BAB II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji
|
|
- Farida Iskandar
- 7 tahun lalu
- Tontonan:
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 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
Lebih terperinciBAB III 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 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 terperinciPENERAPAN 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 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 terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciBAB 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 terperinciPEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH. Retno Hestiningtyas dan Winita Sulandari, M.Si. Jurusan Matematika FMIPA UNS
S-9 PEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Retno Hestiningtyas dan Winita Sulandari, M.Si Jurusan Matematika FMIPA UNS ABSTRAK. Pada data finansial sering terjadi keadaan leverage effect,
Lebih 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 terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1 Desain Penelitian Penelitian ini didasari oleh gejolak/volatilitas nilai tukar rupiah terhadap mata uang asing (valuta asing).pada nilai transaksi jual beli valuta asing yang
Lebih terperinciBAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah
BAB IV PEMBAHASAN 4.1 Deskripsi Data Gambar 4.1 memperlihatkan bahwa data berfluktuasi dari waktu ke waktu. Hal ini mengindikasikan bahwa data tidak stasioner baik dalam rata-rata maupun variansi. Gambar
Lebih terperinciBAB III 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 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 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 terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciBAB 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 terperinciBAB 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 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 terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciBAB III 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 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 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 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 terperinciSuma Suci Sholihah, Heni Kusdarwati, Rahma Fitriani. Jurusan Matematika, F.MIPA, Universitas Brawijaya
PEMODELAN RETURN IHSG PERIODE 15 SEPTEMBER 1998 13 SEPTEMBER 2013 MENGGUNAKAN THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (TGARCH(1,1)) DENGAN DUA THRESHOLD Suma Suci Sholihah,
Lebih terperinciBAB 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 terperinciPERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (GARCH-M)
PERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (GARCH-M) (Studi Kasus pada Return Harga Saham PT. Wijaya Karya) SKRIPSI Disusun Oleh : Dwi Hasti
Lebih 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 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 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 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 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 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 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 terperinciPEMODELAN RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (TGARCH)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 465-474 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN THRESHOLD
Lebih 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 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 terperinciPEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH
PEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH BUNGA LETY MARVILLIA Matematika, Fakultas Ilmu Pengetahuan Alam, UNESA Jl. Ketintang villy_cute_7@yahoo.com 1, raywhite_vbm@gmail.com
Lebih terperinciPENDUGAAN 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 terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciBAB I PENDAHULUAN. 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 terperinciPenerapan 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 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 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 I PENDAHULUAN. penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada zaman sekarang, peramalan merupakan salah satu unsur yang sangat penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan peramalan
Lebih terperinciBAB I PENDAHULUAN 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 terperinciPemodelan 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 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 terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih 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 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 terperinciPENENTUAN 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 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 terperinciIII. METODE PENELITIAN. Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang
30 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang diperoleh dari Laporan Bank Indonesia, Statistik Ekonomi dan Keuangan Indonesia,
Lebih 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 terperinciPERBANDINGAN 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 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 terperinciTEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari Indonesia Tbk)
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 71 78. TEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari
Lebih 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 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 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 terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 771-780 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP
Lebih terperinciBAB 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 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 terperinciBAB 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 terperinciBAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER
21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan
Lebih 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 terperinciMODEL 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 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 terperinciIII. 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 terperinciUNNES Journal of Mathematics
UJM 5 (2) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN TAKSIRAN VALUE AT RISK DENGAN PROGRAM R DAN MATLAB DALAM ANALISIS INVESTASI SAHAM MENGGUNAKAN METODE
Lebih 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 terperinciPENGGUNAAN 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 terperinciPemodelan Data Time Series Garch(1,1) Untuk Pasar Saham Indonesia. Time Series With GARCH(1,1) Model for Indonesian Stock Markets
Pemodelan Data Time Series Garch(1,1) Untuk Pasar Saham Indonesia Time Series With GARCH(1,1) Model for Indonesian Stock Markets Elfa Rafulta 1), Roni Tri Putra 2) 1) Jurusan Pendidikan Matematika, STKIP
Lebih terperinciBAB 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 terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPENGGUNAAN 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 terperinciMETODE 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih 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 terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciBAB 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 terperinciIII. 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 terperinciPERAMALAN 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 terperinciBAB 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 terperinciMODEL 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 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 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 terperinciPERAMALAN 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 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 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 terperinciAplikasi 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 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 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 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 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 terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciIII. 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