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

Ukuran: px
Mulai penontonan dengan halaman:

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

Transkripsi

1 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, model ARCH, model GARCH dan model EGARCH. Selain itu, juga dibahas pemilihan model terbaik dengan pengukuran keakuratan peramalan. 2.1 Ln Return Perhitungan imbal hasil dalam harga saham, indeks saham maupun nilai tukar mata uang asing sangat berkaitan erat dengan ln return karena ln return serupa dengan proses transformasi data (Karlsoon, 2002). Rumus ln return pada periode ke- adalah: ( ) (2.1) dengan merupakan harga pada periode dan merupakan nilai ln return pada periode (Xiouros, 2012). 2.2 Volatilitas Volatilitas merupakan besarnya jarak fluktuasi yang merupakan standar deviasi dari return. Oleh karena itu, volatilitas dirumuskan sebagai (Ladokhin, 2009): (2.2) 5

2 6 dengan merupakan nilai ln return pada periode dan merupakan nilai mean dari ln return selama periode. Menurut Tsay (2005) ada beberapa jenis volatilitas pada data, yaitu: 1. Volatility clustering yang merupakan kecenderungan variabilitas data untuk mengikuti sifat data sebelumnya. 2. Volatility evolves over time yang merupakan volatilitas pada data yang terus meningkat dari waktu ke waktu. 3. Volatility does not diverge to infinity yang merupakan volatilitas yang beragam dalam rentang waktu yang sama. 4. Volatility leverage effect yang merupakan volatilitas yang bereaksi terhadap kenaikan atau penurunan nilai data, dapat berupa isu positif maupun isu negatif. 2.3 Data Runtun Waktu Data runtun waktu merupakan sekumpulan observasi yang terurut dalam waktu dengan jarak interval waktu yang sama (Box & Jenkins, 1970). Data runtun waktu disebut proses stokastik. Proses stokastik adalah keadaan saat data saling berkaitan dalam rentang waktu yang sama (Wei, 2006). Secara umum data runtun waktu dibagi menjadi dua, yaitu data runtun waktu tunggal dan data runtun waktu ganda. Data runtun waktu tunggal adalah data yang menggunakan satu variabel, sedangkan data runtun waktu ganda adalah data yang menggunakan lebih dari satu variabel (Widarjono, 2013). Contoh data runtun waktu tunggal adalah data harga minyak kelapa sawit, sedangkan contoh

3 7 data runtun waktu ganda adalah data harga minyak kelapa sawit dan harga minyak kedelai. 2.4 Kestasioneran Proses stokastik dikatakan stasioner apabila nilai mean dan nilai varians bergerak konstan dari waktu ke waktu dan nilai kovarians antara dua periode waktu tergantung dari jarak (lag) antara kedua periode waktu tersebut (Brooks, 2002), yaitu: (2.3) (2.4) [ ] (2.5) dengan dan secara berturut-turut merupakan nilai mean dan varians dari populasi, sedangkan merupakan nilai autokovarians, yang fungsinya hanya bergantung pada perbedaan waktu. Data dikatakan stasioner dalam varians apabila struktur data dari waktu ke waktu memiliki fluktuasi konstan. Namun apabila fluktuasi data berada di sekitar suatu nilai ratarata konstan dan tidak tergantung pada waktu dan varians dari fluktuasi, maka data dikatakan stasioner dalam mean (Wei, 2006). Secara umum, proses stasioner ada dua macam, yaitu stasioner kuat dan stasioner lemah. Proses stasioner yang umum digunakan pada data runtun waktu keuangan adalah stasioner lemah (Tsay, 2005). Misalkan menyatakan pengamatan pada waktu dengan banyaknya pengamatan. Suatu proses stokastik dikatakan stasioner lemah apabila untuk setiap

4 8 waktu dan lag, dengan merupakan autokovarians antara dengan. Contoh plot data log return yang stasioner lemah diberikan pada Gambar 2.1 (Tsay, 2005). Gambar 2.1 Plot Data Log Return yang stasioner Sumber: Tsay, 2005 Gambar 2.1 merupakan data log return bulanan pada International Busines Machines (IBM). Pada Gambar 2.1, data runtun waktu hanya bergerak di sekitar nilai 0,3 dan -0,3 yang berarti data stasioner dalam varians dan fluktuasi pada data bergerak konstan sehingga fluktuasi terlihat seperti kumpulan garis lurus yang berarti data stasioner dalam mean. Apabila data tidak stasioner, maka perlu dilakukan modifikasi agar data yang dihasilkan menjadi stasioner. Modifikasi dapat dilakukan menggunakan metode pembedaan (differencing). Pada data runtun waktu, proses differencing dapat dilakukan hingga beberapa periode sampai data stasioner, yaitu dengan cara mengurangkan satu data dengan data sebelumnya (Makridakis, 1995). Proses differencing adalah operator shift mundur (backward shift), yang dapat ditulis sebagai (Makridakis, 1999):

5 9 dengan notasi dimaksudkan untuk menggeser data satu periode ke belakang. Dua penerapan untuk akan berpengaruh menggeser data 2 periode ke belakang, dan ditulis sebagai: Demikian seterusnya, sehingga untuk menggeser data periode ke belakang secara umum dapat ditulis sebagai: Dengan menggunakan operator shift mundur, maka differencing pertama dapat ditulis kembali menjadi: (2.6) Diperoleh bahwa differencing pertama dinyatakan oleh. Selanjutnya akan dicari differencing kedua sebagai:

6 10 Dengan demikian, differencing orde kedua dinotasikan sebagai. Oleh karena itu, apabila terdapat differencing orde ke-d maka dapat ditulis sebagai: Untuk mengetahui suatu data stasioner atau tidak, dilakukan pengujian menggunakan uji korelogram atau uji formal unit root yaitu Augmented Dickey- Fuller (ADF) Korelogram Metode korelogram merupakan metode pengujian yang digunakan untuk melihat kestasioneran data. Korelogram menunjukkan plot data harga minyak kelapa sawit. Pada korelogram, suatu data dikatakan stasioner apabila plot autokorelasi dari data tidak keluar dari garis Bartlett (garis putus-putus). Nilai probabilitas dari lag pertama hingga lag terakhir akan bergerak mendekati nol atau lebih kecil dari nilai taraf signifikansi (Rosadi, 2012). Contoh plot grafik dan korelogram data tidak stasioner diberikan pada Gambar 2.2.

7 11 Gambar 2.2 Korelogram Data Nonstasioner Sumber: Gujarati, 2004 Gambar 2.2 merupakan data triwulanan Gross Domestic Product United States, dari triwulan pertama tahun 1970 sampai triwulan keempat tahun Pada Gambar 2.2, plot autokorelasi dari data seluruhnya keluar dari garis Bartlett sehingga dapat disimpulkan data nonstasioner Uji Augmented Dickey-Fuller (Unit Root Test) Dickey dan Fuller mengembangkan pengujian kestasioneran untuk model runtun waktu tunggal dengan orde tinggi yang disebut dengan Augmented Dickey- Fuller (ADF). Uji ADF dapat digunakan pada model autoregresif berorde 2 atau lebih. Misalkan pada model AR seperti berikut (Gujarati, 2004): (2.7)

8 12 Melalui operasi penjumlahan dan pengurangan pada ruas kanan persamaan (2.7) dengan, diperoleh: Selanjutnya, kurangi ruas kiri dan kanan dengan, sehingga diperoleh: (2.8) Uji ADF pada model autoregresif berorde p atau AR adalah sebagai (Gujarati, 2004): (2.9) Dari persamaan (2.8), hipotesis yang digunakan adalah: (Terdapat unit root, variabel tidak stasioner) (Tidak terdapat unit root, variabel stasioner) Statistik uji yang digunakan adalah (Gujarati, 2004): ( ) (2.10) dengan dan secara berturut-turut merupakan autokorelasi parsial duga pada lag ke-k dan standar eror dari autokorelasi parsial duga pada lag ke-k dengan. Jika nilai statistik uji lebih kecil dari nilai kritis ADF

9 13 (lihat tabel MacKinnon) yang dihasilkan maka hipotesis nol ditolak yang artinya data runtun waktu bersifat stasioner. Tetapi, jika nilai statistik uji lebih besar dari nilai kritis ADF (lihat tabel MacKinnon) maka hipotesis nol diterima yang berarti data runtun waktu bersifat nonstasioner. 2.5 Autocorrelation Function (ACF) Korelasi adalah hubungan antara satu variabel dengan variabel lainnya. Nilai korelasi dinyatakan oleh koefisien yang nilainya bervariasi dari -1 hingga +1. Koefisien yang bernilai positif menunjukkan hubungan antar variabel yang bersifat positif, artinya jika satu variabel meningkat nilainya, maka variabel lainnya juga akan meningkat nilainya. Koefisien yang bernilai negatif menunjukkan hubungan antar variabel yang bersifat negatif, artinya jika satu variabel meningkat nilainya, maka variabel lainnya akan menurun nilainya, atau sebaliknya. Jika suatu koefisien bernilai nol, maka antar variabel-variabel tersebut tidak memiliki hubungan, yakni apabila terjadi peningkatan/penurunan terhadap suatu variabel, variabel lainnya tidak akan terpengaruh oleh perubahan nilai tersebut (Wei, 2006). Koefisien autokorelasi memiliki makna yang hampir sama dengan koefisien korelasi. Pada korelasi, hubungan yang terjalin merupakan dua variabel yang berbeda pada waktu yang sama, sedangkan pada autokorelasi, hubungan yang terjalin merupakan dua variabel yang sama dalam rentang waktu yang berbeda. Autokorelasi dapat dihitung menggunakan ACF. Menurut Wei (2006), kovarians antara dan dapat ditulis sebagai:

10 14 [ ] Korelasi antara dan ditulis: dengan. Sebagai fungsi dari, disebut fungsi autokovarians pada lag k dan disebut fungsi autokorelasi pada lag-k, sehingga dan menggambarkan kovarians dan korelasi antara dan dari proses yang sama yang hanya dipisahkan oleh lag ke-. Fungsi autokovarians sampel dan autokorelasi sampel secara berturut-turut dapat ditulis sebagai (Wei, 2006):, dan, (2.11) dengan Fungsi autokovarians sampel dan autokorelasi memiliki sifat-sifat: 1.

11 dan, untuk semua. Sifat-sifat ini diperoleh dari perbedaan waktu antara dan. Oleh karena itu, fungsi autokorelasi sering hanya diplotkan untuk lag non negatif. Plot ini disebut korelogram. Untuk mengetahui ada tidaknya autokorelasi pada suatu data runtun waktu, perlu dilakukan pengujian hipotesis. Hipotesis yang digunakan adalah: (Koefisien autokorelasi tidak berbeda secara signifikan dengan nol). (Koefisien autokorelasi berbeda secara signifikan dengan nol). Statistik uji yang digunakan adalah (Tsay, 2005): (2.12) ( ) dengan ( ) merupakan standar eror autokorelasi pada saat lag-. Kriteria keputusan yang digunakan adalah tolak apabila dengan derajat bebas. Nilai dapat dilihat pada tabel t.

12 Partial Autocorrelation Function (PACF) PACF digunakan untuk mengukur tingkat keeratan antara dan, apabila pengaruh dari lag 1,2,3, dan seterusnya sampai dianggap terpisah (Makridakis, 1995). Misalkan merupakan proses yang stasioner dengan, selanjutnya dinyatakan sebagai model linier (Wei, 2006): (2.13) dengan adalah parameter regresi ke- dan merupakan nilai kesalahan yang tidak berkorelasi dengan untuk. Untuk mendapatkan nilai PACF, langkah pertama adalah mengalikan persamaan (2.13) dengan pada kedua ruas, sehingga diperoleh: (2.14) Selanjutnya, dicari nilai ekspektasi pada persamaan (2.14), yaitu: ( ) ( ) ( ) dengan nilai ( ), jika ( ), maka: (2.15) Selanjutnya, persamaan (2.15) dibagi dengan, diperoleh:

13 17 atau: (2.16) Sistem persamaan (2.16) akan diselesaikan menggunakan aturan Cramer untuk mencari nilai-nilai PACF lag- yaitu,,. 1. Untuk lag pertama dan diperoleh:, karena maka, artinya bahwa PACF pada lag pertama akan sama dengan ACF pada lag pertama. 2. Untuk lag kedua dan diperoleh: (2.17) Persamaan (2.17) dalam bentuk matriks dapat ditulis menjadi: * + [ ] * + (2.18) [ ] [ ], dengan menggunakan aturan Cramer yaitu maka diperoleh: 3. Secara umum, untuk lag ke- diperoleh:

14 18 (2.19) Persamaan (2.19) jika ditulis dalam bentuk matriks menjadi: [ ] [ ] [ ] dengan menggunakan aturan Cramer diperoleh: [ ] [ ] Oleh karena itu, (2.20)

15 19 Untuk mengetahui ada tidaknya autokorelasi parsial pada suatu data runtun waktu, perlu dilakukan pengujian hipotesis. Hipotesis yang digunakan adalah: nol). (Koefisien autokorelasi parsial tidak berbeda secara signifikan dengan (Koefisien autokorelasi parsial berbeda secara signifikan dengan nol). Statistik uji yang digunakan adalah (Tsay, 2005): (2.21) dengan Kriteria keputusan yang digunakan adalah tolak apabila dengan derajat bebas. Nilai dapat dilihat pada tabel t. 2.7 Uji ARCH-LM Terdapat dua uji yang digunakan untuk mendeteksi heteroskedastisitas di dalam data yaitu dengan melalui korelogram dan uji ARCH Lagrange Multiplier atau ARCH-LM dari residual kuadrat data (Rosadi, 2012). Uji ARCH-LM yang diperkenalkan oleh Engle pada tahun 1982 menyatakan bahwa varians dari variabel gangguan yang berbentuk tergantung pada seperti persamaan ARCH berikut (Widarjono, 2013):

16 20 (2.22) Hipotesis pada pengujian ARCH-LM adalah: (Tidak ada efek ARCH/GARCH dalam residual sampai lag ke-m) (Ada efek ARCH/GARCH dalam residual) Statistik uji yang digunakan adalah sum of squared residual (SSR) (Tsay, 2005): (2.23) dengan, merupakan nilai mean dari dan merupakan derajat bebas. Kriteria keputusan yang digunakan adalah tolak apabila nilai. Nilai dapat dilihat pada tabel F. 2.8 Model Autoregressive Conditional Heteroskedasticity (ARCH) Model ARCH yang diperkenalkan oleh Engle tahun 1982 digunakan untuk mengestimasi suatu data runtun waktu yang mempunyai varians error tidak konstan dan bergantung pada volatilitas error. Model ARCH dan perkembangannya paling umum digunakan untuk peramalan return dan volatilitas. Pada model ARCH, standar deviasi kuadrat digunakan sebagai varians. Model ARCH didefinisikan sebagai (Ladokhin, 2009): (2.24)

17 21, { (2.25) (2.26) dengan merupakan return bersyarat pada periode dengan mean nol dan merupakan residual (error term) pada periode ke, merupakan rangkaian independent and identically distributed (iid) atau sering diasumsikan berdistribusi normal standar. Nilai untuk merupakan parameter model dengan yang menjamin bahwa varians bernilai positif. Model ARCH tidak efektif digunakan untuk orde yang lebih tinggi (Tsay, 2006). Oleh karena itu, model GARCH dibentuk untuk mengatasi masalah tersebut. 2.9 Model Generalized-ARCH (GARCH) Bollerslev pada tahun 1986 mengusulkan model generalized ARCH (GARCH). Secara umum model GARCH didefinisikan sebagai (Ladokhin, 2009): (2.27)

18 22 dengan merupakan parameter, secara berturut-turut merupakan parameter model dengan, hal ini untuk memastikan bahwa varians bernilai positif. Model GARCH mengasumsikan bahwa volatilitas bersifat simetris sehingga beberapa ahli mengembangkan model lain untuk menangkap sifat asimetris pada data Model Exponential-GARCH (EGARCH) Model ARCH dan GARCH mengasumsikan bahwa volatilitas bersifat simetris, akan tetapi kenyataannya tidak demikian. Oleh karena itu, Nelson pada tahun 1991 memperkenalkan model eksponensial GARCH (EGARCH) yang digunakan untuk menangkap sifat asimetris yaitu adanya perbedaan pengaruh isu positif dan isu negatif. Bentuk umum model EGARCH adalah (Karlsson, 2002):, ( ) (2.28) Agar model memenuhi sifat asimetris pada return dan perubahan volatilitas maka model harus memiliki fungsi sign effect dan magnitude effect. Sign effect menunjukkan adanya perbedaan pengaruh antara isu positif dan isu negatif pada periode t terhadap varians saat ini, sedangkan magnitude effect menunjukkan seberapa besar pengaruh volatilitas pada periode yang

19 23 memengaruhi varians saat ini (Nelson, 1991). Jika sign effect dan magnitude effect bernilai, artinya sign effect dan magnitude effect berpengaruh terhadap harga minyak kelapa sawit. Sign effect dan magnitude effect pada model EGARCH ditunjukkan sebagai: [ [ ]] (2.29) dengan berdistribusi. Pada sign effect, batasan, dengan yang merupakan fungsi linier pada bernilai, sedangkan untuk batasan, yang merupakan fungsi linier pada bernilai. Oleh karena itu, fungsi disebut varians bersyarat dari yang menunjukkan adanya efek asimetris baik positif maupun negatif. Jika parameter bernilai positif artinya pengaruh dari isu positif lebih besar dibandingkan pengaruh dari isu negatif, dan sebaliknya (Nelson, 1991). Pada magnitude effect, apabila nilai dan, maka akan bernilai positif saat pengaruh volatilitas dari lebih besar dari nilai harapan, dan sebaliknya akan bernilai negatif saat pengaruh volatilitas dari lebih kecil dari nilai harapan. Jika nilai dan maka varians bersyarat saat ini akan bernilai positif saat return bernilai negatif, dan sebaliknya varians bersyarat saat ini akan bernilai negatif saat return bernilai positif (Nelson, 1991). Berbeda dengan model GARCH, model EGARCH tidak memiliki batasan parameter pada model.

20 24 Distribusi yang digunakan pada penelitian ini adalah distribusi student (t) dan distribusi generalized error (GED) Distribusi Student (t) Distribusi student-t adalah pengujian hipotesis yang menggunakan distribusi-t sebagai uji stasistik. Tabel pengujiannya disebut tabel t-student. Metode ini pertama kali diperkenalkan oleh W.S. Gosset pada tahun Namun, distribusi-t hanya dapat digunakan untuk sampel yang berukuran kurang dari 30. Kemudian W.S Gosset mengembangkan metode ini sehingga dapat dikenal sebagai distribusi student-t. Distribusi student-t dapat digunakan untuk sampel kecil maupun besar. Distribusi student-t memiliki fungsi densitas (Yang, 2011): ( ) ( ) ( ) (2.30) dengan merupakan derajat kebebasan, merupakan fungsi gamma, merupakan fungsi beta. Jika adalah nol, maka distribusi-t adalah distribusi normal standar Distribusi Generalized Error (GED) GED adalah distribusi eksponensial simetris. GED memiliki fungsi densitas (Yang, 2011): (2.31) [ ] dengan

21 25 [ [ ] [ ] ] (2.32) dengan merupakan fungsi gamma dan merupakan derajat kebebasan Pemilihan Model Terbaik (AIC dan SIC) Menentukan model terbaik dapat dilakukan dengan perbandingan kriteria informasi yaitu AIC (Akaike s Information Criterion) dan SIC (Schwarz Information Criterion). Nilai AIC dan SIC dapat diperoleh secara berturut-turut melalui persamaan (Tsay, 2005): ln ( ) (2.33) ln ( ) ln (2.34) dengan adalah banyaknya parameter. Semakin kecil nilai AIC dan SIC, hasil estimasi semakin baik dan layak untuk digunakan. Kriteria informasi SIC lebih sering digunakan karena hasil estimasi model lebih akurat dibanding AIC (Rosadi, 2012) Pengukuran Keakuratan Peramalan Pengukuran keakuratan peramalan dapat dilakukan dengan menghitung nilai Root Mean Square Error (RMSE) dan Mean Heteroscedastic Error (MHSE) (Ladokhin, 2009). Root Mean Square Error (RMSE) didefinisikan sebagai:

22 26 (2.35) dengan merupakan return bersyarat pada periode. Selanjutnya, Mean Heteroscedastic Error (MHSE) didefinisikan sebagai: ( ) (2.36) RMSE digunakan untuk mengukur kesalahan dalam hal penyimpangan nilai mean dan MHSE digunakan untuk relatif kesalahan nilai mean. Semakin kecil perbedaan nilai RMSE dan MHSE, maka hasil estimasi semakin baik dan layak untuk digunakan (Ladokhin, 2009).

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

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

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

PENERAPAN MODEL EGARCH PADA ESTIMASI VOLATILITAS HARGA MINYAK KELAPA SAWIT

PENERAPAN MODEL EGARCH PADA ESTIMASI VOLATILITAS HARGA MINYAK KELAPA SAWIT PENERAPAN MODEL EGARCH PADA ESTIMASI VOLATILITAS HARGA MINYAK KELAPA SAWIT Yoseva Agung Prihandini 1, Komang Dharmawan 2, Kartika Sari 3 1 Jurusan Matematika, Fakultas MIPA - Universitas Udayana [Email:

Lebih terperinci

BAB II LANDASAN TEORI

BAB 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 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

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

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

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

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 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

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

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

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 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

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

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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik

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

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

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

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

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

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

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

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

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

Disusun oleh : Nur Musrifah Rohmaningsih Skripsi. Sebagai Salah Satu Syarat untuk Memperoleh Gelar

Disusun 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 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

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman Online di:

ISSN: 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 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

PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2013 ISBN:

PROSIDING 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 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 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

PEMODELAN RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (TGARCH)

PEMODELAN RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (TGARCH) ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 465-474 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN THRESHOLD

Lebih 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 2 LANDASAN TEORI Pengertian Data Deret Berkala

BAB 2 LANDASAN TEORI Pengertian Data Deret Berkala BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian

Lebih terperinci

PEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH

PEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH PEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH BUNGA LETY MARVILLIA Matematika, Fakultas Ilmu Pengetahuan Alam, UNESA Jl. Ketintang villy_cute_7@yahoo.com 1, raywhite_vbm@gmail.com

Lebih terperinci

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

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

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

Penerapan Metode ARCH/GARCH Dalam Peramalan Indeks Harga Saham Sektoral

Penerapan Metode ARCH/GARCH Dalam Peramalan Indeks Harga Saham Sektoral Jurnal Sains Matematika dan Statistika, Vol 2, No I, Januari 206 Penerapan Metode ARCH/GARCH Dalam Peramalan Indeks Harga Saham Sektoral Ari Pani Desvina, Nadyatul Rahmah 2,2 Jurusan Matematika Fakultas

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

PEMODELAN RETURN PORTOFOLIO SAHAM MENGGUNAKAN METODE GARCH ASIMETRIS. Keywords: Stocks, Portfolio, Return, Volatility, Asymmetric GARCH.

PEMODELAN 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 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

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 dan Peramalan Penutupan Harga Saham Harian Jakarta Islamic Index Model Garch

Pemodelan dan Peramalan Penutupan Harga Saham Harian Jakarta Islamic Index Model Garch EKBISI, Vol. IX, No. 1, Desember 2014, hal. 57-66 ISSN:1907-9109 Pemodelan dan Peramalan Penutupan Harga Saham Harian Jakarta Islamic Index Model Garch Ahmad Syarif 1 Fakultas Syariah dan Hukum UIN Sunan

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

PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)

PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS

Lebih 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

PEMODELAN KURS MATA UANG RUPIAH TERHADAP DOLLAR AMERIKA MENGGUNAKAN METODE GARCH ASIMETRIS

PEMODELAN 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 terperinci

PENENTUAN MODEL TERBAIK UNTUK PERAMALAN DATA SAHAM CLOSING PT. CIMB NIAGA INDONESIA MENGGUNAKAN METODE ARCH-GARCH

PENENTUAN MODEL TERBAIK UNTUK PERAMALAN DATA SAHAM CLOSING PT. CIMB NIAGA INDONESIA MENGGUNAKAN METODE ARCH-GARCH PENENTUAN MODEL TERBAIK UNTUK PERAMALAN DATA SAHAM CLOSING PT. CIMB NIAGA INDONESIA MENGGUNAKAN METODE ARCH-GARCH Gatri Eka K 1, Vebriani Safitry 2, Yesika Kristin 3 Program Studi Matematika, Universitas

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. 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

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

PERBANDINGAN AKURASI MODEL ARCH DAN GARCH PADA PERAMALAN HARGA SAHAM BERBANTUAN MATLAB Sunarti, Scolastika Mariani, Sugiman

PERBANDINGAN AKURASI MODEL ARCH DAN GARCH PADA PERAMALAN HARGA SAHAM BERBANTUAN MATLAB Sunarti, Scolastika Mariani, Sugiman g UJM 5 (1) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN AKURASI MODEL ARCH DAN GARCH PADA PERAMALAN HARGA SAHAM BERBANTUAN MATLAB Sunarti, Scolastika Mariani,

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

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

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

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 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

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 3 METODOLOGI PENELITIAN

BAB 3 METODOLOGI PENELITIAN 31 BAB 3 METODOLOGI PENELITIAN Pada bab ini akan dibahas mengenai tahapan-tahapan serta metode pengolahan data yang akan digunakan dalam penelitian. Penelitian tahap pertama mencoba untuk keberadaan fenomena

Lebih terperinci

PERAMALAN 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 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 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 ARIMAX DENGAN EFEK VARIASI KALENDER

BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan

Lebih 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

MODEL NON LINIER GARCH (NGARCH) UNTUK MENGESTIMASI NILAI VALUE at RISK (VaR) PADA IHSG

MODEL NON LINIER GARCH (NGARCH) UNTUK MENGESTIMASI NILAI VALUE at RISK (VaR) PADA IHSG E-Jurnal Matematika Vol. 4 (2), Mei 215, pp. 59-66 ISSN: 233-1751 MODEL NON LINIER (N) UNTUK MENGESTIMASI NILAI VALUE at RISK (VaR) PADA IHSG I Komang Try Bayu Mahendra 1, Komang Dharmawan 2, Ni Ketut

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini merupakan penelitian mengenai pengaruh variabel moneter

BAB 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 terperinci

III. METODE PENELITIAN. Penelitian ini mengunakan data sekunder berdasarkan runtun waktu (time series)

III. METODE PENELITIAN. Penelitian ini mengunakan data sekunder berdasarkan runtun waktu (time series) 41 III. METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini mengunakan data sekunder berdasarkan runtun waktu (time series) periode Januari 2001- Desember 2008 yang diperoleh dari publikasi resmi,

Lebih terperinci

UNNES Journal of Mathematics

UNNES Journal of Mathematics UJM 5 (2) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN TAKSIRAN VALUE AT RISK DENGAN PROGRAM R DAN MATLAB DALAM ANALISIS INVESTASI SAHAM MENGGUNAKAN METODE

Lebih 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

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. 1 Latar

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 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu

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

BAB 3 SMOOTH TRANSITON AUTOREGRESSIVE. waktu nonlinear yang merupakan perluasan dari model Autoregressive (AR).

BAB 3 SMOOTH TRANSITON AUTOREGRESSIVE. waktu nonlinear yang merupakan perluasan dari model Autoregressive (AR). BAB 3 SMOOTH TRANSITON AUTOREGRESSIVE 3.1. Model Smooth Transition Autoregressive Model Smooth Transition Autoregressive adalah salah satu model runtun waktu nonlinear yang merupakan perluasan dari model

Lebih terperinci

BAB III METODE PENELITIAN. minyak kelapa sawit Indonesia yang dipengaruhi oleh harga ekspor minyak

BAB III METODE PENELITIAN. minyak kelapa sawit Indonesia yang dipengaruhi oleh harga ekspor minyak BAB III METODE PENELITIAN A. Ruang Lingkup Penelitian Penelitian ini bertujuan untuk menganalisa seberapa besar volume ekspor minyak kelapa sawit Indonesia yang dipengaruhi oleh harga ekspor minyak kelapa

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

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 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu

Lebih terperinci

Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series

Peramalan 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 terperinci

LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins

LAPORAN 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 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

III. METODELOGI PENELITIAN. Dalam penelitian yang berjudul Analisis Determinan Nilai Aktiva Bersih Reksa

III. METODELOGI PENELITIAN. Dalam penelitian yang berjudul Analisis Determinan Nilai Aktiva Bersih Reksa III. METODELOGI PENELITIAN A. Definisi Operasional Variabel Dalam penelitian yang berjudul Analisis Determinan Nilai Aktiva Bersih Reksa Dana Saham di Indonesia (Periode 2005:T1 2014:T3) variabel-variabel

Lebih terperinci

PERAMALAN VALUE AT RISK MENGGUNAKAN METODE GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC

PERAMALAN VALUE AT RISK MENGGUNAKAN METODE GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 05, No. 02 (2016), hal 267 276. PERAMALAN VALUE AT RISK MENGGUNAKAN METODE GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC Nendra Mursetya

Lebih terperinci

BAB III PARTIAL ADJUSTMENT MODEL (PAM) Pada dasarnya semua model regresi mengasumsikan bahwa hubungan

BAB III PARTIAL ADJUSTMENT MODEL (PAM) Pada dasarnya semua model regresi mengasumsikan bahwa hubungan BAB III PARTIAL ADJUSTMENT MODEL (PAM) 3.1 Model Distribusi Lag Pada dasarnya semua model regresi mengasumsikan bahwa hubungan antara peubah tak bebas dan peubah-peubah bebas bersifat serentak. Hal ini

Lebih terperinci

MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE

MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan

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

INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) (Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia)

INTEGRATED 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 terperinci

PERAMALAN KUNJUNGAN WISATAWAN MENGGUNAKAN MODEL ARMAX DENGAN NILAI KURS DAN EKSPOR-IMPOR SEBAGAI FAKTOR EKSOGEN

PERAMALAN KUNJUNGAN WISATAWAN MENGGUNAKAN MODEL ARMAX DENGAN NILAI KURS DAN EKSPOR-IMPOR SEBAGAI FAKTOR EKSOGEN PERAMALAN KUNJUNGAN WISATAWAN MENGGUNAKAN MODEL ARMAX DENGAN NILAI KURS DAN EKSPOR-IMPOR SEBAGAI FAKTOR EKSOGEN Putu Ika Oktiyari Laksmi 1, Komang Dharmawan 2, Luh Putu Ida Harini 3 1 Jurusan Matematika,

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

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

Aplikasi Model GARCH pada Data Inflasi Bahan Makanan Indonesia

Aplikasi Model GARCH pada Data Inflasi Bahan Makanan Indonesia Aset, Maret 2011, hal. 65-76 Vol. 13 No. 1 ISSN 1693-928X Aplikasi Model GARCH pada Data Inflasi Bahan Makanan Indonesia TEGUH SANTOSO Magister Sian Ilmu Ekonomi Universitas Gajah Mada Jl. Humaniora, Bulaksumur,

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:

ISSN: 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 terperinci

BAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009

BAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009 17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009

Lebih terperinci

PERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH

PERAMALAN 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 terperinci

IV METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian 4.2 Jenis dan Sumber Data

IV 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 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

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