15 Tabel 4.9 kurtosis TARCH(2,1) TARCH(2,1) EGARCH(1,1) AR(1) MA(1) AR(1) 18, , ,14672 Nilai kurtosis ketiga eror terstandar signifikan lebih besar dari 3 seperti yang ditunjukkan pada Tabel 9. Hal ini berarti ketiga eror terstandar tersebut memiliki distribusi yang simetris dengan ekor yang lebih pendek dari distribusi normal sehingga distribusinya berbentuk leptokurtik. 4.8 Peramalan Dari pemeriksaan diagnostik model diperoleh model yang cocok adalah model TARCH(1,1) dengan model AR(1) sebagai model rata-rata bersyaratnya, model TARCH(2,1) dengan model MA(1) sebagai model rata-rata bersyaratnya dan model EGARCH(1,1) dengan model AR(1) sebagai model rata-rata bersyaratnya. Untuk mengetahui model yang lebih cocok untuk meramalkan data nilai tukar kurs euro terhadap rupiah, maka dilakukan peramalan menggunakan ketiga model tersebut. Model yang lebih cocok adalah model yang nilai ramalannya mendekati nilai data asli Peramalan Volatilitas Ramalan volatilitas log return dari waktu t menggunakan persamaan (4.2), (4.4) dan (4.6). Hasil ramalan disajikan pada Tabel Tabel 4.10 memperlihatkan bahwa model TARCH(2,1) dengan model rata-rata bersyarat AR(1) dan MA(1) memberikan hasil ramalan yang sama. Hasil ramalan menggunakan model EGARCH(1,1) dengan AR(1) sebagai model ratarata bersyaratnya memberikan hasil yang berbeda signifikan dengan hasil ramalan TARCH(2,1) dengan model rata-rata bersyarat AR(1) dan MA(1). 34
16 Tabel 4.10 ramalan volatilitas log return 5 periode ke depan Periode TARCH(2,1) EGARCH(1,1) AR(1) MA(1) AR(1) , , , , , , , , , , , , , , , Peramalan Rata-rata Bersyarat Ramalan nilai log return dihitung berdasarkan persamaan (4.1), (4.3) dan (4.5). Hasil ramalan log return disajikan pada Tabel Karena log return bukan data yang sebenarnya, maka bentuk log return diubah ke dalam bentuk semula untuk melihat hasil ramalan kurs euro terhadap rupiah. Log return dirumuskan sebagai r t = ln (P t P t 1 ) dengan P t adalah data kurs pada periode t dan P t 1 adalah data kurs pada periode t-1. Persamaan untuk data pada periode t yaitu P t = P t 1 e r t. Persamaan tersebut digunakan untuk mencari nilai ramalan kurs euro terhadap rupiah berdasarkan nilai ramalan log return. Ramalan kurs untuk periode ke depan adalah ramalan pada waktu Senin-Jumat dan selain hari libur. Hasil ramalan kurs euro terhadap rupiah untuk tanggal 16 Oktober sampai 22 Oktober disajikan berupa grafik pada Gambar 4.14, Gambar 4.15 dan Gambar Gambar 4.14 merupakan grafik hasil ramalan menggunakan model TARCH(2,1) dengan AR(1) sebagai model rata-rata bersyaratnya, Gambar 4.15 adalah grafik hasil ramalan menggunakan model TARCH(2,1) dengan MA(1) sebagai model rata-rata bersyaratnya dan Gambar 4.16 adalah grafik hasil ramalan menggunakan model EGARCH(1,1) dengan AR(1) sebagai model rata-rata bersyaratnya. Ramalan tanggal 17 Oktober dan 18 Oktober tidak disajikan karena merupakan hari libur. 35
17 Tabel 4.11 ramalan log return Periode TARCH(2,1) EGARCH(1,1) AR(1) MA(1) AR(1) Log return 0, , , Batas bawah -0, , , Batas atas 0, , , Log return 0, , , Batas bawah -0, , , Batas atas 0, , , Log return 0, , , Batas bawah -0, , , Batas atas 0, , , Log return 0, , , Batas bawah -0, , , Batas atas 0, , , Log return 0, , , Batas bawah -0, , , Batas atas 0, , , Pada model TARCH(2,1) yang ditunjukkan pada Gambar 4.14 dan Gambar 4.15 terlihat bahwa terdapat dua data asli yang melebihi batas atas yaitu data keempat dan data kelima. Sedangkan pada model EGARCH(1,1) yang ditunjukkan pada Gambar 4.16, terdapat tiga data asli yang melebihi batas atas yaitu data kedua, keempat dan kelima. Hasil peramalan menunjukkan adanya kesalahan yang sistematik. Oleh karena itu, perlu dilakukan translasi untuk memperbaiki hasil ramalan. Hasil ramalan yang diperoleh dari hasil translasi disajikan pada Gambar 4.17, Gambar 4.18 dan Gambar
18 Okt 19 Okt 20 Okt 21 Okt 22 Okt data asli ramalan batas bawah batas atas Gambar 4.14 ramalan model TARCH(2,1) dengan AR(1) Okt 19 Okt 20 Okt 21 Okt 22 Okt data asli ramalan batas atas batas bawah Gambar 4.15 ramalan model TARCH(2,1) dengan MA(1) Okt 19 Okt 20 Okt 21 Okt 22 Okt data asli ramalan batas bawah batas atas Gambar 4.16 ramalan model EGARCH(1,1) dengan AR(1) Model TARCH(2,1) yang telah ditranslasi ditunjukkan pada Gambar 4.17 dan Gambar 4.18, dari gambar terlihat bahwa sudah tidak terdapat data asli yang melebihi batas atas. Sementara model EGARCH(1,1) yang telah ditranslasi ditunjukkan pada Gambar 4.19, dari gambar terlihat bahwa masih terdapat satu data asli yang melebihi batas atas yaitu data kelima. Oleh karena itu, dari grafik 37
19 dapat disimpulkan bahwa model TARCH(2,1) lebih cocok untuk meramalkan data nilai tukar kurs euro terhadap rupiah dibandingkan model EGARCH(1,1) Okt 19 Okt 20 Okt 21 Okt 22 Okt data asli ramalan batas bawah batas atas Gambar 4.17 ramalan model TARCH(2,1) dengan AR(1) setelah translasi Okt 19 Okt 20 Okt 21 Okt 22 Okt data asli ramalan batas atas batas bawah Gambar 4.18 ramalan model TARCH(2,1) dengan MA(1) setelah translasi Okt 19 Okt 20 Okt 21 Okt 22 Okt data asli ramalan batas bawah batas atas Gambar 4.19 ramalan model EGARCH(1,1) dengan AR(1) setelah translasi Kecocokan model juga dapat dilihat dari nilai MSE, model yang lebih cocok adalah model dengan nilai MSE yang lebih kecil. Tabel 4.12 memperlihatkan bahwa model dengan nilai MSE yang lebih kecil adalah model TARCH(2,1) dengan MA(1) sebagai model rata-rata bersyaratnya. Berdasarkan grafik dan nilai MSE dapat diambil kesimpulan bahwa model yang lebih cocok 38
20 untuk meramalkan data nilai tukar kurs euro tehadap rupiah adalah model TARCH(2,1) dengan model MA(1) sebagai model rata-rata bersyaratnya. Tabel 4.12 MSE model TARCH(2,1) EGARCH(1,1) AR(1) MA(1) AR(1) MSE 6.747, , ,41 39
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 terperinciPERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH
PERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Oleh RETNO HESTININGTYAS M0106061 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih 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 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 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 terperinciMODEL MARKOV SWITCHING EGARCH PADA NILAI TUKAR EURO TERHADAP RUPIAH
MODEL MARKOV SWITCHING EGARCH PADA NILAI TUKAR EURO TERHADAP RUPIAH oleh NANDA PUTRI MONALISA M0108057 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih 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 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 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 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 terperinciPENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN (Studi Kasus Pada Indikator Selisih Suku Bunga Pinjaman
Lebih terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
Lebih terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR PERTUMBUHAN KREDIT DOMESTIK
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR PERTUMBUHAN KREDIT DOMESTIK oleh PITANINGSIH NIM. M0110064 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih terperinciBAB 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 terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura
Lebih terperinciBAB 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 terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR IMPOR DAN EKSPOR MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR IMPOR DAN EKSPOR MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING Sisca Rahma Dwi, Sugiyanto, dan Yuliana Susanti Program Studi
Lebih 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 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 terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1 Desain Penelitian Penelitian ini didasari oleh gejolak/volatilitas nilai tukar rupiah terhadap mata uang asing (valuta asing).pada nilai transaksi jual beli valuta asing yang
Lebih 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 terperinciIV METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian 4.2 Jenis dan Sumber Data
IV METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Lokasi penelitian tentang risiko harga sayuran di Indonesia mencakup komoditas kentang, kubis, dan tomat dilakukan di Pasar Induk Kramat Jati, yang
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 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 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 terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA Vivi Rizky Aristina Suwardi, Sugiyanto, dan Supriyadi
Lebih 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 terperinciMETODE PERAMALAN DENGAN MENGGUNAKAN MODEL VOLATILITAS ASYMMETRIC POWER ARCH (APARCH)
JURNAL GAUSSIAN, Volume 2, Nomor 4, Tahun 2013, Halaman 289-300 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian METODE PERAMALAN DENGAN MENGGUNAKAN MODEL VOLATILITAS ASYMMETRIC POWER ARCH
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 terperinciAnis Nur Aini, Sugiyanto, dan Siswanto Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta
MENDETEKSI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR SIMPANAN BANK, NILAI TUKAR RIIL, DAN NILAI TUKAR PERDAGANGAN Anis Nur Aini, Sugiyanto,
Lebih 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 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 terperinciPERAMALAN DATA NILAI EKSPOR NON MIGAS INDONESIA KE WILAYAH ASEAN MENGGUNAKAN MODEL EGARCH
PERAMALAN DATA NILAI EKSPOR NON MIGAS INDONESIA KE WILAYAH ASEAN MENGGUNAKAN MODEL EGARCH, Universitas Negeri Malang E-mail: die_gazeboy24@yahoo.com Abstrak: Penelitian ini bertujuan untuk mengetahui model
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 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 terperinciPENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING
PENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING DALAM PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR M1, M2 PER CADANGAN DEVISA, DAN M2 MULTIPLIER Esteti Sophia Pratiwi,
Lebih 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 terperinciMOTTO. Man Jadda Wajada Allah tidak akan mengubah nasib suatu kaum sampai kaum itu mengubah nasib mereka sendiri -QS Al-Anfal (8): 53
ii ABSTRAK Ari Nur Setyaningsih. 2016. PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR EKSPOR. Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciMeganisa Setianingrum, Sugiyanto, Etik Zukhronah Prodi Matematika Fakultas Matematika dan Ilmu pengetahuan Alam Universitas Sebelas Maret Surakarta
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR OUTPUT RIIL, KREDIT DOMESTIK PER PDB, DAN IHSG Meganisa Setianingrum, Sugiyanto,
Lebih 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 terperinciHASIL DAN PEMBAHASAN. Analisis data dilakukan dengan menggunakan Software Eviews Versi 4.1 dan Microsoft Office Excel Gambar 2 Plot IHSG.
kointegrasi lebih besar dari nol maka model yang digunakan adalah VECM (Enders, 1995). 4. Analisis model VAR, VARD atau VECM. 5. Interpretasi terhadap model. 6. Uji kelayakan model. 7. Pengkajian fungsi
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 MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC IN MEAN (EGARCH-M)
30 BAB III MODEL EXPOETIAL GEERALIZED AUTOREGRESSIVE CODITIOAL HETEROSCEDASTIC I MEA (EGARCH-M) 3.1 Proses EGARCH Exonential GARCH (EGARCH) diajukan elson ada tahun 1991 untuk menutui kelemahan model ARCH/GARCH
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
Lebih terperinciBAB 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 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 terperinciPROSEDUR MODEL EXPONENTIAL SMOOTH TRANSITION AUTOREGRESSIVE (ESTAR)
PROSEDUR MODEL EXPONENTIAL SMOOTH TRANSITION AUTOREGRESSIVE (ESTAR) Oleh EKA SARI PUTRI WARDOYO M0108086 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
Lebih terperinci= = =
= + + + = + + + = + +.. + + + + + + + + = + + + + ( ) + ( ) + + = + + + = + = 1,2,, = + + + + = + + + =, + + = 1,, ; = 1,, =, + = 1,, ; = 1,, = 0 0 0 0 0 0 0...... 0 0 0, =, + + + = 0 0 0 0 0 0 0 0 0....
Lebih terperinciContoh Analisis Deret Waktu: BJSales
Contoh Analisis Deret Waktu: BJSales Untuk contoh analisis deret waktu ini, kita menggunakan data BJsales. Data ini adalah data tahunan dan dapat dengan mengetikkan BJsales pada konsul R. 1 Plot Data Plot
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 terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR HARGA SAHAM MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING TIGA STATE
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR HARGA SAHAM MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING TIGA STATE SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciPEMODELAN DATA TIME SERIES DENGAN METODE BOX-JENKINS
PEMODELAN DATA TIME SERIES DENGAN METODE BOX-JENKINS Rais 1 1 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Tadulako, email: rais76_untad@yahoo.co.id Abstrak Metode Box-Jenkins
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 terperinciMODEL KRISIS PASAR MODAL DI INDONESIA MENGGUNAKAN MARKOV SWITCHING TGARCH (MS-TGARCH) DUA STATE BERDASARKAN INDIKATOR IHSG
MODEL KRISIS PASAR MODAL DI INDONESIA MENGGUNAKAN MARKOV SWITCHING TGARCH (MS-TGARCH) DUA STATE BERDASARKAN INDIKATOR IHSG Oleh ALFI NUR DINA NIM M0110002 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 635-643 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL INTEGRATED GENERALIZED
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Desain Penelitian Desain penelitian mempunyai peranan yang sangat penting, karena keberhasilan suatu penelitian sangat dipengaruhi oleh pilihan desain atau model penelitian.
Lebih 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 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 terperinciIV. METODE PENELITIAN
34 IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Lokasi penelitian faktor-faktor yang mempengaruhi harga komoditas kakao dunia tidak ditentukan. Waktu pengumpulan data dilaksanakan pada bulan Februari
Lebih terperinciRatri Oktaviani, Sugiyanto, dan Yuliana Susanti Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
HUBUNGAN KONDISI INDIKATOR NILAI TUKAR RIIL DAN IHSG DALAM MENDETEKSI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING Ratri Oktaviani, Sugiyanto, dan Yuliana Susanti
Lebih terperinciBAB 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 terperinciIII. METODE PENELITIAN. Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari
III. METODE PENELITIAN Metode penelitian merupakan langkah dan prosedur yang akan dilakukan dalam pengumpulan data atau informasi empiris guna memecahkan permasalahan dan menguji hipotesis penelitian.
Lebih 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 terperinciPENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN (Studi Kasus pada Indikator Selisih Suku Bunga Pinjaman
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciII. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang
II. TINJAUAN PUSTAKA 2.1 Analisis Deret Waktu (time series) Time series merupakan serangkaian observasi terhadap suatu variabel yang diambil secara beruntun berdasarkan interval waktu yang tetap (Wei,
Lebih terperinciApplication of ARIMA Models
Application of ARIMA Models We have learned how to model using ARIMA Stages: 1. Verify whether the data we are analyzing is a stationary data using ACF or other methods 2. If the data is not stationer,
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
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 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 terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
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 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 terperinciHASIL DAN PEMBAHASAN Eksplorasi Data Suhu Udara Rata-rata
suhu 18 20 22 24 26 28 30 32 ragam, maka dilakukan transformasi Box-Cox. d. Mengidentifikasi model. Dalam tahap ini akan didapat model-model sementara, dengan melihat plot ACF dan PACF. e. Pendugaan parameter
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 terperinciAnalisis Risiko Investasi Saham Syariah Dengan Model Value AT Risk-Asymmetric Power Autoregressive Conditional Heterocedasticity (VaR-APARCH)
JURNAL FOURIER April 2017, Vol. 6, No. 1, 37-43 ISSN 2252-763X; E-ISSN 2541-5239 Analisis Risiko Investasi Saham Syariah Dengan Model Value AT Risk-Asymmetric Power Autoregressive Conditional Heterocedasticity
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi Penelitian 4.2. Data dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi Penelitian Penelitian mengenai risiko harga dan perilaku penawaran apel dilakukan di PT Kusuma Satria Dinasasri Wisatajaya yang beralamat di Jalan Abdul Gani Atas, Kelurahan
Lebih terperinciMODEL 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 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 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 terperinciBAB IV ANALISIS HASIL PENELITIAN
BAB IV ANALISIS HASIL PENELITIAN 4.1 Menghitung Return Karena penelitian ini mengukur potensi kerugian maksimum dari saham BMRI. Maka, langkah pertama adalah menghitung return hariannya dengan rumus (2-3)
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciMODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI
MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciMODEL KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR RASIO CADANGAN INTERNASIONAL TERHADAP M2
MODEL KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR RASIO CADANGAN INTERNASIONAL TERHADAP M2 oleh ERNA MUSTIKASARI NIM. M0111030 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciABSTRAK. Universitas Sumatera Utara
ABSTRAK Skripsi ini membahas pemodelan dan estimasi volatilitas nilai tukar rupiah terhadap dolar Amerika tahun 005 menggunakan estimasi ARCH-GARCH. Data volatilitas nilai tukar rupiah dapat diterangkan
Lebih 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. 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 terperinciABSTRAK. Kata kunci: krisis perbankan, bank deposits, SWARCH, dua state, tiga state. iii
ii ABSTRAK Ihsan Fathoni Amri. 2016. PENDETEKSIAN KRISIS PERBANKAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR BANK DEPOSITS. Fakultas Matematika dan
Lebih terperinciBAB 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 terperinciContoh Analisis Deret Waktu: BJSales (Revisi)
Contoh Analisis Deret Waktu: BJSales (Revisi) Untuk contoh analisis deret waktu ini, kita menggunakan data BJsales. Data ini adalah data tahunan dan dapat dengan mengetikkan BJsales pada konsul R. 1 Plot
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
41 BAB IV HASIL DAN PEMBAHASAN IV.1 Hasil dan Pengolahan Data Pada bab ini akan dibahas mengenai proses dan hasil serta pembahasan dari pengolahan data yang akan dilakukan. Data yang telah didapatkan akan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian mengenai pengaruh variabel moneter
BAB III METODE PENELITIAN A. Subyek Penelitian Penelitian ini merupakan penelitian mengenai pengaruh variabel moneter dan ketidakpastian inflasi terhadap tingkat inflasi. Penelitian ini dilakukan pada
Lebih terperinciV. ANALISIS VOLATILITAS VARIABEL EKONOMI. Perkembangan yang terjadi pada data harga minyak dunia, harga ekspor
117 V. ANALISIS VOLATILITAS VARIABEL EKONOMI 5.1. Deskripsi Data Perkembangan yang terjadi pada data harga minyak dunia, harga ekspor industri, SBI riil dan devaluasi riil diuraikan pada bagian berikut.
Lebih terperinciBAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
Lebih 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 III ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (APARCH) Asymmetric Power Autoregressive Conditional Heteroscedasticity
BAB III ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (APARCH) 3.1 Proses APARCH Asymmetric Power Autoregressive Conditional Heteroscedasticity (APARCH) diperkenalkan oleh Ding, Granger
Lebih terperinciBAB IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN 4.1 Sampel, Sumber Data dan Pengumpulan Data Penelitian kali ini akan mempergunakan pendekatan teori dan penelitian secara empiris. Teori-teori yang dipergunakan diperoleh
Lebih terperinci