Anda di halaman 1dari 142

MODEL RUNTUN WAKTU

AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY


(ARCH) DAN GENERALIZED AUTOREGRESSIVE
CONDITIONAL HETEROSCEDASTICITY (GARCH)

PENI SHANTI SURYANI


0301010454

UNIVERSITAS INDONESIA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
DEPARTEMEN MATEMATIKA
DEPOK
2007

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

MODEL RUNTUN WAKTU


AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY
(ARCH) DAN GENERALIZED AUTOREGRESSIVE
CONDITIONAL HETEROSCEDASTICITY (GARCH)

Skripsi diajukan sebagai salah satu syarat


untuk memperoleh gelar Sarjana Sains

Oleh :
PENI SHANTI SURYANI
0301010454

DEPOK
2007

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

SKRIPSI

MODEL RUNTUN WAKTU AUTOREGRESSIVE


CONDITIONAL HETEROSCEDASTICITY (ARCH) DAN
GENERALIZED AUTOREGRESSIVE CONDITIONAL
HETEROSCEDASTICITY (GARCH)

NAMA

PENI SHANTI SURYANI

NPM

0301010454

SKRIPSI INI TELAH DIPERIKSA DAN DISETUJUI


DEPOK, 11 JULI 2007

Dra. Netty Sunandi, M.Si

Yogo Purwono, SE, MM, Gdip,ActSc

Pembimbing I

Pembimbing II

Tanggal lulus Ujian Lulus Sidang Sarjana : 11 Juli 2007


Penguji I

Dra. Netty Sunandi, M.Si

Penguji II

Rahmi Rusin, S.Si, M.Sc

Penguji III

Fevi Novkaniza, S.Si, M.Si

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

KATA PENGANTAR

Alhamdulillaahirabbilaalamiin, puji syukur kepada Allah swt atas


segala rahmat-Nya sehingga penulisan skripsi ini dapat terselesaikan.
Penulis mengucapkan terima kasih sebesar-besarnya kepada :
1. Ibu Netty dan Pak Yogo (selaku pembimbing I dan II), Ibu Titin dan Ibu
Saskya (selaku pengurus departemen Matematika) serta Ibu Siti
Aminah (selaku pembimbing akademis), untuk bimbingan, bantuan
dan doanya kepada penulis selama berada di Matematika.
2. Keluarga, terutama kedua kakak, Nunning dan Dewita (terima kasih
laptopnya yang amat sangat berguna), dan Om Marwanto Omen,
untuk doa, semangat dan kasih sayang terbesar kepada penulis.
3. Teman-teman di Matematika, terutama Luwice, Ihsan (pembimbing
ketiga, maaf sering merepotkan), Ary dan Widya (teman senasib
selama mengerjakan skripsi), Hidia dan Yanti (seksi konsumsi), Siska
dan Feni (seksi penginapan), Bas dan Onggo (seksi penyemangat),
Dany (untuk file TA Dany-nya), Wiwik dan ibunya (terima kasih
interlokalnya), Winny (semangat terus ya), cewek-cewek barengan
lulus : Dyut, Aurora, Icha, Kumala, Diah, Indah, Wina dan Vidya.
4. Teman-teman di luar Matematika (Oppie, Wahidin dan teman-teman
ex-2c), keluarga kucing (keluarga besar Uci, Alul, Mimi, Tutul, Impi,
Kitty, Bubul, Item, Cina, Milki, Manda, Monika, Jackson, dkk), dan

i
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

Yuni (untuk nasi goreng dan mengurus keluarga kucing), serta kepada
semua pihak yang telah membantu dan mendoakan, maaf tidak dapat
disebutkan satu persatu.

Penulis
2007

ii
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

ABSTRAK

Tugas akhir ini bertujuan untuk memperkenalkan model runtun waktu


Autoregressive Conditional Heteroscedasticity (ARCH) dan Generalized
Autoregressive Conditional Heteroscedasticity (GARCH), kemudian
menggabungkannya dengan model runtun waktu stasioner yaitu model
Autoregressive Moving Average (ARMA), menjadi model ARMA-ARCH atau
ARMA-GARCH. Model ini akan dapat menangkap adanya fenomena
pengelompokan volatilitas yang seringkali terjadi pada data runtun waktu
finansial. Selain itu akan dijelaskan karakteristiknya, diantaranya adalah sifat
kestasioneran dan fungsi autokorelasi, kemudian diperlihatkan berbagai
simulasinya.

Kata kunci : fungsi autokorelasi; heteroskedastik; homoskedastik;


proses ARMA; proses white noise; stasioner.
vii + 132 hlm. ; lamp.
Bibliografi : 12 (1982-2007)

iii
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

DAFTAR ISI
Halaman
KATA PENGANTAR ....................................................................................

ABSTRAK .................................................................................. iii


DAFTAR ISI .............................................................................. iv
DAFTAR LAMPIRAN ............. vii
BAB I

BAB II

PENDAHULUAN ..................................................... 1
1.1

LATAR BELAKANG MASALAH ...........................

1.2

MASALAH ....................................... 3

1.3

PEMBATASAN MASALAH ...................... 3

1.4

TUJUAN PENULISAN ................................ 3

1.5

SISTEMATIKA PENULISAN ..................................... .. 4

PROSES RUNTUN WAKTU AUTOREGRESSIVE MOVING


AVERAGE (ARMA) ........
2.1

KONSEP DASAR RUNTUN WAKTU ............................. 5


2.1.1 Runtun Waktu dan Proses Stokastik ........................... 5
2.1.2 Fungsi Mean, Fungsi Autokovariansi dan
Fungsi Autokorelasi ................................................... 6
2.1.3 Kestasioneran ............................................................... 7
2.1.3.1 Stasioner Kuat ............................................... 7
2.1.3.2 Stasioner Lemah ........................................... 7
2.1.4 Proses White Noise ..................................................... 8
2.1.5 Fungsi Autokorelasi Parsial ........................................ 9
2.1.6 Operator Backward Shift ............................................ 12

2.2

PROSES MOVING AVERAGE .............................................. 12


2.2.1 Proses Moving Average Orde Pertama ..................... 13
2.2.2 Proses Moving Average Orde Kedua ........................ 15
2.2.3 Proses Moving Average Orde ke-q ............................ 16

iv
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

2.3

PROSES AUTOREGRESSIVE

......................................... 17

2.3.1 Proses Autoregressive Orde Pertama ....................... 18


2.3.2 Proses Autoregressive Orde Kedua........................... 22
2.4

2.5

2.3.3 Proses Autoregressive Orde ke-p..............................

25

INVERTIBILITAS ..................................................................

27

2.4.1 Proses Moving Average ............................................

27

2.4.2 Proses Autoregressive...............................................

29

PROSES AUTOREGRESSIVE MOVING AVERAGE........... 30


2.5.1 Proses ARMA(1,1)...................................................... 32
2.5.2 Proses ARMA(p,q)...................................................... 34

2.6

SIMULASI PROSES ARMA .................................................. 35

2.7

RUNTUN WAKTU NONSTASIONER.................................... 37


2.7.1 Transformasi Diferensi................................................ 38
2.7.2 Transformasi Logaritma............................................... 41

BAB III PROSES AUTOREGRESSIVE CONDITIONAL


HETEROSCEDASTICITY (ARCH) .............................................. 47
3.1

MEAN DAN VARIANSI BERSYARAT PADA PROSES


ARMA........................................................................... 47

3.2

PENGELOMPOKAN VOLATILITAS PADA RUNTUN


WAKTU FINANSIAL ............................. ................................ 48

3.3

PEMODELAN FAKTOR PENGGANGGU UNTUK RUNTUN


WAKTU DENGAN PENGELOMPOKAN VOLATILITAS......... 50
3.3.1 Model dengan Variabel Eksogen ................................ 51
3.3.2 Model Bilinier ............................................................... 52
3.3.3 Model Autoregressive Conditional Heteroscedasticity
(ARCH) ........................................................................ 53

3.4

PROSES AUTOREGRESSIVE CONDITIONAL


HETEROSCEDASTICITY (ARCH).......................................... 55
3.4.1 Proses ARCH Orde Pertama ..................................... 55

v
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

3.4.2 Proses ARCH Orde ke-n............................................. 58


3.5

FUNGSI AUTOKORELASI {t2 } PADA PROSES ARCH(n).....59

3.6

MODEL ARMA-ARCH STASIONER..................................... 62

3.7

SIMULASI PROSES ARCH .................................................. 65


3.7.1 Simulasi Proses AR(1)................................................. 65
3.7.2 Simulasi Proses AR(1)-ARCH(1)................................ 67
3.7.3 Simulasi Proses AR(1)-ARCH(4)................................ 68
3.7.4 Simulasi Proses AR-ARCH yang Tidak Stasioner....... 71

BAB IV

PROSES GENERALIZED AUTOREGRESSIVE

CONDITIONAL HETEROSCEDASTICITY (GARCH) ................ 73


4.1

PROSES GARCH(1,1).........................................................

73

4.2

PROSES GARCH ORDE KE-m DAN n................................ 77

4.3

FUNGSI AUTOKORELASI {t2 }


PADA PROSES GARCH(m,n) ............................................. 78

4.4

REPRESENTASI GARCH(1,1) SEBAGAI ARCH() ............ 82

4.5

MODEL ARMA-GARCH STASIONER ................................. 83

4.6

SIMULASI PROSES GARCH .............................................. 84


4.6.1 Simulasi Proses AR(1)-GARCH(1,1).......................... 85
4.6.2 Simulasi Proses AR(1)-GARCH(2,2)........................... 86
4.6.3 Simulasi Proses AR-GARCH yang Tidak Stasioner.... 89

4.7
BAB V

KELEMAHAN PROSES ARCH DAN GARCH ........................ 90


PENUTUP ........................................................ 91

5.1

KESIMPULAN ............................................................... 91

5.2

SARAN .................................................................................. 93

DAFTAR PUSTAKA ............................................................. 95


LAMPIRAN ........................................................................... 96

vi
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

DAFTAR LAMPIRAN

Lampiran

Halaman

1. Program Simulasi .... 96


2. Pembuktian Teorema . 99
3. Skewness dan Kurtosis 129

vii
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

BAB I
PENDAHULUAN

1.1

LATAR BELAKANG MASALAH

Runtun waktu adalah himpunan barisan observasi yang terurut dalam


waktu. Satuan waktu ini dapat berupa tahunan, bulanan, harian, maupun
detik, tergantung pada permasalahannya. Dari suatu data runtun waktu,
dapat dilakukan analisis runtun waktu, yaitu memodelkan data runtun waktu,
kemudian menggunakan model tersebut untuk meramalkan nilai masa depan
dari runtun waktu tersebut.
Model runtun waktu yang biasa digunakan dalam memodelkan suatu
data runtun waktu adalah model Autoregressive Moving Average (ARMA).
Model ini menggunakan asumsi faktor pengganggu (error) mempunyai
variansi konstan (bersifat homoskedastik). Suatu proses runtun waktu agar
dapat dimodelkan dengan model ARMA, harus memenuhi sifat stasioner,
yaitu fungsi mean dan variansinya konstan terhadap waktu, dan fungsi
autokovariansi antara dua observasi pada dua titik waktu yang berbeda
hanya bergantung pada selisih antara dua titik waktu tersebut.
Runtun waktu dalam bidang finansial contohnya adalah harga saham,
tingkat inflasi dan nilai tukar mata uang. Data runtun waktu finansial
seringkali memperlihatkan adanya volatilitas yang berfluktuasi tajam pada

1
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

periode waktu tertentu, sedangkan pada periode waktu yang lain nilainya
relatif stabil. Nilai runtun waktu yang besar (atau kecil), cenderung diikuti
oleh nilai yang besar (atau kecil) pula pada waktu berikutnya, baik bernilai
positif maupun negatif. Sifat ini akan menyebabkan terjadinya fenomena
yang disebut dengan pengelompokan volatilitas, yaitu keragaman nilai
pada data runtun waktu antar periode membentuk kelompok-kelompok.
Pada periode waktu tertentu keragaman nilai runtun waktu ini bernilai relatif
kecil-kecil, sedangkan pada periode waktu yang lain bernilai relatif besarbesar. Fenomena seperti ini wajar terjadi karena dalam bidang finansial
banyak faktor yang saling mempengaruhi.

Gambar 1.1 Pengembalian (Return) Indeks Harga Penutupan


Saham pada Bursa Saham Nasdaq 1971-2006

Data runtun waktu finansial dengan adanya pengelompokan volatilitas,


tidak sesuai apabila dimodelkan dengan menggunakan model ARMA biasa,
karena model ARMA biasa tidak dapat menangkap adanya sifat tersebut.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

1.2

MASALAH

Membentuk suatu model runtun waktu, dengan memperluas model


ARMA, sehingga model ini akan dapat mencerminkan fenomena
pengelompokan volatilitas yang seringkali terjadi pada runtun waktu finansial.

1.3

PEMBATASAN MASALAH

Pembahasan dalam penulisan tugas akhir ini dibatasi pada proses


runtun waktu yang hanya melibatkan satu variabel (univariat) dan mempunyai
fungsi mean yang konstan. Selain itu pada penulisan ini hanya membahas
karateristik saja, tidak membahas estimasi parameter pada model.

1.4

TUJUAN PENULISAN

Tujuan dari penulisan tugas akhir ini adalah :


1. Menjelaskan variansi bersyarat proses ARMA.
2. Menjelaskan proses Autoregressive Conditional Heteroscedasticity
(ARCH).
3. Menjelaskan proses Generalized Autoregressive Conditional
Heteroscedasticity (GARCH).
4. Menjelaskan proses ARMA-ARCH dan ARMA-GARCH.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

5. Memperlihatkan simulasi dari proses-proses yang telah dijelaskan


sebelumnya.

1.5

SISTEMATIKA PENULISAN

Bab I. Pendahuluan
Berisi latar belakang, masalah, pembatasan masalah, tujuan
penulisan, dan sistematika penulisan.
Bab II. Landasan Teori
Berisi pembahasan tentang konsep dasar runtun waktu dan
karakteristik proses Autoregressive Moving Average (ARMA) beserta
simulasinya.
Bab III. Proses Autoregressive Conditional Heteroscedasticity (ARCH)
Berisi pembahasan tentang proses ARCH dan ARMA-ARCH, beserta
simulasinya.
Bab IV. Proses Generalized Autoregressive Conditional Heteroscedasticity
(GARCH)
Berisi pembahasan tentang proses GARCH dan ARMA-GARCH,
beserta simulasinya.
Bab V. Penutup
Berisi kesimpulan.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

BAB II
PROSES RUNTUN WAKTU
AUTOREGRESSIVE MOVING AVERAGE (ARMA)

2.1

KONSEP DASAR RUNTUN WAKTU

2.1.1 Runtun Waktu dan Proses Stokastik

Runtun waktu adalah himpunan observasi yang terurut dalam waktu.


Satuan waktu ini dapat berupa tahunan, bulanan, harian maupun detik,
tergantung pada permasalahannya. Dari suatu data runtun waktu, dapat
dilakukan analisis runtun waktu, yaitu memodelkan data runtun waktu,
kemudian menggunakan model tersebut untuk meramalkan nilai masa depan
dari runtun waktu tersebut. Pada bab ini akan dibahas karakteristik runtun
waktu yang dimodelkan dengan model runtun waktu stasioner Autoregressive
Moving Average (ARMA).

Keuntungan

150000.00

100000.00

50000.00

0.00

0.00

100.00

200.00

300.00

waktu

Gambar 2.1 Runtun Waktu Keuntungan Harian


Produsen Minuman X Tahun 2006

5
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

Notasikan Yt sebagai observasi pada waktu t . Untuk memodelkan


ketidakpastian pada observasi, asumsikan bahwa untuk setiap titik waktu t,
Yt adalah variabel random. Suatu fenomena statistik yang berkembang
dalam waktu sesuai dengan hukum probabilitas disebut dengan proses
stokastik. Runtun waktu yang akan dianalisis dapat dipandang sebagai
realisasi dari proses stokastik. Selanjutnya kata proses stokastik dapat
ditulis secara singkat dengan proses saja.

2.1.2 Fungsi Mean, Fungsi Autokovariansi dan Fungsi Autokorelasi

Untuk proses stokastik {Yt : t = 0, 1, 2,...} , fungsi mean dinotasikan


dengan t , yaitu :

t = E (Yt ) , t = 0, 1, 2,
Fungsi autokovariansi antara Yt dan Ys , dinotasikan dengan t ,s , yaitu :

t ,s = Cov (Yt ,Ys ) = E (Yt t )(Ys s ) = E (YtYs ) t s , t , s = 0, 1, 2,.


Jika t = s maka t ,s menjadi variansi Yt , yaitu :

t ,t = Cov (Yt ,Yt ) = Var (Yt ) , t = 0, 1, 2, .


Fungsi autokorelasi antara Yt dan Ys , dinotasikan dengan t ,s , yaitu :

t ,s = Corr (Yt ,Ys ) =

Cov (Yt ,YS )

(Var (Y ) .Var (Y ) )

12

t ,s

s,s )

12

t ,t

, t , s = 0, 1, 2,... .

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

2.1.3 Kestasioneran

2.1.3.1 Stasioner Kuat

Proses stokastik {Yt } bersifat stasioner kuat jika distribusi bersama


dari Yt1 ,Yt2 ,...,Ytn sama dengan distribusi bersama dari Yt1 k ,Yt2 k ,...,Ytn k , yaitu
dapat ditulis :

Pr Yt1 ,Yt2 ,...,Ytn = Pr Yt1 k ,Yt2 k ,...,Ytn k ,


untuk setiap titik waktu t1, t 2 ,..., t n dan lag k .

2.1.3.2

Stasioner Lemah

Proses stokastik {Yt } bersifat stasioner lemah jika :


1. Fungsi mean konstan terhadap waktu, yaitu :
E (Yt ) = E (Yt k ) = , < ,

untuk setiap t dan k.


2. Fungsi autokovariansi antara Yt dan Yt k hanya bergantung pada
selang waktu k, tidak bergantung pada t, yaitu :

Cov (Yt ,Yt k ) = Cov (Yt j ,Yt k j ) = k , k < ,


untuk setiap t, k dan j.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

Jika k = 0 maka k menjadi variansi Yt , yaitu :


Var (Yt ) = Cov (Yt ,Yt ) = 0 < .

Sehingga jika {Yt } stasioner lemah maka fungsi autokorelasi antara Yt dan
Yt k menjadi :

k = Corr (Yt ,Yt k ) =

Cov (Yt ,Yt k )

(Var (Y ) .Var (Y ) )

12

t k

= k
12
0
( 0 0 )

Untuk pembahasan selanjutnya, kata stasioner saja berarti stasioner lemah.

2.1.4 Proses White Noise

Proses white noise didefinisikan sebagai barisan variabel random {at }


yang independen dan berdistribusi identik. Distribusi yang biasa digunakan
adalah distribusi normal. Proses white noise bersifat stasioner kuat.
Buktinya adalah sebagai berikut :

) (

Pr at1 x1, at2 x2 ,..., atn xn = Pr at1 x1 Pr at2 x2

Pr atn xn

(karena independen)

) (

= Pr at1 k x1 Pr at2 k x2

Pr atn k xn

(karena berdistribusi identik)

= Pr at1 k x1, at2 k x2 ,..., atn k xn

Karena berdistribusi identik, proses white noise mempunyai fungsi


mean konstan yaitu :

= E ( at )

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

Fungsi autokovariansinya yaitu :

k = Var ( at ) = a2
= Cov ( at , at k ) = 0

, jika k = 0
, jika k 0

Sehingga fungsi autokorelasinya yaitu :

k = 1 , jika k = 0
= 0 , jika k 0
Dalam penulisan tugas akhir ini, diasumsikan bahwa proses white noise
mempunyai mean nol sehingga dapat ditulis NIID ( 0, a2 ) .

2.1.5 Fungsi Autokorelasi Parsial

Fungsi autokorelasi parsial antara Yt dan Yt k didefinisikan sebagai


korelasi antara Yt dan Yt k dengan diberikan variabel di tengahnya, yaitu
Yt 1,Yt 2 ,,Yt k +1 . Untuk {Yt } yang stasioner, fungsi autokorelasi parsial
antara Yt dan Yt k , dinotasikan dengan kk , didefinisikan :

kk = Corr (Yt ,Yt k Yt 1,Yt 2 ,,Yt k +1 )


Untuk model Yt 1 = 1Yt + at 1 , dengan E (Yt ) = 0 , {at } adalah white noise, dan
asumsikan at k , k 1, independen dengan Yt , didapatkan :

( )

E (Yt 1Yt ) = 1E Yt 2 + E ( at 1Yt )


Cov (Yt 1,Yt ) = 1Var (Yt )

1 =

Cov (Yt 1,Yt )


Var (Yt )

1
= 1 = Corr (Yt 1,Yt ) = 11
0

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

10

Sehingga model Yt 1 = 1Yt + at 1 dapat ditulis menjadi :


(2.1)

Y t 1 = 11Y t + a t 1

Sedangkan untuk model Yt 2 = 1Yt 1 + 2Yt + at 2 , diperoleh :

E (YtYt 2 Yt 1 ) = 1E (YtYt 1 Yt 1 ) + 2E Yt 2 Yt 1 + E ( at 2Yt Yt 1 )


Cov (Yt ,Yt 2 Yt 1 ) = 0 + 2Var (Yt Yt 1 ) + 0

2 =

Cov (Yt ,Yt 2 Yt 1 )


Var (Yt Yt 1 )

= 22

Sehingga model Yt 2 = 1Yt 1 + 2Yt + at 2 dapat ditulis menjadi :


Yt 2 = 1Yt 1 + 22Yt + at 2

(2.2)

Dari (2.1) dan (2.2), secara umum regresi Yt k terhadap Yt ,Yt 1,,Yt ( k 1) ,
dapat ditulis :
Yt k = k 1Yt ( k 1) + k 2Yt ( k 2) + + kkYt + at k
Dengan mengalikan kedua sisi persamaan di atas dengan Yt ( k j ) , j = 1,2, ,
lalu diekspektasikan, diperoleh :

(
) ) + E (a

E Yt kYt ( k j ) = j = k 1E Yt ( k 1)Yt ( k j ) + k 2E Yt ( k 2)Yt ( k j )

+ + kk E YtYt ( k j

Yt ( k j )

t k

Asumsikan at k independen dengan Yt ( k j ) , j = 1,2, , maka :

E at kYt ( k j ) = E ( at k ) E Yt ( k j )

Sehingga didapatkan :

j = k 1 j 1 + k 2 j 2 + + kk j k

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

11

Kemudian kedua ruasnya dibagi dengan 0 menjadi :

j = k 1 j 1 + k 2 j 2 + + kk j k
Dengan substitusi 0 = 1 dan k = k , untuk j = 1,2,, k didapatkan :

1 = k 1
+ k 2 1
2 = k 1 1 + k 2

+ + kk k 1
+ + kk k 2

k = k 1 k 1 + k 2 k 2 + + kk
Sistem persamaan tersebut dapat ditulis dalam bentuk matriks, yaitu :
1 1

2 = 1


k k 1

2
1

k 2

k 1 k 1
k 2 k 2

k 3

k =

Pk



1 kk
k

Dengan aturan Cramer, solusi untuk kk , k = 1,2,... , dapat dicari dengan :

kk =

Pk
Pk

, k = 1,2,...

Pk : determinan matriks Pk

Pk : determinan matriks Pk dengan kolom terakhirnya diganti dengan k .


Sehingga didapatkan :

11 = 1

1
2 2 12
=
1
1 12

22 =

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

12

33 =

1
2

1
2

1
2
3
2
1

1
1

dan seterusnya.

2.1.6 Operator Backward Shift

Operator Backward Shift (Backshift), dinotasikan dengan B,


mengoperasikan indeks waktu dari suatu runtun waktu, dengan
menggesernya 1 satuan waktu ke belakang, yaitu :

BYt = Yt 1, B 2Yt = Yt 2 , , B kYt = Yt k

2.2

PROSES MOVING AVERAGE

Misalkan {Yt } menotasikan runtun waktu yang terobservasi, dengan

E (Yt ) = , dan {at } adalah proses white noise yang berdistribusi NIID 0, a2 .

Untuk memudahkan dalam penurunan rumus nantinya, asumsikan bahwa


E (Yt ) = = 0 . Jika 0 maka nilai runtun waktu {Yt } masing-masing

dikurangi dengan , sehingga runtun waktu {Yt } mempunyai mean nol.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

13

Runtun waktu {Yt } mengikuti proses moving average orde ke-q,


disingkat dengan MA(q), apabila memenuhi persamaan berikut ini :
Yt = at 1at 1 2 at 2 ... q at q
Jadi runtun waktu saat ini direpresentasikan sebagai kombinasi linier dari
proses white noise saat ini dan masa lalu sampai q satuan waktu ke
belakang.

2.2.1 Proses Moving Average Orde Pertama

Runtun waktu {Yt } mengikuti proses moving average orde pertama,


atau MA(1), apabila memenuhi persamaan berikut ini :
Yt = at 1at 1
Mean proses MA(1) yaitu :
E (Yt ) = E ( at ) 1E ( at 1 ) = 0

Variansi proses MA(1) yaitu :

0 = Var ( at ) + 12Var ( at 1 ) = a2 + 12 a2 = a2 (1 + 12 )
Fungsi autokovariansi proses MA(1) yaitu :

1 = Cov (Yt ,Yt 1 ) = Cov ( at 1at 1, at 1 1at 2 ) = 1Cov ( at 1, at 1 ) = 1 a2


2 = Cov (Yt ,Yt 2 ) = Cov ( at 1at 1, at 2 1at 3 ) = 0 (karena tidak ada
white noise yang mempunyai pasangan yang sama)

k = 0 , k 2

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

14

Dengan menggunakan rumus k = k 0 , didapatkan fungsi autokorelasi


proses MA(1) yaitu :

k =

1
, k =1
1 + 12

0 ,k2

Fungsi autokorelasi parsial proses MA(1) yaitu :

1 1 12
1
11 = 1 =
=
1 + 12
1 14
1

22 =

33 =

kk =

)
(

12 1 12
12
12
=
=
=
1 1 12 1 + 12 + 14
1 16
1

1 1

0
1

1
1

13 (1 12 )
13
13
=
=
=
0
1 2 12 1 + 12 + 14 + 16
1 18
1

1
1

0
0

1k (1 12 )
1 1 (

2 k +1)

, k 1

Karena 1 0 , nilai fungsi autokorelasi parsial tersebut tidak akan bernilai


nol.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

15

2.2.2 Proses Moving Average Orde Kedua

Runtun waktu {Yt } mengikuti proses moving average orde kedua, atau
MA(2), apabila memenuhi persamaan berikut ini :
Yt = at 1at 1 2 at 2
Mean proses MA(2) yaitu :
E (Yt ) = E ( at ) 1E ( at 1 ) 2 E ( at 2 ) = 0

Variansi proses MA(2) yaitu :

0 = Var (Yt ) = Var ( at ) + 12Var ( at 1 ) + 22Var ( at 2 ) = (1 + 12 + 22 ) a2


Fungsi autokovariansi proses MA(2) yaitu :

1 = Cov (Yt ,Yt 1 )


= Cov ( at 1at 1 2at 2 , at 1 1at 2 2at 3 )
= Cov ( 1at 1, at 1 ) + Cov ( 2at 2 , 1at 2 )
= ( 1 + 1 2 ) a2

2 = Cov (Yt ,Yt 2 )


= Cov ( at 1at 1 2at 2 , at 2 1at 3 2at 4 )
= Cov ( 2at 2 , at 2 )
= 2 a2

k = Cov (Yt ,Yt k ) , k 3


Dengan menggunakan rumus k = k 0 , didapatkan fungsi autokorelasi
proses MA(2), yaitu :

k =

1 + 1 2
, k =1
1 + 12 + 2 2

2
, k =2
1 + 12 + 2 2

= 0

, k 3

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

16

Seperti pada proses MA(1), fungsi autokorelasi parsial proses MA(2)


juga tidak akan bernilai nol.

2.2.3 Proses Moving Average Orde ke-q

Runtun waktu {Yt } mengikuti proses moving average orde ke-q, atau
MA(q), apabila memenuhi persamaan berikut ini :
Yt = at 1at 1 2 at 2 ... q at q
Mean proses MA(q) yaitu :
E (Yt ) = E ( at ) 1E ( at 1 ) 2 E ( at 2 ) ... q E ( at q ) = 0
Variansi proses MA(q) yaitu :

0 = Var (Yt ) = (1 + 12 + 22 + + q2 ) a2
Fungsi autokovariansi proses MA(q) yaitu :

k = a2 ( k + 1 k +1 + 2 k + 2 +

+ q k q ) , k = 1,2,..., q

=0

, k q +1

Dengan rumus k = k 0 , fungsi autokorelasi proses MA(q) yaitu :

k =

k + 1 k +1 + 2 k + 2 +

=0

1 + 12 + 22 +

+ q k q
+ q2

, k = 1,2,..., q
, k q +1

Jadi ciri khas dari proses MA(q) adalah tidak berkorelasi untuk lag diatas q.
Sedangkan fungsi autokorelasi parsial proses MA(q) tidak akan bernilai nol.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

17

Dari pembahasan sebelumnya, dapat disimpulkan bahwa proses


MA(q) selalu stasioner untuk nilai i , i = 1,, q berapapun, karena mempunyai
fungsi mean dan autokovariansi yang konstan terhadap waktu.
Untuk Yt dengan mean tidak nol ( E (Yt ) = 0 ), model MA(q) dapat
ditulis :
Yt = at 1at 1 2at 2 ... q at q
Yt = + at 1at 1 2at 2 ... q at q

Penambahan pada ruas kanan persamaan di atas tidak mempengaruhi


variansi dan fungsi autokovariansi.
Perhatikan pada proses MA(1), 1 =

1
. Nilai 1 tersebut akan
1 + 12

bernilai sama untuk suatu nilai 1 dan 1 1 . Ini menyebabkan model MA(1)
tidak tunggal karena terdapat dua model MA(1) untuk nilai 1 yang sama.
Masalah seperti ini akan muncul pula pada model MA(2) dan seterusnya.
Masalah ketidaktunggalan model MA(q) ini dapat diselesaikan dengan
memilih nilai parameter i , i = 1,, q , yang tepat. Masalah ini akan dijelaskan
dengan sifat invertibilitas yang akan dibahas pada subbab 2.4.

2.3

PROSES AUTOREGRESSIVE

Misalkan {Yt } menotasikan runtun waktu yang terobservasi, dengan

E (Yt ) = , dan {at } adalah proses white noise yang berdistribusi NIID 0, a2 .

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

18

Asumsi independen pada {at } dapat dilemahkan menjadi tidak berkorelasi.


Seperti pada pembahasan moving average, untuk memudahkan, asumsikan
bahwa E (Yt ) = = 0 , dan jika 0 maka nilai runtun waktu {Yt } masingmasing dikurangi dengan , sehingga runtun waktu {Yt } mempunyai
mean nol. Asumsikan {Yt } stasioner dan at independen dengan Yt 1,Yt 2 ,... .
Proses autoregressive, seperti pada namanya, yaitu berarti regresi
terhadap dirinya sendiri. Runtun waktu {Yt } mengikuti proses autoregressive
orde ke-p apabila memenuhi persamaan berikut ini :
Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + at
Jadi pada proses ini, nilai runtun waktu saat ini direpresentasikan sebagai
kombinasi linier dari dirinya sendiri sampai p satuan waktu ke belakang,
kemudian ditambahkan satu suku white noise at .

2.3.1 Proses Autoregressive Orde Pertama

Runtun waktu {Yt } mengikuti proses autoregressive orde pertama,


atau AR(1), apabila memenuhi persamaan berikut ini :
Yt = 1Yt 1 + at
Dengan mengambil variansi pada kedua sisi Yt = 1Yt 1 + at , didapatkan :
Var (Yt ) = 12Var (Yt 1 ) + Var ( at ) + 2Cov (Yt 1, at )

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

19

Karena at independen dengan Yt 1 , maka Cov (Yt 1, at ) = 0 , sehingga


Var (Yt ) = 12Var (Yt 1 ) + Var ( at )

Karena diasumsikan prosesnya stasioner maka Var (Yt ) = Var (Yt 1 ) = 0 .


Sehingga variansi proses AR(1) yaitu :

0 = 12 0 + a2
0 =

a2
1 12

Agar variansi di atas bernilai positif maka disyaratkan bahwa 1 12 > 0 atau
| 1 |< 1. Jadi syarat stasioner untuk AR(1) yaitu | 1 |< 1.
Fungsi autokovariansi proses AR(1) didapatkan dengan mengalikan
kedua sisi persamaan Yt = 1Yt 1 + at dengan Yt k , lalu diekspektasikan, yaitu :
E (YtYt k ) = 1E (Yt 1Yt k ) + E ( atYt k ) , k 1

(2.3)

Karena at independen dengan Yt k , k 1, maka E ( atYt k ) = 0 . Lalu untuk


proses yang stasioner maka dapat ditulis E (YtYt k ) = k dan E (Yt 1Yt k ) = k 1 .
Sehingga (2.3) menjadi :

k = 1 k 1
= 1k

a2
, k 1
1 12

(2.4)
(2.5)

Dengan membagi kedua sisi persamaan (2.4) dengan 0 , didapatkan fungsi


autokorelasi proses AR(1), yaitu :

k = 1 k 1 , k 1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

20

Atau dari (2.5),

a2

1 2
= 1k , k 1
k = k =
2
0
a
1 12
1k

Karena | 1 |< 1 sehingga nilai fungsi autokorelasi ini akan menurun secara
eksponensial menuju nol untuk nilai k yang semakin besar.
Fungsi autokorelasi parsial proses AR(1) yaitu :

11 = 1 = 1
1

22 =

1
1

33 =

1
1 1
2
1 12 12 12
=
=
=0
1
1 1
1 12
1 1
1

1
2

1
2

1
1
1

1
1 1 1
2
1 1 12
3
12 13
=
=0
2
1 1 12
1
1 1 1
1
12 1 1

Nilai 33 di atas adalah nol, karena kolom tiga pada pembilang merupakan
kelipatan sebesar 1 dari kolom satu. Untuk 44 ,55 ,... , juga bernilai nol.
Dengan menggunakan operator Backshift didapatkan :
Yt = 1Yt 1 + at
at = Yt 1Yt 1
= Yt 1BYt

= (1 1B )Yt

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

21

Definisikan polinomial karakteristik model AR(1) yaitu :

( x ) = 1 1 x
Persamaan karakteristiknya yaitu :

( x ) = 1 1 x = 0 ,
dengan akar x = 1 1 . Syarat stasioner | 1 |< 1 ekivalen dengan pernyataan
bahwa nilai mutlak akar persamaan karakteristik, lebih besar dari satu
( x > 1).

kk
k

(a) Fungsi autokorelasi ( k )

k
(b) Fungsi autokorelasi
parsial (kk ) untuk 1 > 0 .

untuk 1 > 0 .

kk
k

(c) Fungsi autokorelasi ( k )


untuk 1 < 0 .

(d) Fungsi autokorelasi


parsial (kk ) untuk 1 < 0 .

Gambar 2.2. Grafik fungsi autokorelasi dan fungsi autokorelasi parsial


proses AR(1).

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

22

2.3.2 Proses Autoregressive Orde Kedua

Runtun waktu {Yt } mengikuti proses autoregressive orde kedua, atau


AR(2), apabila memenuhi persamaan berikut ini :
Yt = 1Yt 1 + 2Yt 2 + at

(2.6)

Dengan mengambil variansi pada kedua sisi persamaan (2.6) didapatkan :


Var (Yt ) = Var (1Yt 1 + 2Yt 2 + at )

0 = 12Var (Yt 1 ) + 22Var (Yt 2 ) + Var ( at ) + 212Cov (Yt 1,Yt 2 )


+ 21Cov ( at ,Yt 1 ) + 22Cov ( at ,Yt 2 )

Karena diasumsikan stasioner maka Var (Yt ) = Var (Yt 1 ) = Var (Yt 2 ) = 0 , dan
karena at independen dengan Yt 1 dan Yt 2 maka Cov ( at ,Yt 1 ) = 0 dan
Cov ( at ,Yt 2 ) = 0 . Sehingga variansi proses AR(2) yaitu :

0 = 12 0 + 22 0 + 2 + 212 1

(2.7)

Jika kedua sisi persamaan (2.6) dikalikan dengan Yt k lalu diekspektasikan


maka didapatkan fungsi autokovariansi proses AR(1), yaitu :
E (YtYt k ) = 1E (Yt 1Yt k ) + 2 E (Yt 2Yt k ) + E ( atYt k )

k = 1 k 1 + 2 k 2 , k = 1,2,...
Untuk k = 1,

1 = 1 0 + 2 1
= 1 0 + 2 1

= 1 0 , 2 1
1 2

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(2.8)

23

Lalu substitusikan ke dalam (2.7) didapatkan :

0 = 12 0 + 22 0 + 2 + 212
0 =

1
0
1 2

1 2
2
1 + 2 (1 (2 1 ) ) (1 (2 + 1 ) )

Agar variansi tersebut bernilai positif maka disyaratkan :

1 2
1
>0
1 + 2 (1 (2 1 ) ) (1 (2 + 1 ) )
Solusinya adalah syarat kestasioneran untuk AR(2), yaitu :

2 < 1 , 2 1 < 1 , 2 + 1 < 1

(2.9)

Dengan membagi kedua sisi persamaan (2.8) dengan 0 , didapatkan fungsi


autokorelasi proses AR(1), yaitu :

k = 1 k 1 + 2 k 2 , k = 1,2,...

(2.10)

Jadi k , k = 2,3, , dapat dicari secara rekursif dari (2.10) dengan nilai awal

0 = 1 dan 1 =

1
. Nilai ini akan menurun secara eksponensial untuk
1 2

nilai k yang semakin besar. Persamaan (2.8) dan (2.10) disebut persamaan
Yule-Walker.
Fungsi autokorelasi parsial proses AR(2) yaitu :

11 = 1 =
1

22 =

1
1

1
1 2

12 + 2 22
12
1

2
1 2
1 2 )
2 2 12
(
=
=
= 2
1
12
1 12
1
2
1
(1 2 )

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

24

33 =

1
2

1
2

1
1
3
2
1

1
1

Dari (2.10), untuk k = 1,2,3 ,

1 = 1 1 + 2 1
2 = 1 1 + 2 1
3 = 1 2 + 2 1
atau dapat ditulis dalam bentuk matriks kolom sebagai berikut :
1
1
1
= + 1
2 1 1 2
3
2
1

Pembilang pada 33 adalah nol, karena kolom ketiganya merupakan


kombinasi linier dari kolom pertama dan kolom kedua. Untuk 44 , 55 ,
dapat dicari dengan cara yang sama, akan bernilai nol juga. Jadi untuk
proses AR(2), fungsi autokorelasi parsial pada lag 1 dan lag 2 bernilai tidak
nol, sedangkan untuk lag di atas 2 bernilai nol.
Dengan menggunakan operator Backshift didapatkan :
Yt = 1Yt 1 + 2Yt 2 + at
at = Yt 1Yt 1 2Yt 2
= Yt 1BYt 2B 2Yt

= 1 1B 2B 2 Yt

Persamaan karakteristiknya adalah :

( x ) = 1 1 x 2 x 2 = 0

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

25

Seperti pada AR(1), proses AR(2) stasioner jika dan hanya jika nilai mutlak
dari akar-akar persamaan karakteristiknya lebih besar dari satu. Ini akan
mengimplikasikan 2 < 1 , 2 1 < 1 , 2 + 1 < 1, yaitu sama seperti (2.9).

2.3.3 Proses Autoregressive Orde ke-p

Runtun waktu {Yt } mengikuti proses autoregressive umum orde ke-p ,


atau AR(p), apabila memenuhi persamaan berikut :
Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + at

(2.11)

Dengan menggunakan operator Backshift, didapatkan :


at = Yt 1Yt 1 2Yt 2 ... pYt p
= Yt 1BYt 2B 2Yt ... pB pYt

= 1 1B 2B 2 ... p B p Yt
Persamaan karakteristiknya adalah :

( x ) = 1 1 x 2 x 2 ... p x p = 0
Proses AR(p) stasioner jika dan hanya jika nilai mutlak semua akar-akar
persamaan karakteristik ( x ) = 0 lebih besar dari satu.
Dengan mengalikan kedua sisi persamaan (2.11) dengan Yt k lalu
diekspektasikan maka didapatkan fungsi autokovariansi proses AR(p), yaitu :

k = 1 k 1 + 2 k 2 + ... + p k p , k = 1,2,...

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(2.12)

26

Kalikan persamaan (2.11) dengan Yt lalu diekspektasikan, didapatkan :

0 = 1 1 + 2 2 + + p p + E ( atYt )

( )

Karena E ( atYt ) = E at (1y t 1 + 2 y t 2 + ... + p y t p + at ) = E at2 = a2 , maka


variansi proses AR(p), yaitu :

0 = 1 1 + 2 2 + + p p + a2
Dengan membagi persamaan (2.12) dengan 0 , didapatkan fungsi
autokorelasi proses AR(p), yaitu :

k = 1k 1 + 2 k 2 + ... + p k p , k = 1,2,...

(2.13)

Persamaan (2.13) disebut dengan persamaan Yuke-Walker. Nilai ini akan


menurun secara eksponensial untuk nilai k yang semakin besar. Kemudian
akan dicari fungsi autokorelasi parsialnya. Dengan subsitusi k = 1,2,, p + 1 ,

0 = 1 dan k = k , persamaan (2.13) dapat ditulis dalam bentuk matriks


sebagai berikut :

1
1
1

2 = 1 + 1 +

1 2

p +1
p
p 1

p 1

+ p p 2

Pembilang pada ( p +1)( p +1) adalah


1

1
1

p 1
p 2

1
2

1
p

p 1

p +1

=0

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(2.14)

27

karena dari (2.14), kolom terakhirnya merupakan kombinasi linier dari kolomkolom sebelumnya. Pada proses AR(p), fungsi autokorelasi parsial pada lag
1 sampai lag p akan bernilai tidak nol, sedangkan untuk lag p + 1 dan
seterusnya bernilai nol.
Untuk Yt dengan mean tidak nol ( E (Yt ) = 0 ), model AR(p) dapat
ditulis :

(Yt ) = 1 (Yt 1 ) + 2 (Yt 2 ) + + p (Yt p ) + at


Yt = + 1Yt 1 1 + 2Yt 2 2 + + pYt p p + at
Yt = 0 + 1Yt 1 + 2Yt 2 + + pYt p + at

dengan 0 = (1 1 2 p ) . Seperti pada MA(q), penambahan 0


pada ruas kanan tidak mempengaruhi variansi dan fungsi autokovariansi.

2.4

INVERTIBILITAS

2.4.1 Proses Moving Average

Telah dijelaskan sebelumnya pada pembahasan MA(q), bahwa


terdapat masalah ketidaktunggalan pada model MA(q). Masalah
ketidaktunggalan model MA(q) ini dapat diselesaikan dengan memilih nilai
parameter i , i = 1,, q , yang tepat. Sifat invertibel pada MA(q) maksudnya
adalah model MA(q) dapat diubah bentuknya menjadi bentuk AR.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

28

Untuk MA(1) Yt = at 1at 1 , dapat dijabarkan secara rekursif, yaitu :


at = Yt + 1at 1

= Yt + 1 (Yt 1 + 1at 2 )
= Yt + 1Yt 1 + 12at 2
= Yt + 1Yt 1 + 12 (Yt 2 + 1at 3 )
= Yt + 1Yt 1 + 12Yt 2 + 13at 3
= Yt + 1Yt 1 + 12Yt 2 +

Yt = 1Yt 1 12Yt 2

+ 1kYt k + 1k +1at ( k +1)

1kYt k + at 1k +1at ( k +1)

Jika | 1 |< 1 dan k menuju tak berhingga, maka didapatkan model AR()
Yt = 1Yt 1 12Yt 2 ... + at
Jadi dapat disimpulkan bahwa jika | 1 |< 1 maka model MA(1) dapat diubah
(invertibel) menjadi bentuk AR( ). Jadi masalah ketidaktunggalan model
MA(1) dapat diselesaikan dengan cara memilih parameter 1 yang memenuhi
| 1 |< 1. Telah dibahas sebelumnya bahwa fungsi autokorelasi parsial proses
MA(1) yaitu :

kk =

1k 1 12
1 1 (

2 k +1)

) , k 1,

Jika | 1 |< 1 maka nilai fungsi autokorelasi tersebut akan menurun secara
eksponensial menuju nol untuk nilai k yang semakin besar.
Sedangkan untuk MA(q), dengan menggunakan operator Backshift :
Yt = at 1at 1 2 at 2 ... q at q
= at 1Bat 2 B 2 at ... q B q at

= 1 1B 2 B 2 ... q B q at

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

29

Persamaan karakteristiknya yaitu :

( x ) = 1 1 x 2 x 2 ... q x q = 0 ,
Persamaan karakteristik tersebut mirip dengan persamaan karakteristik untuk
model AR(p). Pada model AR(p), solusi stasioner untuk Yt ada, jika dan
hanya jika nilai mutlak dari akar-akar persamaan karakteristiknya lebih besar
dari 1. Jadi dapat disimpulkan bahwa model MA(q) bersifat invertibel, yaitu
dapat diubah bentuknya menjadi AR( ) :

Yt = j Yt j + t , dengan j adalah konstanta,


j =1

jika dan hanya jika nilai mutlak dari akar-akar persamaan karakteristiknya
( ( x ) = 0 ) lebih besar dari 1. Jadi masalah ketidaktunggalan model MA(q)
dapat diselesaikan dengan memilih parameter i , i = 1,, q yang memenuhi
syarat tersebut. Seperti pada proses MA(1), ini akan menyebabkan fungsi
autokorelasi parsial proses MA(q), nilainya akan menurun secara
eksponensial menuju nol untuk nilai k yang semakin besar.

2.4.2 Proses Autoregressive

Berikut ini akan diperiksa sebaliknya, apakah proses AR(p) invertibel


ke bentuk MA( ). Untuk AR(1) dapat dijabarkan secara rekursif, yaitu :

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

30

Yt = 1Yt 1 + at

= 1 (1Yt 2 + at 1 ) + at
= at + 1at 1 + 12Yt 2
= at + 1at 1 + 12 (1Yt 3 + at 2 )
= at + 1at 1 + 12 at 2 + 13Yt 3
= at + 1at 1 + 12 at 2 + + 1k 1at ( k 1) + 1kYt k

Untuk AR(1) yang stasioner maka | 1 |< 1. Sehingga untuk k , akan


menghasilkan proses MA ( ) :
Yt = at + 1at 1 + 12 at 2 +
Jadi proses AR(p) yang stasioner selalu invertibel ke bentuk MA( ).

2.5

PROSES AUTOREGRESSIVE MOVING AVERAGE

Misalkan {Yt } menotasikan runtun waktu yang terobservasi, dengan

E (Yt ) = , dan {at } adalah proses white noise yang berdistribusi NIID 0, a2 .

Asumsi independen pada {at } dapat dilemahkan menjadi tidak berkorelasi.


Seperti pada sebelumnya, untuk memudahkan, asumsikan bahwa
E (Yt ) = = 0 , dan jika 0 maka nilai runtun waktu {Yt } masing-masing

dikurangi dengan , sehingga runtun waktu {Yt } mempunyai mean nol.


Asumsikan at independen dengan Yt 1,Yt 2 ,... .

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

31

Proses Autoregressive Moving Average orde ke-p dan q, disingkat


dengan ARMA(p,q), adalah proses campuran dari proses autoregressive dan
moving average. Runtun waktu {Yt } mengikuti proses ARMA(p,q), apabila
memenuhi persamaan berikut ini :
Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + at 1at 1 2 at 2 ... q at q
Karena ARMA(p,q) merupakan gabungan dari AR(p) dan MA(q), maka untuk
proses ini diperlukan kedua syarat stasioner dan invertibel. Dengan
menggunakan operator Backshift didapatkan :
Yt 1Yt 1 2Yt 2 pYt p = at 1at 1 2at 2 ... q at q
Yt 1BYt 2B 2Yt pB pYt = at 1Bat 2B 2at q B q at

(1 B B
1

pB p Yt = 1 1B 2B 2 q B q at

Proses ARMA(p,q) stasioner jika dan hanya jika nilai mutlak akar-akar
persamaan karakteristik AR,

( x ) = 1 1 x 2 x 2 ... p x p = 0 ,
lebih besar dari 1. Proses ARMA(p,q) invertibel jika dan hanya jika nilai
mutlak akar-akar persamaan karakteristik MA,

( x ) = 1 1 x 2 x 2 ... q x q = 0 ,
lebih besar dari 1.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

32

2.5.1 Proses ARMA(1,1)

Runtun waktu {Yt } mengikuti proses ARMA(1,1) apabila memenuhi


persamaan berikut ini :
Yt = 1Yt 1 + at 1at 1
Syarat stasioner proses ARMA(1,1) didapatkan dari syarat stasioner
proses AR(1), yaitu 1 < 0 . Sedangkan syarat invertibel proses ARMA(1,1)
didapatkan dari syarat invertibel proses MA(1), yaitu 1 < 0 .
Dengan mengalikan kedua sisi persamaan di atas dengan Yt k lalu
diekspektasikan maka didapatkan
E (YtYt k ) = E (Yt 1Yt k ) + E ( atYt k ) 1E ( at 1Yt k )

(2.15)

Karena

( )

E ( atYt ) = E ( at (1Yt 1 + at 1at 1 ) ) = E at2 = a2


E ( at 1Yt ) = E ( at 1 (1Yt 1 + at 1at 1 ) )

= 1E ( at 1Yt 1 ) 1E at 12

= 1 a2 1 a2 = (1 1 ) a2
sehingga (2.15) menjadi
E (YtYt k ) = E (Yt 1Yt k ) + E ( atYt k ) 1E ( at 1Yt k )

k = 0 E (YtYt ) = 1E (Yt 1Yt ) + E ( atYt ) 1E ( at 1Yt )

0 = 1 1 + a2 1 ( 1 ) a2
0 = 1 + (1 1 ( 1 ) ) a2

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(2.16)

33

k = 1 E (YtYt 1 ) = 1E (Yt 1Yt 1 ) + E ( atYt 1 ) 1E ( at 1Yt 1 )

1 = 1 0 1 a2

(2.17)

k 2 E (YtYt k ) = 1E (Yt 1Yt k ) + E ( at Yt k ) 1E ( at 1Yt k )

k = 1 k 1

(2.18)

Dari (2.16) dan (2.17) akan menghasilkan

(1 2
=

1 =

1 1

+ 12

2
1

2
a

(1 11 )(1 1 )
1

2
1

a2

(2.19)

(2.20)

Kemudian dari (2.18) dan (2.20) akan menghasilkan rumus rekursif

k =

(1 11 )(1 1 )
1

2
1

1k 1 a2 , k 1

Dengan menggunakan rumus k = k 0 , dari (2.19) dan (2.21) maka


didapatkan fungsi autokorelasi proses ARMA(1,1), yaitu :

k =

(1 )( ) k 1, k 1
1 2 + 2

Atau dari (2.18),

k = 1 k 1 , k 2
sehingga

k = 1k 1 1 , k 2
dengan nilai awal

1 =

(1 )( )
1 2 + 2

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(2.21)

34

Nilai ini akan menurun secara eksponensial menuju nol untuk nilai k yang
semakin besar. Fungsi autokorelasi parsial proses ARMA(1,1) juga akan
menurun secara eksponensial menuju nol untuk nilai k yang semakin besar.

2.5.2 Proses ARMA(p,q)

Runtun waktu {Yt } mengikuti proses ARMA(p,q), apabila memenuhi


persamaan berikut ini :
Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + at 1at 1 2 at 2 ... q at q

(2.22)

Asumsikan proses ini stasioner dan invertibel. Berikut ini akan dicari fungsi
autokorelasi proses ARMA(p,q). Dengan mengalikan kedua sisi persamaan
(2.22) dengan Yt k lalu diekspektasikan maka didapatkan :
E (YtYt k ) = 1E (Yt 1Yt k ) + 2 E (Yt 2Yt k ) + ... + p E (Yt pYt k )
+ E ( atYt k ) 1E ( at 1Yt k ) 2 E ( at 2Yt k ) ... q E ( at qYt k )

k = 1 k 1 + 2 k 2 + ... + p k p , k q + 1
Sehingga fungsi autokorelasi proses ARMA(p,q), yaitu :

k = 1 k 1 + 2 k 2 + ... + p k p , k q + 1

(2.23)

Bentuk fungsi autokorelasi tersebut mirip dengan fungsi autokorelasi untuk


proses AR(p), sehingga nilainya akan menurun secara eksponensial untuk
nilai k yang semakin besar. Nilai fungsi autokorelasi parsial proses
ARMA(p,q) juga menurun secara eksponensial menuju nol untuk nilai k yang
semakin besar.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

35

Untuk Yt dengan mean tidak nol ( E (Yt ) = 0 ), maka model


ARMA(p,q) dapat ditulis :

(Yt ) = 1 (Yt 1 ) + 2 (Yt 2 ) + + p (Yt p )


+ at 1at 1 2at 2 ... q at q
Yt = + 1Yt 1 1 + 2Yt 2 2 + + pYt p p
+ at 1at 1 2at 2 ... q at q
Yt = 0 + 1Yt 1 + 2Yt 2 + + pYt p + at 1at 1 2at 2 ... q at q
dengan 0 = (1 1 2 p ) . Penambahan 0 pada ruas kanan tidak
mempengaruhi variansi dan fungsi autokovariansi.

2.6

SIMULASI PROSES ARMA

Berikut ini akan diperlihatkan beberapa simulasi proses ARMA dan


proses yang tidak stasioner. Program untuk simulasi ini ada di Lampiran 2.
Simulas i

W hit e

Nois e

-1

-2

-3

100

200

300

400

500

600

700

800

900

1000

Gambar 2.3. Simulasi Proses white noise NIID(0,1)


Dari simulasi di atas, terlihat datanya menyebar di sekitar satu titik
yang berarti mengindikasikan bahwa proses ini mempunyai mean konstan.
Selain itu keragamannya juga konstan yang berarti mengindikasikan bahwa
proses ini mempunyai variansi konstan terhadap waktu. Seperti yang telah

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

36

dijelaskan sebelumnya bahwa proses white noise bersifat stasioner kuat.


Seluruh simulasi pada Gambar 2.4 sampai Gambar 2.13 berikut ini dibangun
dari proses white noise {at } pada Gambar 2.3.

Simulas i

Y(t)

-1

-2

-3

-4

100

200

300

400

500

600

700

800

900

1000

Gambar 2.4. Simulasi Proses AR(1) Yt = 0.1Yt 1 + at ( 0 = 1.01)


Simulas i

Y(t)

5
4
3
2
1
0
-1
-2
-3
-4
-5

100

200

300

400

500

600

700

800

900

Gambar 2.5. Simulasi Proses AR(2) Yt = 0.3Yt 1 + 0.5Yt 2 + at


Simulas i

1000

( 0 = 2.08 )

Y(t)

4
3
2
1
0
-1
-2
-3
-4

100

200

300

400

500

600

700

800

Gambar 2.6. Simulasi Proses MA(1) Yt = at 0.5at 1


Simulas i

900

1000

( 0 = 1.09 )

Y (t )

5
4
3
2
1
0
-1
-2
-3
-4
-5

100

200

300

400

500

600

700

800

900

Gambar 2.7. Simulasi Proses ARMA(1,1) Yt = 0.5Yt i + at 0.5at 1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

1000

( 0 = 1)

37

Dari simulasi pada Gambar 2.4 sampai 2.7, runtun waktu yang
dihasilkan terlihat mempunyai mean dan variansi yang konstan terhadap
waktu (bersifat stasioner). Bandingkan dengan pola yang ada pada Gambar
2.8 dan Gambar 2.9 berikut ini.

Simulas i

Y(t)

20

15

10

-5

-10

-15

100

200

300

400

500

600

700

800

900

1000

Gambar 2.8. Simulasi Proses AR(1) tidak stasioner Yt = Yt 1 + at


Simulas i

Y(t)

40

30

20

10

-10

-20

-30

100

200

300

400

500

600

700

800

900

1000

Gambar 2.9. Simulasi Proses ARMA(1,1) tidak stasioner Yt = Yt 1 + at at 1

Dari Gambar 2.12 dan Gambar 2.13 di atas, jelas terlihat bahwa runtun
waktu yang dihasilkan tidak stasioner karena mempunyai mean dan variansi
yang tidak konstan.

2.7

RUNTUN WAKTU NONSTASIONER

Pada pembatasan masalah di bab I telah ditulis bahwa dalam


penulisan tugas akhir ini, hanya dibatasi pada runtun waktu yang mempunyai

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

38

fungsi mean yang konstan terhadap waktu. Permasalahannya adalah runtun


waktu yang akan dimodelkan belum tentu mempunyai fungsi mean yang
konstan terhadap waktu. Berikut ini akan dibahas tentang trasformasi runtun
waktu yang tidak stasioner agar menjadi stasioner, sehingga runtun waktu
tersebut dapat dimodelkan dengan model ARMA.

2.7.1 Transformasi Diferensi

Transformasi diferensi digunakan untuk menghilangkan trend (menaik


atau menurun) pada runtun waktu. Operator diferensi, dinotasikan dengan
, mengoperasikan selisih dua data dengan waktu yang berurutan, yaitu :

Diferensi pertama :
Zt = Zt Zt 1 ,
diferensi kedua :
2Zt = ( Zt ) = ( Zt Zt 1 ) = Zt Zt 1
= ( Zt Zt 1 ) ( Zt 1 Zt 2 ) = Zt 2Zt 1 + Zt 2 ,
dan seterusnya.
Misalkan {Zt } adalah runtun waktu dengan fungsi mean tidak konstan
yang dapat ditulis sebagai berikut :
Zt = Mt + at dengan Mt = Mt 1 + bt ,

{at }

dan {bt } adalah white noise yang saling independen. Terlihat bahwa

runtun waktu {Mt } adalah proses AR(1) yang tidak stasioner karena 1 = 1.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

39

Transformasi diferensi pertama dari Zt , yaitu :


Zt = Mt + at = bt + at + at 1 ,
akan menghasilkan runtun waktu {Zt } yang stasioner, karena bt , at dan at 1
adalah white noise yang saling independen.
Kemudian misalkan :
Zt = Mt + at dengan Mt = Mt 1 + bt dan bt = bt 1 + t ,

{at }

dan { t } adalah white noise yang saling independen. Pada model ini

terlihat bahwa runtun waktu {Mt } dan {bt } keduanya adalah proses AR(1)
yang tidak stasioner. Untuk

{Zt } yang seperti ini, transformasi diferensi

pertamanya, yaitu :
Zt = Mt + at = bt + at ,
belum menghasilkan runtun waktu {Zt } yang stasioner. Transformasi
diferensi keduanya, yaitu :
2Zt = bt + 2at = t + at 2at 1 + at 2

akan menghasilkan runtun waktu 2 Zt yang stasioner, karena t , at ,


at 1 dan at 2 adalah white noise yang saling independen.
Berikut ini diperlihatkan contoh runtun waktu yang stasioner melalui
transformasi diferensi.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

40

A
A
A

Runtun Waktu

16

12

A
A

A
A

A
A

A
A

A
A

10

20

30

Waktu

Gambar 2.10. Runtun Waktu {Zt }

Dari Gambar 2.10 di atas, terlihat adanya trend menurun kemudian menaik,
sehingga runtun waktu tersebut tidak stasioner. Kemudian runtun waktu
tersebut dihitung diferensi pertamanya (Tabel 2.1), kemudian dibuat grafiknya
di Gambar 2.11.

Diferensi Pertama, Zt

Zt

Diferensi Kedua, 2 Zt

19

16

19 - 16 = 3

15.5

16 - 15.5 = 0.5

3 - 0.5 = 2.5

12.5

15.5 - 12.5 = 3

0.5 - 3 = -2.5

11

12.5 - 11 = 1.5

3 - 1.5 = 1.5

dan seterusnya
Tabel 2.1. Data Runtun Waktu {Zt } , Diferensi Pertama {Zt }

dan Diferensi Kedua 2Zt

4
A

Diferensi Pertama

2
A

A
A

0
A

A
A

A
A

10

A
A

-2

20

30

Waktu

Gambar 2.11. Diferensi Pertama {Zt }

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

41

Dari Gambar 2.11, ternyata hasil diferensi pertama belum memperlihatkan


menghasilkan runtun waktu yang stasioner karena masih terlihat adanya
trend menurun. Kemudian dari hasil diferensi pertama dihitung diferensi
kedua (lihat Tabel 2.1) kemudian dibuat grafiknya di Gambar 2.12.

A
A

A
A

A
A

Diferensi Kedua

A
A

-2

A
A

A
A

10

20

30

Waktu

Gambar 2.12. Diferensi Kedua ( 2 Zt )

Dari Gambar 2.12 terlihat tidak ada trend dan variansinya terlihat konstan. Ini
mengindikasikan bahwa runtun waktu ini bersifat stasioner.
Karakteristik runtun waktu yang diperoleh dengan cara diferensi, dapat
dipelajari lebih lanjut dengan menggunakan model integrated autoregressive-

moving average (ARIMA). Akan tetapi dalam tugas akhir ini, karakteristik
model ARIMA tidak dibahas.

2.7.2 Transformasi Logaritma

Transformasi logaritma digunakan untuk runtun waktu yang semakin


menyebar seiring dengan penambahan level dari runtun waktu tersebut, atau

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

42

dengan kata lain, standar deviasinya proporsional dengan penambahan level


dari runtun waktu tersebut. Contohnya Gambar 2.13 berikut ini.

20.00

Runtun Waktu

15.00

10.00

5.00

50

100

150

200

waktu

Gambar 2.13. Runtun Waktu {Zt }

Dari Gambar 2.13, terlihat bahwa pada awalnya runtun waktu tersebut
mempunyai standar deviasi kecil, kemudian semakin besar.
Misal Zt > 0 untuk semua t, dengan mean dan standar deviasi
E ( Zt ) = t , Var ( Zt ) = t

Dengan menggunakan aproksimasi Taylor :

f ( x ) = f (a ) +

f ' (a )
1!

( x a) +

f '' ( a )
2!

( x a)

untuk x = Zt , a = t dan f ( x ) = log Zt , sehingga f ( a ) = log t , dihasilkan :


log Zt log t +

( Zt t )

Mean dan variansi log ( Zt ) adalah


E ( log Zt ) E ( log t ) +

E ( Zt t )

= log t

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

43

Var ( log Zt ) Var ( log t ) + Var ( Zt t )


t

1
= Var t 1 = 2 Var ( Zt )
t
t
= 2 ( konstan )

3.00

2.50

log

2.00

1.50

1.00

50

100

150

200

waktu

Gambar 2.14. Transformasi Logaritma log ( Zt )

Dari Gambar 2.14, variansi runtun waktu terlihat konstan tetapi fungsi
meannya tidak konstan karena adanya trend menaik. Untuk data seperti ini
perlu dilakukan transformasi diferensi untuk menghilangkan trend tersebut.
Berikut ini akan ditunjukkan bahwa transformasi logaritma yang diikuti
dengan diferensi, akan menghasilkan runtun waktu yang stasioner. Misal Zt
cenderung mempunyai perubahan persentasi yang relatif stabil dari suatu
periode waktu ke periode selanjutnya, yaitu :
Zt Zt 1
= Xt
Zt 1

100 X t adalah perubahan persentasi dari Zt 1 ke Zt .

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(2.24)

44

0.25

xt

0.00

-0.25

50

100

150

200

Waktu

Gambar 2.15 . Runtun waktu { X t } dengan X t =


dan {Zt } dari Gambar 2.11

Zt Zt 1
Zt 1

Pola pada Gambar 2.15 mengindikasikan bahwa runtun waktu tersebut


bersifat stabil (stasioner).
Dari (2.24) akan didapatkan :
Z
log ( Zt ) log ( Zt 1 ) = log t
Zt 1
log ( Zt ) = log (1 + X t )
Lalu log (1 + X t ) akan diaproksimasi dengan menggunakan deret MacLaurin :
f ( x ) = f (0) +

f ' (0)
1!

x+

f '' ( 0 )
2!

x2 +

yaitu akan dihasilkan


log (1 + X t ) X t

Sehingga
log ( Zt ) = log (1 + X t ) X t

adalah runtun waktu yang stabil (stasioner). Dari Gambar 2.14, dilakukan
diferensi menjadi runtun waktu pada Gambar 2.16 berikut ini.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

45

DIFF(log,1)

0.25

0.00

-0.25

50

100

150

200

waktu

Gambar 2.16. Diferensi log ( Zt ) log ( Zt 1 )

Dari Gambar 2.16 terlihat bahwa runtun waktu tersebut mempunyai mean
dan variansi konstan, sehingga runtun waktu tersebut bersifat stasioner.
Salah satu runtun waktu yang menggunakan transformasi seperti ini
(logaritma kemudian diferensi) adalah tingkat pengembalian (rate of return),
yaitu :
Rt =

St St 1
St 1

Rt : Tingkat pengembalian pada waktu t


St : Harga aset pada saat t

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

Tabel 1. Ringkasan Karakteristik Proses AR(p), MA(q), dan ARMA(p,q)

Proses AR(p)

Proses MA(q)

Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + at


Model

( at = 1 1B 2 B ... p B Yt )
2

Proses ARMA(p,q)

Yt = 1Yt 1 + 2Yt 2 + ... + pYt p

Yt = at 1at 1 2 at 2 ... q at q

( Yt = 1 1B 2 B ... q B
2

)a

+ at 1at 1 2 at 2 ... q at q

( 1 1B 2 B 2 ... p B p Yt

= 1 1B 2 B 2 ... q B q at )
Polinomial
Karakteristik
Syarat
Stasioner
Syarat
Invertibel
Fungsi
Autokorelasi

( x ) = 1 1 x 2 x 2 ... p x p

( x ) = 1 1 x 2 x 2 ... p x p
( x ) = 1 1 x 2 x 2 ... q x q

Nilai mutlak akar-akar ( x ) = 0

Selalu stasioner

lebih besar dari 1

Nilai mutlak akar-akar ( x ) = 0


lebih besar dari 1

Selalu invertibel
Menurun secara eksponensial
menuju nol

Fungsi
Autokorelasi

( x ) = 1 1 x 2 x 2 ... q x q

Bernilai nol untuk lag di atas p

Nilai mutlak akar-akar ( x ) = 0

Nilai mutlak akar-akar ( x ) = 0

lebih besar dari 1

lebih besar dari 1

Bernilai nol untuk lag di atas q

Menurun secara eksponensial


menuju nol

Menurun secara eksponensial

Menurun secara eksponensial

menuju nol

menuju nol

Parsial

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

BAB III
PROSES AUTOREGRESSIVE CONDITIONAL
HETEROSCEDASTICITY (ARCH)

3.1

MEAN DAN VARIANSI BERSYARAT PADA PROSES ARMA

Pada bab II telah dijelaskan bahwa proses ARMA mempunyai mean


dan variansi konstan terhadap waktu. Berikut ini akan dijelaskan tentang
mean dan variansi bersyarat dari proses ARMA, yaitu mean dan variansi
dengan diberikan t 1 , yaitu himpunan informasi dari semua informasi masa
lalu sampai waktu t 1. Model ARMA dapat dituliskan sebagai berikut :

Yt = 1Yt 1 + 2Yt 2 + + pYt p + at 1at 1 2at 2 ... q at q

dengan {at } adalah white noise yang berdistribusi NIID 0, a2 dan asumsikan
at independen dengan t 1 . Mean Yt dengan diberikan t 1 yaitu :

E (Yt | t 1 ) = E (1Yt 1 + 2Yt 2 + + pYt p + at 1at 1 2at 2 ... q at q ) | t 1

= 1y t 1 + 2 y t 2 + + p y t p 1at 1 2at 2 ... q at q

(3.1)

Mean bersyarat tersebut tidak konstan karena bergantung pada waktu.


Variansi Yt dengan diberikan t 1 yaitu :

Var (Yt | t 1 ) = Var (1Yt 1 + 2Yt 2 + + pYt p + at 1at 1 2at 2 ... q at q ) | t 1


= Var ( at )

= a2

(3.2)

47
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

48

Variansi bersyarat tersebut bernilai konstan terhadap waktu. Jadi dapat


disimpulkan bahwa pada proses ARMA, variansi tak bersyarat dan variansi
bersyarat, keduanya bernilai konstan terhadap waktu, atau disebut bersifat
homoskedastik.

3.2

PENGELOMPOKAN VOLATILITAS PADA RUNTUN WAKTU


FINANSIAL

Runtun waktu dalam bidang finansial contohnya adalah indeks harga


saham dan nilai kurs mata uang. Data runtun waktu finansial seringkali
memperlihatkan adanya volatilitas yang berfluktuasi tajam pada periode
waktu tertentu, sedangkan pada periode waktu yang lain nilainya relatif stabil.
Contohnya pada Gambar 3.1 dan Gambar 3.2 berikut ini.

Gambar 3.1 (-) Indeks Harga Penutupan Saham


pada Bursa Saham S&P100 1982-2006
(-) Pengembalian (Return)

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

49

Gambar 3.2 (-) Indeks Harga Penutupan Saham


pada Bursa Saham Nasdaq 1971-2006
(-) Pengembalian (Return)

Dari Gambar 3.1 dan 3.2 di atas, runtun waktu yang akan dianalisis
yaitu runtun waktu pengembalian, karena pada penulisan tugas akhir ini
hanya dibahas runtun waktu yang mempunyai fungsi mean konstan.
Perhitungan dari indeks harga saham menjadi pengembalian dihitung dengan
menggunakan rumus diferensi :
Rt = St St 1
Rt : Tingkat pengembalian pada waktu t
St : Indeks harga penutupan saham pada saat t
Dari kedua gambar tersebut, terlihat adanya pengelompokan
volatilitas, yaitu keragaman nilai pada data runtun waktu antar periode
membentuk kelompok-kelompok. Pada periode tertentu keragaman nilai ini
bernilai relatif kecil-kecil, sedangkan pada periode lain bernilai relatif besarbesar. Dengan kata lain, nilai runtun waktu yang besar (atau kecil),
cenderung diikuti oleh nilai yang besar (atau kecil) pula pada waktu
berikutnya, baik bernilai positif maupun negatif. Ini mengindikasikan bahwa
variansi bersyarat pada suatu waktu, bergantung pada nilai runtun waktu

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

50

sebelumnya. Bandingkan pola yang terjadi pada Gambar 3.1 dan 3.2 dengan
Gambar 3.3 di bawah ini yang merupakan simulasi proses ARMA(1,1).

S imulas i

Y (t )

-1

-2

-3

-4

100

200

300

400

500

600

700

800

900

1000

Gambar 3.3. Simulasi Proses ARMA Yt = 0.1 Yt 1 + at 0.3 at 1


dengan at NIID ( 0,1)

Dari Gambar 3.3, terlihat bahwa pada proses ARMA, nilai runtun waktu
menyebar dengan keragaman yang terlihat konstan sepanjang waktu dan
tidak ada yang mengelompok. Oleh karena itu data runtun waktu finansial
dengan adanya pengelompokan volatilitas, tidak sesuai apabila dimodelkan
dengan menggunakan model ARMA biasa, karena proses ARMA biasa tidak
dapat menangkap adanya pengelompokan volatilitas.

3.3

PEMODELAN FAKTOR PENGGANGGGU UNTUK RUNTUN


WAKTU DENGAN PENGELOMPOKAN VOLATILITAS

Telah dijelaskan sebelumnya bahwa pada runtun waktu finansial


dengan adanya pengelompokan volatilitas mengindikasikan bahwa variansi
bersyarat pada suatu waktu, bergantung pada nilai runtun waktu sebelumnya.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

51

Sehingga untuk membentuk model yang dapat menangkap adanya peristiwa


pengelompokan volatilitas pada runtun waktu {Yt } , akan dimulai dengan
memodelkan untuk variansi bersyarat, yaitu Var (Yt | t 1 ) , yang dapat
mencerminkan peristiwa tersebut. Dari (3.2) terlihat bahwa kekonstanan
variansi bersyarat pada proses ARMA berasal dari homoskedastisitasnya
variansi faktor pengganggu {at } , yaitu Var (Yt | t 1 ) = Var ( at ) = a2 . Jadi
untuk mencari model yang dapat menangkap pengelompokan volatilitas pada
suatu proses runtun waktu {Yt } , akan dimulai dengan memodelkan faktor
pengganggu dari model yang baru, yaitu dinotasikan dengan { t } .

3.3.1 Model dengan Variabel Eksogen

Model dengan variabel eksogen dituliskan sebagai berikut :

t = at X t 1

dengan {at } adalah proses white noise yang berdistribusi NIID 0, a2 dan
X t adalah variabel eksogen. Asumsikan at independen dengan X t 1 . Pada
model ini, nilai faktor pengganggu saat ini merupakan perkalian white noise
saat ini dengan suatu variabel eksogen satu waktu sebelumnya. Variabel
eksogen X t adalah variabel lain yang dipilih karena diduga mempengaruhi
variansi dari runtun waktu yang dianalisis.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

52

Variansi bersyarat dari t dengan diberikan t 1 yaitu :


Var ( t t 1 ) = Var ( at X t 1 t 1 ) = X t21Var ( at ) = X t21 a2
Variansi bersyarat tersebut bersifat heteroskedastik karena nilainya
bergantung pada waktu. Tetapi model ini terlihat tidak baik, karena
memerlukan adanya spesifikasi variabel lain, yaitu variabel eksogen X t
tersebut. Tidak mudah mencari variabel eksogen yang tepat, karena dalam
bidang finansial banyak faktor yang saling mempengaruhi. Karena kesulitan
inilah, model ini jarang diperhitungkan pada analisis runtun waktu.

3.3.2 Model Bilinier

Model bilinier dituliskan sebagai berikut :

t = at t 1
dengan {at } adalah white noise yang berdistribusi NIID ( 0, a2 ) . Asumsikan
at independen dengan t 1 . Jadi pada model bilinier, faktor pengganggu saat
ini bergantung pada dirinya sendiri satu waktu sebelumnya.
Variansi bersyarat dari t dengan diberikan t 1 yaitu :
Var ( t | t 1 ) = Var ( at t 1 | t 1 ) = t21Var ( at | t 1 ) = t21Var ( at ) = t21 a2

Variansi bersyarat ini bersifat heteroskedastik karena bergantung pada


waktu.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

53

Sedangkan variansi tak bersyaratnya yaitu :

( )

( ) ( )

Var ( t ) = E t2 = E at2 t21 = E at2 E t21 = a2Var ( t 1 )


Jika a2 < 1 maka barisan {Var ( t ) , t = 1,2,...} akan semakin kecil sampai
akhirnya mendekati nol, sedangkan jika a2 > 1 maka barisan

{Var ( ) , t = 1,2,...} akan semakin besar sampai tak berhingga.


t

Ini

menyebabkan model bilinier ini tidak baik.

3.3.3 Model Autoregressive Conditional Heteroscedasticity (ARCH)

Model Autoregressive Conditional Heteroscedasticity (ARCH) pertama


kali diperkenalkan oleh Engle (1982), yaitu :

t = at ht1 2

(3.3)

dengan ht = 0 + 1 t21, 0 > 0,1 0


dengan {at } adalah proses white noise yang berdistribusi NIID(0,1).
Asumsikan at independen dengan t 1 . Jadi ARCH didapatkan dari perkalian
white noise yang berdistribusi NIID(0,1) dengan suatu fungsi linier dari

kuadrat dirinya sendiri satu waktu sebelumnya. Sehingga model tersebut


sering disebut juga dengan model ARCH linier. Kemudian karena bergantung
pada kuadrat dirinya sendiri satu waktu sebelumnya, model (3.3) disebut
dengan model ARCH orde pertama, atau disingkat dengan ARCH(1).

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

54

Sehingga { t } yang memenuhi persamaan (3.3) disebut mengikuti proses


ARCH(1).
Dengan diberikan t 1 , mean dan variansi dari t pada (3.3) yaitu :

E ( t | t 1 ) = E at ht1 2 | t 1 = ht1 2 E ( at | t 1 ) = ht1 2 E ( at ) = 0

Var ( t | t 1 ) = Var at ht1 2 | t 1 = hVar


( at | t 1 ) = hVar
( at ) = ht = 0 + 1 t21
t
t

Sehingga dapat ditulis

t | t 1 N ( 0, ht )
Variansi bersyaratnya bersifat heteroskedastik, karena bergantung pada
kuadrat dirinya sendiri satu waktu sebelumnya. Nilai t2 yang besar (atau
kecil) akan mengakibatkan variansi periode selanjutnya menjadi besar (atau
kecil) pula. Inilah yang mencerminkan adanya pengelompokan volatilitas.
Dengan diberikan t 1 , mean dan variansi bersyarat dari
Yt = 1Yt 1 + 2Yt 2 + + pYt p + t 1 t 1 2 t 2 ... q t q ,

(3.4)

dengan t = at ht1 2 , ht = 0 + 1 t21 , 0 > 0,1 0


yaitu :
E (Yt | t 1 ) = 1y t 1 + 2 y t 2 + + p y t p 1 t 1 2 t 2 ... q t q
Var (Yt | t 1 ) = Var ( t | t 1 ) = ht

Mean bersyaratnya sama seperti pada (3.1), sedangkan variansi


bersyaratnya bersifat heteroskedastik karena bergantung pada waktu. Jadi
dapat disimpulkan bahwa { t } yang mengikuti proses ARCH, akan

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

55

membawa kepada {Yt } yang juga bersifat heteroskedastik (bersyarat).


Sedangkan untuk variansi tak bersyarat akan dibahas nanti. Model (3.4)
disebut dengan model ARMA-ARCH(1), yaitu model runtun waktu ARMA
dengan faktor pengganggu mengikuti proses ARCH(1).

3.4

PROSES AUTOREGRESSIVE CONDITIONAL


HETEROSCEDASTICITY (ARCH)

3.4.1 Proses ARCH Orde Pertama

Misalkan { t } adalah proses stokastik waktu diskrit yang bernilai real,


dan t 1 adalah himpunan informasi dari semua informasi masa lalu sampai
waktu t 1. Proses { t } mengikuti proses ARCH orde pertama, atau
disingkat dengan ARCH(1), jika :

t | t 1 N ( 0, ht )
ht = 0 + 1 t21 , 0 > 0,1 0

(3.5)

Jika 1 = 0 maka ht = 0 , sehingga t | t 1 = t N ( 0, 0 ) adalah proses


white noise dengan variansi 0 . Proses ARCH(1) dapat bersifat stasioner

dengan syarat yang diberikan oleh Teorema 1 berikut ini. Kemudian untuk
pembahasan selanjutnya, hanya dibahas proses ARCH(1) yang stasioner.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

56

Teorema 1

Proses { t } yang mengikuti proses ARCH(1), bersifat stasioner dengan


E ( t ) = 0 , Var ( t ) =

0
dan Cov ( t , t k ) = 0, k 0
1 1

jika dan hanya jika 1 < 1 .


(Bukti di Lampiran 1)

Kemudian Teorema 2 berikut ini akan memberikan syarat eksistensi


momen genap dari distribusi tak bersyarat dari { t } yang mengikuti proses
ARCH(1), yang selanjutnya dapat digunakan untuk mencari kurtosis.
Sedangkan momen ganjilnya, dari kesimetrisan t | t 1 N ( 0, ht ) ,

( )

( (

E t s = E E t s t 1

)) = 0

(3.6)

dengan s bilangan ganjil (bukti di Lampiran 1).

Teorema 2

Momen ke-2r dari { t } yang mengikuti proses ARCH(1), ada, jika dan hanya
jika cr 1r < 1. Momen tersebut dapat diekspresikan dengan rumus rekursif
r 1 r

E t2r = cr 0r j 1j E t2 j 1 cr 1r
j =0 j

( )

( ) (

dengan c0 = 1, cr = ( 2 j 1) , r = 1,2, .
j =1

(Bukti di Lampiran 1)

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

57

Skewness distribusi tak bersyarat dari { t } yang mengikuti proses


ARCH(1) yaitu :
skew ( t ) =

E ( t E ( t ) )

) = E (

3
t

) = 0,

(karena dari (3.6), E ( t 3 ) = 0 ). Ini mengimplikasikan bahwa distribusi tak


bersyarat dari { t } yang mengikuti proses ARCH(1) bersifat simetris.
Dari Teorema 1, variansi dari { t } yang mengikuti proses ARCH(1)
yaitu :

( )

Var ( t ) = E t2 =

0
, 1 < 1
1 1

Dari Teorema 2, momen keempatnya yaitu :


1 2

E t4 = c2 02 j 1j E t2 j 1 312
j =0 j

( )

( ) (

= 3 02 + 2 01 0 (1 1 )

1 1 + 21
2
= 3 02
1 31

1 + 1
2
= 3 02
1 31
1 1

)) (1 3 )
2
1

, 312 < 1

Sehingga kurtosis distribusi tak bersyarat dari { t } yang mengikuti proses


ARCH(1) yaitu :

kurt ( t ) =

E ( t E ( t ) )

4
t

) = E (

4
t

( )
2

1
1 + 1
2
3 02
(1 31 )
1 1
1 12

=
= 3
2
2
0
1 31

1 1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

58

Nilai kurtosisnya lebih besar dari 3 (karena 1 < 1 dan 312 < 1 ) sehingga
distribusi tak bersyarat dari { t } yang mengikuti proses ARCH(1) mempunyai
ekor yang lebih tebal daripada distribusi Normal (bersifat leptokurtik). Jadi

{ t }

tidak berdistribusi Normal. Ini jelas berbeda dengan white noise yang

berdistribusi Normal (kurtosis distribusi Normal adalah 3, bukti di Lampiran 3).

3.4.2 Proses ARCH Orde Ke-n

Misalkan { t } adalah proses stokastik waktu diskrit yang bernilai real,


dan t 1 adalah himpunan informasi dari semua informasi masa lalu yang
terdapat sampai pada waktu t 1. Proses { t } mengikuti proses ARCH orde
ke-n, atau disingkat dengan ARCH(n), jika :

t | t 1 N ( 0, ht )
n

ht = 0 + 1 t21 + ... + n t2n = 0 + i t2i

(3.7)

i =1

0 > 0, i 0, i = 1,, n
Jadi pada proses ini, variansi bersyaratnya merupakan fungsi linier dari

t21, t22 ,, t2n . Seperti pada proses ARCH(1), Teorema 3 berikut ini akan
memberikan syarat stasioner untuk { t } yang mengikuti proses ARCH(n),
dan untuk pembahasan selanjutnya hanya dibahas proses ARCH(n) yang
stasioner.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

59

Teorema 3

Proses { t } yang mengikuti proses ARCH(n) bersifat stasioner dengan


E ( t ) = 0 , Var ( t ) =

0
n

1 i

dan Cov ( t , t k ) = 0, k 0

(3.8)

i =1

jika dan hanya jika

i =1

< 1.

(Bukti di Lampiran 1)
Seperti pada proses ARCH(1), distribusi tak bersyarat dari { t } yang
mengikuti proses ARCH(n) juga mempunyai skewness nol dan kurtosisnya
bersifat leptokurtik, sehingga tidak berdistribusi Normal.

3.5

FUNGSI AUTOKORELASI DARI {t2 } PADA PROSES ARCH(n)

Asumsikan bahwa distribusi tak bersyarat dari { t } yang mengikuti


proses ARCH(n) mempunyai momen keempat yang konstan terhadap waktu.
Dengan menggunakan asumsi ini, maka dapat dikatakan bahwa { t2 }
stasioner, dengan mean dan variansi :

( )

E t2 = Var ( t ) = 2 =

( )

( )

((

0
n

1 i
i =1

( )

Var t2 = E t4 E t2

))

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

60

( )

( )

Nilai Var t2 tersebut konstan terhadap waktu karena, karena E t4 dan

( )

E t2 keduanya konstan terhadap waktu. Kemudian berikut ini akan dicari

{ }

fungsi autokorelasi dari t2 . Notasikan fungsi autokovariansi antara t2 dan

t2k dengan :
( k ) = Cov ( t2 , t2k )
2
t

Definisikan v t = t2 ht . Mean bersyarat dari v t yaitu :

((

E (v t t 1 ) = E t2 ht t 1 = E t2 t 1 ht = 0

(karena E t2 t 1 = Var ( t t 1 ) = ht ). Sehingga mean dari v t yaitu :

E (v t ) = E E (v t t 1 ) = 0
Substitusikan ht = t2 v t ke dalam (3.7) maka didapatkan :
n

t2 v t = 0 + i t2i
i =1
n

t2 = 0 + i t2i + v t

(3.9)

i =1

Dari (3.8), Var ( t ) = 2 =

n
2
=

,
atau

1
i

0

n
i =1

1 i

. Kemudian

i =1

subtitusikan ke dalam (3.9) maka didapatkan :

i =1

i =1

t2 = 2 1 i + i t2i + v t

= 2 + i t2i 2 + v t
i =1

t2 2 = i ( t2i 2 ) + v t
n

i =1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

61

Dengan mengalikan kedua sisinya dengan t2k 2 , k 1 , kemudian


diekspektasikan sehingga didapatkan :

((

)(

E t2 2 t2k 2

) ) = E (

2 t2k 2

)(

i =1

2
t i

( (

+ E vt

2
t k

)),k 1

(3.10)

Karena

( (

E v t t2k 2

) ) = E ( E (v ( ) ) )
= E ( ( ) E (v ) )
t

2
t k

2
t k

t 1

t 1

= 0, k 1
sehingga (3.10) menjadi :

((

)(

E t2 2 t2k 2

) ) = E (
n

i =1

2
t i

2 t2k 2

((

)(

)(

))

Cov t2 , t2k = i E t2i 2 t2k 2


i =1

= i Cov t2i , t2k


i =1

( k ) = i ( k i ), k 1
2
t

2
t

i =1

Dengan membagi kedua sisinya dengan Var ( t2 ) = 2 ( 0 ) , dari rumus


t

( k ) = ( k ) ( 0 ) , maka didapatkan fungsi autokorelasi berikut ini :


n

( k ) = i ( k i ), k 1
2
t

i =1

2
t

Fungsi autokorelasi di atas sama dengan fungsi autokorelasi proses AR(n),


yaitu nilainya akan menurun secara eksponensial menuju nol untuk nilai k
yang semakin besar. Sehingga fungsi autokorelasi parsialnya juga bersifat
seperti proses AR(n), yaitu akan terputus (bernilai nol) setelah lag n.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

62

3.6

MODEL ARMA-ARCH STASIONER

Definisi model ARMA-ARCH stasioner adalah model runtun waktu


ARMA(p.q) yang stasioner dan invertibel, seperti yang telah dijelaskan pada
bab II, dengan faktor pengganggu yang mengikuti proses ARCH(n) yang
stasioner, yaitu :
Yt = 0 + 1Yt 1 + 2Yt 2 + + pYt p + t 1 t 1 2 t 2 q t q
dengan t = at ht1 2 , at NIID ( 0,1) , ht = 0 + 1 t21 + + n t2n
Model tersebut dapat ditulis lebih singkat yaitu :

Yt = 0 + 1Yt 1 + 2Yt 2 + + pYt p + t 1 t 1 2 t 2 q t q


ht = 0 + 1 t21 + + n t2n
Contoh model ARMA-ARCH stasioner yang paling sederhana adalah
model AR(1)-ARCH(1) berikut ini :
Yt = 1Yt 1 + t , dengan 1 < 1

(3.11)

ht = 0 + 1 t21, dengan 0 > 0 dan 0 < 1 < 1


Berikut ini akan dicari variansi dan fungsi autokovariansi dari {Yt } yang
mengikuti proses AR(1)-ARCH(1) di atas. Seperti pada pembahasan tentang
AR(1) pada bab II, asumsikan bahwa E (Yt ) = = 0 . Mean bersyarat dari Yt
dengan diberikan t 1 yaitu :
E (Yt t 1 ) = E ( (1Yt 1 + t ) t 1 ) = 1y t 1
(karena E ( t t 1 ) = 0 ).

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

63

Variansi bersyarat dari Yt dengan diberikan t 1 yaitu :

Var (Yt t 1 ) = Var ( (1Yt 1 + t ) t 1 ) = Var ( t t 1 ) = ht


Dengan mengambil variansi pada kedua sisi persamaan (3.11), didapatkan
variansi tak bersyarat dari Yt yaitu :
Var (Yt ) = 12Var (Yt 1 ) + Var ( t ) + 21Cov (Yt 1, t )

0
+ 21E (Yt 1 t )
1 1

= 12 0 + 0 + 21E ( E (Yt 1 t t 1 ) )
1 1

= 12 0 + 0 + 21E ( y t 1E ( t t 1 ) )
1 1

= 12 0 + 0
1 1
0
=
2
(1 1 ) (1 1 )

0 = 12 0 +

Bandingkan dengan variansi AR(1)-ARCH(1) di atas dengan variansi AR(1)


yang telah dijelaskan pada bab II, yaitu :

a2
0 =
1 12
Terlihat bahwa variansi proses AR(1)-ARCH(1) didapatkan dengan
menggantikan variansi faktor pengganggu proses AR(1), yaitu Var ( at ) = a2 ,
dengan variansi faktor pengganggu proses AR(1)-ARCH(1), yaitu :
Var ( t ) =

0
.
1 1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

64

Begitu pula secara umum untuk proses ARMA-ARCH, yaitu variansi


proses ARMA-ARCH sama dengan variansi proses ARMA biasa, hanya saja

a2 digantikan dengan :
Var ( t ) =

0
n

1 i
i =1

Untuk mencari fungsi autokovariansi, kalikan kedua sisi (3.11) dengan


Yt k , kemudian diekspektasikan, sehingga didapatkan :
E (YtYt k ) = 1E (Yt 1Yt k ) + E ( tYt k )

k = 1 k 1 + E ( E ( tYt k t 1 ) )
k = 1 k 1 + E ( y t k E ( t t 1 ) )
k = 1 k 1, k 1
Fungsi autokovariansinya sama seperti fungsi autokovariansi proses AR(1)
biasa. Jadi faktor pengganggu yang mengikuti proses ARCH tidak
mempengaruhi struktur fungsi autokovariansi pada Yt . Jadi fungsi
autokorelasinya juga akan bersifat seperti pada proses AR(1) biasa, yaitu
terputus setelah lag 1. Begitu pula secara umum pada proses ARMA-ARCH,
yaitu faktor pengganggu yang mengikuti proses ARCH tidak mempengaruhi
struktur fungsi autokovariansi dari runtun waktu yang dianalisis.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

65

3.7

SIMULASI PROSES AR-ARCH

Berikut ini akan diperlihatkan simulasi dari proses ARCH dan


AR-ARCH yang stasioner dan tidak stasioner. Dari simulasi ini akan terlihat
perbedaan dari proses AR biasa dengan AR-ARCH. Agar skala dari proses
yang akan disimulasikan dapat dibandingkan, maka variansi faktor
pengganggu pada setiap proses, dipilih sama dengan satu. Program untuk
simulasi ini ada di Lampiran 2.

3.7.1 Simulasi Proses AR(1)

Berikut ini akan diperlihatkan simulasi proses AR(1) dengan faktor


pengganggu white noise, yaitu :
Yt = 0.2Yt 1 + at
dengan {at } mengikuti proses white noise yang berdistribusi NIID ( 0,1) .
Gambar 3.3 di bawah ini adalah simulasi proses white noise {at } .
Pada gambar ini terlihat tidak ada yang berkelompok.

Simulas i W hite Nois e


6
4
2
0
-2
-4
-6
-8

100

200

300

400

500

600

700

800

900

1000

Gambar 3.4. Simulasi Proses White Noise {at } NIID(0,1)

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

66

Kemudian Gambar 3.5 di bawah ini adalah simulasi Yt = 0.2Yt 1 + at , yang


dihasilkan dari at pada Gambar 3.4. Seperti pada Gambar 3.4, pola pada
Gambar 3.5 ini juga terlihat tidak ada yang berkelompok.

Simulas i Y(t)
6
4
2
0
-2
-4
-6
-8

100

200

300

400

500

600

700

800

900

1000

Gambar 3.5. Simulasi Proses AR(1) Yt = 0.2Yt 1 + at , ( at ) NIID ( 0,1)

Gambar 3.6 berkut ini adalah variansi bersyarat dari proses white noise dan
AR(1) pada Gambar 3.4 dan 3.5, yaitu :
Var (Yt | t 1 ) = Var ( at | t 1 ) = Var ( at ) = 1.

Variansi bersyarat ini bernilai konstan sepanjang waktu.

Simulas i

h(t)

2
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0

100

200

300

400

500

600

700

800

900

1000

Gambar 3.6. Variansi Bersyarat Var (Yt | t 1 ) = Var ( at | t 1 ) = Var ( at ) = 1.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

67

3.7.2 Simulasi Proses AR(1)-ARCH(1)

Berikut ini akan diperlihatkan simulasi proses AR(1) dengan faktor


pengganggu yang mengikuti proses ARCH(1), yaitu :
Yt = 0.2Yt 1 + t ,
dengan { t } mengikuti proses ARCH(1) dengan
ht = 0.2 + 0.8 t21 .
Gambar 3.7 berikut ini adalah simulasi { t } yang mengikuti proses
ARCH(1) dengan ht = 0.2 + 0.8 t21 , yang didapatkan dari simulasi {at } pada
Gambar 3.4 (Dari (3.3), t = at ht1 2 , at NIID ( 0,1) ). Variansi tak bersyarat
dari t adalah Var ( t ) =

0.2
= 1.
1 ( 0.8 )

Simulas i

ARCH

-2

-4

-6

-8

100

200

300

400

500

600

700

800

900

1000

Gambar 3.7. Simulasi Proses ARCH(1),

t = at ht1 2 dengan at NIID ( 0,1) dan ht = 0.2 + 0.8 t21

Kemudian Gambar 3.8 berikut ini adalah simulasi proses AR(1),


Yt = 0.2Yt 1 + t yang didapatkan dari t pada Gambar 3.7. Pada Gambar 3.7
dan Gambar 3.8 terlihat adanya pengelompokan volatilitas.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

68

Simulas i Y(t)
6

-2

-4

-6

100

200

300

400

500

600

700

800

900

1000

Gambar 3.8. Simulasi Proses AR(1)-ARCH(1),


Yt = 0.2Yt 1 + t , ht = 0.2 + 0.8 t21
Gambar 3.9 berikut ini adalah simulasi ht = 0.2 + 0.8 t21 , yaitu variansi
bersyarat dari proses pada Gambar 3.7 dan 3.8. Terlihat bahwa nilai variansi
bersyarat ini berubah-ubah sepanjang waktu.

Simulas i

h(t)

35

30

25

20

15

10

100

200

300

400

500

600

700

800

900

1000

Gambar 3.9. Variansi Bersyarat


Var (Yt | t 1 ) = Var ( t | t 1 ) = ht = 0.2 + 0.8 t21

3.7.3 Simulasi Proses AR(1)-ARCH(4)

Berikut ini akan diperlihatkan simulasi proses AR(1) dengan faktor


pengganggu yang mengikuti proses ARCH(4), yaitu :
Yt = 0.2Yt 1 + t ,

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

69

dengan { t } mengikuti proses ARCH(4) dengan

ht = 0.1+ 0.3t21 + 0.2t22 + 0.2t23 + 0.1t24 .


Variansi tak bersyarat dari t adalah
Var ( t ) =

0.2
= 1.
1 ( 0.3 + 0.2 + 0.2 + 0.1)

Gambar 3.10 berikut ini adalah simulasi { t } yang mengikuti proses


ARCH(4) dengan ht = 0.1 + 0.3 t21 + 0.2 t22 + 0.2 t23 + 0.1 t2 4 , yang didapatkan
dari simulasi {at } pada Gambar 3.4.

Simulas i ARCH
6

-2

-4

-6

100

200

300

400

500

600

700

800

900

1000

Gambar 3.10. Simulasi Proses ARCH(4), t = at ht1 2 dengan


at NIID ( 0,1) dan ht = 0.1 + 0.3 t21 + 0.2 t22 + 0.2 t23 + 0.1 t2 4

Kemudian Gambar 3.11 berikut ini adalah simulasi proses AR(1)-ARCH(4),


Yt = 0.2Yt 1 + t yang didapatkan dari t pada Gambar 3.10. Seperti pada
ARCH(1), pada Gambar 3.10 dan Gambar 3.11 memperlihatkan adanya
pengelompokan volatilitas.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

70

Simulas i Y(t)
6
4
2
0
-2
-4
-6
-8

100

200

300

400

500

600

700

800

900

1000

Gambar 3.11. Simulasi Proses AR(1)-ARCH(4)


Yt = 0.2Yt 1 + t , ht = 0.1 + 0.3 t21 + 0.2 t22 + 0.2 t23 + 0.1 t2 4

Gambar 3.12 adalah simulasi ht = 0.1 + 0.3 t21 + 0.2 t22 + 0.2 t23 + 0.1 t2 4 , yaitu
variansi bersyarat dari proses pada Gambar 3.10 dan 3.11. Terlihat bahwa
nilai variansi bersyarat ini berubah-ubah sepanjang waktu.

Simulas i h(t)
20
18
16
14
12
10
8
6
4
2
0

100

200

300

400

500

600

700

800

900

1000

Gambar 3.12. Variansi Bersyarat


Var (Yt | t 1 ) = Var ( at | t 1 ) = ht = 0.1 + 0.3 t21 + 0.2 t2 2 + 0.2 t23 + 0.1 t2 4

Dengan membandingkan pengelompokan volatilitas pada proses


ARCH(1) (Gambar 3.7) dengan proses ARCH(4) (Gambar 3.10), terlihat
bahwa pada proses ARCH(4) lebih berkelompok daripada proses ARCH(1).
Begitu juga pada proses AR(1)-ARCH(1) (Gambar 3.8) dengan proses
AR(1)-ARCH(4) (Gambar 3.11). Hal ini dikarenakan pada proses ARCH(4)
yaitu dengan variansi bersyarat ht = 0.1 + 0.3 t21 + 0.2 t22 + 0.2 t23 + 0.1 t2 4 ,

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

71

bergantung dengan t21, t22 , t23 , dan t2 4 (sampai 4 waktu ke belakang),


sedangkan pada proses ARCH(1), yaitu dengan variansi bersyarat
ht = 0.2 + 0.8 t21 , hanya bergantung pada t21 (satu waktu ke belakang).

3.7.4 Simulasi Proses AR-ARCH yang Tidak Stasioner

Gambar 3.13 berikut ini adalah simulasi { t } yang mengikuti proses


ARCH(1) dengan ht = 0.1 + 1.5 t21 , yang didapatkan dari {at } pada Gambar
3.4. Dari Teorema 1, proses ini tidak stasioner karena 1 = 1.5 tidak
memenuhi 1 < 1 .
.
Simulas i ARCH
50

-50

-100

100

200

300

400

500

600

700

800

900

1000

Gambar 3.13. Simulasi Proses ARCH(1),

t = at ht1 2 dengan at NIID ( 0,1) dan ht = 0.1 + 1.5 t21

Gambar 3.14 di bawah ini adalah simulasi proses AR(1) Yt = 0.2Yt 1 + t yang
dihasilkan dari t pada Gambar 3.13. Proses ini terlihat jelas tidak stasioner
karena nilainya menurun drastis menuju nol. Jadi dapat disimpulkan bahwa

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

72

faktor pengganggu yang tidak stasioner akan membawa kepada proses yang
tidak stasioner pula.

Simulas i

Y(t)

40

20

-20

-40

-60

-80

-100

100

200

300

400

500

600

700

800

900

1000

Gambar 3.14. Simulasi Proses AR(1)-ARCH(1)


Yt = 0.2Yt 1 + t , ht = 0.1 + 1.5 t21

Dari Gambar 3.15 di bawah ini terlihat bahwa variansi bersyaratnya


tidak konstan, lebih jelas lagi, seperti pada Gambar 3.14, nilainya menurun
drastis hingga mendekati nol.

Simulas i

h(t)

14000

12000

10000

8000

6000

4000

2000

100

200

300

400

500

600

700

800

900

Gambar 3.15. Variansi Bersyarat


Var (Yt | t 1 ) = Var ( at | t 1 ) = ht = 0.1 + 1.5 t21

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

1000

BAB IV
PROSES GENERALIZED AUTOREGRESSIVE CONDITIONAL
HETEROSCEDASTICITY (GARCH)

Proses Generalized Autoregressive Conditional Heteroscedasticity


(GARCH) pertama kali diperkenalkan oleh Bollerslev (1986). Proses GARCH
merupakan generalisasi dari proses ARCH. Generalisasi dari proses ARCH
ke proses GARCH mirip dengan generalisasi dari proses MA ke proses
ARMA.

4.1

PROSES GARCH(1,1)

Misalkan { t } adalah proses stokastik waktu diskrit yang bernilai real,


dan t 1 adalah himpunan informasi dari semua informasi masa lalu yang
terdapat sampai pada waktu t 1. Proses { t } mengikuti proses
GARCH(1,1) jika:

t | t 1 N (0, ht )
ht = 0 + 1 t21 + 1ht 1 , 0 > 0, 1 0, 1 0

(4.1)

Jika 1 = 0 dan 1 = 0 maka ht = 0 , sehingga ( t | t 1 = t ) N ( 0, 0 )


adalah proses white noise dengan variansi 0 . Jadi dengan membandingkan

73
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

74

proses ARCH(1) dan GARCH(1,1), variansi bersyarat proses GARCH(1,1)


juga bergantung pada variansi bersyarat satu waktu sebelumnya. Kemudian
seperti pada proses ARCH, { t } yang mengikuti proses GARCH(1,1) dapat
bersifat stasioner dengan syarat yang diberikan oleh Teorema 4 berikut ini
dan untuk pembahasan selanjutnya, hanya dibahas proses GARCH yang
stasioner.

Teorema 4
Proses { t } yang mengikuti proses GARCH(1,1) bersifat stasioner dengan
E ( t ) = 0 , Var ( t ) =

0
dan Cov ( t , t k ) = 0, k 0
1 (1 + 1 )

jika dan hanya jika 1 + 1 < 1.


(Bukti di Lampiran 1)

Seperti pada Teorema 2 untuk ARCH(1), Teorema 5 berikut ini akan


memberikan syarat eksistensi momen genap dari distribusi tak bersyarat dari

{ t }

yang mengikuti proses GARCH(1,1). Seperti pada proses ARCH(n),

momen ganjilnya bernilai nol dari kesimetrisan t | t 1 N ( 0, ht ) , sehingga

( )

( (

dari (3.6), E t s = E E t s t 1

) ) = 0 , dengan s bilangan ganjil

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

75

Teorema 5
Momen ke-2r dari { t } yang mengikuti proses GARCH(1,1) ada, jika dan
r
r
hanya jika (1, 1, r ) = c j 1j 1r j < 1 .
j =0 j

Momen ke-2r tersebut dapat diekspresikan dengan rumus rekursif


r 1

1
r
E t2 r = cr c j 1E t2 i 0r i (1, 1, i ) 1 (1, 1, r )
i
i =0

( )

( )

dengan c0 = 1, c j = ( 2i 1) , i = 1,2,
i =1

(Bukti di Lampiran)

Skewness dari distribusi tak bersyarat dari { t } yang mengikuti proses


GARCH(1,1) yaitu :
skew ( t ) =

E ( t E ( t ) )

3
t

) = E (

3
t

) =0

( )

(karena E t 3 = 0 ). Seperti pada proses ARCH, distribusi tak bersyarat dari

{ t }

yang mengikuti proses GARCH(1,1) bersifat simetris.


Dari Teorema 4, variansi dari { t } yang mengikuti proses GARCH(1,1)

yaitu :
Var ( t ) = E ( t2 ) =

0
, 1 + 1 < 1
1 (1 + 1 )

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

76

Kemudian dari Teorema 5, momen keempatnya yaitu :


E ( t4 ) = 3 02 (1 + 1 + 1 ) (1 1 1 ) (1 12 211 312 ) ,
1

12 + 211 + 312 < 1


Sehingga kurtosis distribusi tak bersyarat dari { t } yang mengikuti proses
GARCH(1,1) yaitu :
kurt ( t ) =
=

E ( t E ( t ) )

( )
( )

E t
2

3 02 (1 + 1 + 1 ) (1 1 1 ) 1 12 211 312
=
2

1 (1 + 1 )

1 (1 + 1 )2
= 3
2
2
1 31 211 1

Nilai kurtosis tersebut lebih besar dari 3 (karena 1 + 1 < 1 dan

12 + 211 + 312 < 1 ). Jadi dapat disimpulkan bahwa distribusi tak bersyarat
dari { t } yang mengikuti proses GARCH(1,1) mempunyai ekor yang lebih
tebal daripada distribusi Normal (bersifat leptokurtik) sehingga { t } tidak
berdistribusi Normal.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

77

4.2 PROSES GARCH ORDE KE-m DAN n

Misalkan { t } adalah proses stokastik waktu diskrit yang bernilai real,


dan t 1 adalah himpunan informasi dari semua informasi masa lalu sampai
pada waktu t 1. Proses { t } mengikuti proses GARCH orde ke-m dan n,
atau disingkat dengan GARCH(m,n), jika :

t | t 1 N(0, ht )
ht = 0 + 1 t21 + + n t2n + 1ht 1 + + m ht m
n

i =1

j =1

= 0 + i t2i + j ht j

(4.2)

dengan 0 > 0, i 0, i = 1,, n dan j 0, j = 1,, m . Jika m = 0 maka


proses GARCH(m,n) menjadi proses ARCH(n). Sedangkan jika m = 0 dan
n = 0 maka akan menjadi proses white noise dengan variansi 0 . Pada

proses ARCH(n), variansi bersyaratnya adalah fungsi linier dari kuadrat t


pada masa lalu. Sedangkan pada proses GARCH(m,n) variansi
bersyaratnya juga menambahkan fungsi linier dari variansi bersyarat itu
sendiri pada masa lalu sampai m waktu ke belakang.
Kemudian seperti pada proses ARCH, { t } yang mengikuti proses
GARCH(m,n) dapat bersifat stasioner dengan syarat yang diberikan oleh
Teorema 6 berikut ini dan untuk pembahasan selanjutnya, hanya dibahas
proses GARCH yang stasioner.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

78

Teorema 6

Proses { t } yang mengikuti proses GARCH(m,n) bersifat stasioner dengan

E ( t ) = 0 , Var ( t ) =

jika dan hanya jika

i =1

j =1

1 i j

i =1

j =1

dan Cov ( t , t k ) = 0, k 0

(4.3)

i + j < 1.

(Bukti di Lampiran)

Seperti pada proses GARCH(1,1), distribusi tak bersyarat dari { t }


yang mengikuti proses GARCH(m,n) juga mempunyai skewness nol dan
kurtosisnya bersifat leptokurtik, sehingga tidak berdistribusi Normal.

4.3

FUNGSI AUTOKORELASI {t2 } PADA PROSES GARCH(m,n)

{ }

Seperti pada pembahasan fungsi autokorelasi t2 pada ARCH(n),


asumsikan bahwa proses { t } yang mengikuti proses GARCH(m,n)
mempunyai momen keempat yang konstan terhadap waktu. Dengan

{ }

menggunakan asumsi ini, maka dapat dikatakan bahwa t2 stasioner,


dengan mean dan variansi :

( )

E t2 = Var ( t ) = 2 =

0
n

i =1

j =1

1 i j

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

79

( )

( )

((

( )

Var t2 = E t4 E t2

))

( )

( )

Nilai Var t2 tersebut konstan terhadap waktu karena, karena E t4 dan

( )

E t2 keduanya konstan terhadap waktu. Kemudian berikut ini akan dicari

{ }

fungsi autokorelasi dari t2 . Notasikan fungsi autokovariansi antara t2 dan

t2k dengan :
( k ) = Cov ( t2 , t2k )
2
t

Seperti pada subbab 3.5, definisikan v t = t2 ht . Sehingga mean dari v t


yaitu E (v t ) = 0 . Kemudian notasikan fungsi autokovariansi antara t2 dan

t2k dengan
( k ) = Cov ( t2 , t2k )
2
t

Kemudian substitusikan ht = t2 v t ke dalam (4.2) menjadi


n

i =1

j =1

ht = 0 + i t2i + j ht j

t2 v t = 0 + i t2i + j ( t2 j v t j )
n

i =1

j =1

i =1

j =1

j =1

t2 = 0 + i t2i + j t2 j j v t j + v t

Definisikan w = max ( m, n ) dan i = 0 untuk i > n dan j = 0 untuk j > m ,


sehingga :
w

i =1

j =1

t2 = 0 + ( i + i ) t2i j v t j + v t

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(4.4)

80

Dari (4.3),

Var ( t ) = 2 =

n
m
2
,
atau

j
=

0

i
n
m
i =1
j =1

1 i j
i =1

j =1

Lalu subtitusikan ke dalam (4.4) menjadi :

t2 = 2 1 i j + ( i + i ) t2i j v t j + v t
i =1
j =1
j =1

i =1
w
w
m

= 2 1 ( i + i ) + ( i + i ) t2i j v t j + v t
i =1
j =1

i =1

= 2 + ( i + i ) t2i 2 j v t j + v t
i =1

j =1

t2 2 = ( i + i ) ( t2i 2 ) j v t j + v t
w

i =1

j =1

Dengan mengalikan kedua sisinya dengan t2k 2 , k 1 , kemudian


diekspektasikan maka didapatkan :

((

)(

E t2 2 t2k 2

) ) = E (

+ i ) t2i 2 t2k 2

i =1

)(

E
j v t j t2k 2 + E v t t2k 2
j =1

( (

)(

))

((

Cov t2 , t2k = ( i + i ) E t2i 2 t2k 2


i =1

( (

j E v t j t2k 2
j =1

) ) + E (v (
t

2
t k

Karena

( (

E v t t2k 2

) ) = E ( E (v ( ) ) )
= E ( ( ) E (v ) ) = 0, k 1
t

2
t k

2
t k

t 1

t 1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

))

))

81

dan asumsikan E (v t j t k ) = 0, j < k , sehingga

( (

E v t j t2k 2

) ) = E ( E (v (
t j

2 t k

2
t k

) ) = (

2
t k

) (

2 E E (v t j t k ) = 0, j < k

Jadi didapatkan fungsi autokovariansi :

((

)(

Cov t2 , t2k = ( i + i ) E t2i 2 t2k 2


i =1

= ( i + i ) Cov t2i , t2k


i =1

))

( k ) = ( i + i ) ( k i ) , k 1
2
t

i =1

2
t

Dengan membagi kedua sisinya dengan Var ( t2 ) = 2 ( 0 ) , kemudian dari


t

rumus ( k ) = ( k ) ( 0 ) , maka didapatkan fungsi autokorelasi berikut ini :


w

( k ) = ( i + i ) ( k i ) , k 1
2
t

i =1

2
t

Fungsi autokorelasi di atas mirip dengan fungsi autokorelasi pada proses


ARMA(w,m) untuk k m + 1 . Jadi seperti pada proses ARMA, nilai fungsi
autokorelasi untuk t2 pada proses GARCH(m,n) akan menurun secara
eksponensial menuju nol untuk nilai k yang semakin besar. Begitu juga untuk
fungsi autokorelasi parsialnya juga menurun secara eksponensial menuju nol
untuk nilai k yang semakin besar.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

82

4.4

REPRESENTASI GARCH(1,1) SEBAGAI ARCH()

Apabila fungsi ht pada (4.2) dijabarkan secara rekursif, didapatkan :


ht = 0 + 1 t21 + 1ht 1

= 0 + 1 t21 + 1 ( 0 + 1 t22 + 1ht 2 )


= 0 (1 + 1 ) + 1 t21 + 11 t22 + 12ht 2

= 0 (1 + 1 ) + 1 t21 + 11 t22 + 12 ( 0 + 1 t23 + 1ht 3 )


= 0 (1 + 1 + 12 ) + 1 t21 + 11 t22 + 112 t23 + 13 ht 3
k

j =1

j =1

= 0 1j 1 + 1 1j 1 t2 j + 1k ht k
Syarat stasioner untuk GARCH(1,1) yaitu 1 + 1 < 1 , dan dari definisi 1 0 ,
sehingga 0 1 < 1, jadi untuk k

ht =

0
+ 1 1j 1 t2 j
1 1
j =1

Persamaan di atas dapat ditulis sebagai proses ARCH ( ) :

ht = 0 + j t2 j , dengan 0 =
j =1

0
dan j = 11j 1, j = 1,, .
1 1

Hasil ini menyarankan bahwa GARCH(1,1) dapat menggantikan ARCH orde


tinggi. Jadi proses GARCH dapat merepresentasikan proses ARCH orde
tinggi dengan lebih sederhana (parsimony).

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

83

4.5

MODEL ARMA-GARCH STASIONER

Definisi model ARMA-GARCH stasioner adalah model runtun waktu


ARMA(p.q) yang stasioner dan invertibel, seperti yang telah dijelaskan pada
bab II, dengan faktor pengganggu yang mengikuti proses GARCH(m,n) yang
stasioner, yaitu dapat ditulis :
Yt = 0 + 1Yt 1 + 2Yt 2 + + pYt p + t 1 t 1 2 t 2 q t q

t = at ht1 2 , at NIID ( 0,1) , ht = 0 + 1 t21 + + n t2n + 1ht 1 + + m ht m


dengan 0 = (1 1 2 p ) dan = E (Yt ) . Atau dapat ditulis secara
singkat menjadi :
Yt = 0 + 1Yt 1 + 2Yt 2 + + pYt p + t 1 t 1 2 t 2 q t q

ht = 0 + 1 t21 + + n t2n + 1ht 1 + + m ht m


Karakteristik proses ARMA-GARCH mirip dengan proses ARMAARCH yang telah dijelaskan pada subbab 3.6, hanya berbeda pada Var ( t ) .
Pada proses ARCH,
Var ( t ) =

0
n

1 i
i =1

Sedangkan pada proses GARCH,


Var ( t ) =

0
n

i =1

j =1

1 i j

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

84

Seperti pada proses ARMA-ARCH, apabila dibandingkan dengan proses


ARMA biasa, variansi proses ARMA-GARCH mirip dengan variansi proses
ARMA biasa, hanya saja a2 diganti dengan
Var ( t ) =

4.6

0
n

i =1

j =1

1 i j

SIMULASI PROSES GARCH

Berikut ini akan diperlihatkan simulasi proses GARCH dan AR-GARCH


yang stasioner dan tidak stasioner. Program untuk simulasi ini ada di
Lampiran 2. Agar skala dari proses yang akan disimulasikan dapat
dibandingkan, maka variansi faktor pengganggu pada setiap proses, dipilih
sama dengan satu. Gambar 4.1 di bawah ini adalah simulasi proses white
noise {at } .

Simulas i W hite Nois e


4
3
2
1
0
-1
-2
-3
-4
-5

100

200

300

400

500

600

700

800

900

1000

Gambar 4.1. Simulasi Proses White Noise {at } NIID(0,1)

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

85

4.6.1 Simulasi AR(1)-GARCH(1,1)

Berikut ini akan diperlihatkan simulasi proses AR(1) dengan faktor


pengganggu yang mengikuti proses GARCH(1,1), yaitu :
Yt = 0.2Yt 1 + t ,
dengan { t } mengikuti proses GARCH(1,1) dengan
ht = 0.2 + 0.4 t21 + 0.4ht 1 .
Gambar 4.2 di bawah ini adalah simulasi { t } yang mengikuti proses
GARCH(1,1) dengan ht = 0.2 + 0.4 t21 + 0.4ht 1 , yang didapatkan dari simulasi

{at } pada Gambar 4.1.

Variansi tak bersyarat dari t adalah


Var ( t ) =

0.2
= 1.
1 ( 0.4 + 0.4 )

Simulas i ARCH/GARCH
4
3
2
1
0
-1
-2
-3
-4
-5

100

200

300

400

500

600

700

800

900

1000

Gambar 4.2. Simulasi Proses GARCH(1,1),

t = at ht1 2 dengan at NIID ( 0,1) dan ht = 0.2 + 0.4 t21 + 0.4ht 1

Kemudian Gambar 4.3 berikut ini adalah simulasi proses AR(1),


Yt = 0.2Yt 1 + t yang didapatkan dari t pada Gambar 4.2. Pada Gambar 4.2
dan Gambar 4.3 terlihat adanya pengelompokan volatilitas.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

86

Simulas i

Y(t)

4
3
2
1
0
-1
-2
-3
-4
-5

100

200

300

400

500

600

700

800

900

1000

Gambar 4.3. Simulasi Proses AR(1)-GARCH(1,1),


Yt = 0.2Yt 1 + t , ht = 0.2 + 0.4 t21 + 0.4ht 1

Gambar 4.4 berikut ini adalah simulasi ht = 0.2 + 0.4 t21 + 0.4ht 1 , yaitu
variansi bersyarat dari proses pada Gambar 4.2 dan 4.3. Terlihat bahwa nilai
variansi bersyarat ini berubah-ubah sepanjang waktu.

Simulas i

h(t)

12

10

100

200

300

400

500

600

700

800

900

1000

Gambar 4.4. Simulasi Variansi Bersyarat


Var (Yt | t 1 ) = Var ( t | t 1 ) = ht = 0.2 + 0.4 t21 + 0.4ht 1

4.6.2 Simulasi AR(1)-GARCH(2,2)

Berikut ini akan diperlihatkan simulasi proses AR(1) dengan faktor


pengganggu yang mengikuti proses GARCH(2,2), yaitu :
Yt = 0.2Yt 1 + t ,

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

87

dengan { t } mengikuti proses GARCH(2,2) dengan


ht = 0.2 + 0.2 t21 + 0.2 t22 + 0.2ht 1 + 0.2ht 2 .

Gambar 4.5 di bawah ini adalah simulasi { t } yang mengikuti proses


GARCH(2,2) dengan ht = 0.2 + 0.2 t21 + 0.2 t22 + 0.2ht 1 + 0.2ht 2 , yang
didapatkan dari simulasi {at } pada Gambar 4.1. Variansi tak bersyarat dari

t adalah
Var ( t ) =

0.2
= 1.
1 ( 0.2 + 0.2 + 0.2 + 0.2 )

Simulas i ARCH/GARCH
4
3
2
1
0
-1
-2
-3
-4
-5

100

200

300

400

500

600

700

800

900

1000

Gambar 4.5. Simulasi Proses GARCH(2,2), t = at ht1 2


dengan at NIID ( 0,1) dan ht = 0.2 + 0.2 t21 + 0.2 t22 + 0.2ht 1 + 0.2ht 2

Kemudian Gambar 4.6 berikut ini adalah simulasi proses AR(1),


Yt = 0.2Yt 1 + t yang didapatkan dari t pada Gambar 4.5. Pada Gambar 4.5

dan Gambar 4.6 terlihat adanya pengelompokan volatilitas.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

88

Simulas i

Y(t)

4
3
2
1
0
-1
-2
-3
-4
-5

100

200

300

400

500

600

700

800

900

1000

Gambar 4.6. Simulasi Proses AR(1)-GARCH(2,2),


Yt = 0.2Yt 1 + t , ht = 0.2 + 0.2 t21 + 0.2 t22 + 0.2ht 1 + 0.2ht 2

Gambar 4.7 adalah simulasi ht = 0.2 + 0.2 t21 + 0.2 t22 + 0.2ht 1 + 0.2ht 2 , yaitu
variansi bersyarat dari proses pada Gambar 4.5 dan 4.6. Terlihat bahwa nilai
variansi bersyarat ini berubah-ubah sepanjang waktu.

Simulas i h(t)
12

10

100

200

300

400

500

600

700

800

900

1000

Gambar 4.7. Variansi Bersyarat


Var (Yt | t 1 ) = Var ( t | t 1 ) = ht = 0.2 + 0.2 t21 + 0.2 t22 + 0.2ht 1 + 0.2ht 2

Dengan membandingkan pengelompokan volatilitas pada proses


GARCH(1,1) dengan GARCH(2,2), terlihat bahwa pada proses GARCH(1,1)
lebih berkelompok daripada proses GARCH(2,2).

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

89

4.6.3 Simulasi Proses AR-GARCH yang Tidak Stasioner

Gambar 4.8 di bawah ini adalah simulasi { t } yang mengikuti proses


GARCH(1,1) dengan ht = 0.1 + 0.6 t21 + 0.6ht 1 , yang didapatkan dari {at }
pada Gambar 4.1. Dari Teorema 4, proses ini tidak stasioner karena

1 + 1 = 1.2 tidak memenuhi 1 + 1 < 1.

2.5

Simulas i ARCH/GARCH

10

2
1.5
1
0.5
0
-0.5
-1
-1.5
-2
-2.5

100

200

300

400

500

600

700

800

900

1000

Gambar 4.8. Simulasi Proses GARCH(1,1),

t = at ht1 2 dengan at NIID ( 0,1) dan ht = 0.1 + 0.6 t21 + 0.6ht 1

Kemudian Gambar 4.9 berikut ini adalah simulasi proses AR(1)


Yt = 0.2Yt 1 + t yang dihasilkan dari t pada Gambar 4.8. Proses ini terlihat

jelas tidak stasioner. Jadi faktor pengganggu yang tidak stasioner akan
membawa kepada proses yang tidak stasioner pula.

2.5

Simulas i

10

Y(t)

2
1.5
1
0.5
0
-0.5
-1
-1.5
-2
-2.5

100

200

300

400

500

600

700

800

900

Gambar 4.9. Simulasi Proses AR(1)-GARCH(1,1)


Yt = 0.2Yt 1 + t , ht = 0.1 + 0.6 t21 + 0.6ht 1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

1000

90

4.5

12

Simulas i

10

h(t)

4
3.5
3
2.5
2
1.5
1
0.5
0

100

200

300

400

500

600

700

800

900

1000

Gambar 4.10. Variansi Bersyarat


Var (Yt | t 1 ) = Var ( at | t 1 ) = ht = 0.1 + 0.6 t21 + 0.6ht 1

4.7

KELEMAHAN PROSES ARCH DAN GARCH

Walaupun proses ARCH dan GARCH dapat menangkap adanya


pengelompokan volatilitas yang seringkali terjadi pada runtun waktu finansial,
tetapi proses ini mempunyai beberapa kelemahan, yaitu :
1. Proses ini memperlakukan faktor pengganggu yang bernilai positif dan
negatif dengan cara yang sama, karena bergantung pada kuadrat
error sebelumnya. Padahal dalam prakteknya, telah diketahui bahwa
dalam bidang finansial, harga merespon nilai positif dan negatif
dengan arti yang berbeda.
2. Model ARCH dan GARCH cenderung bersifat membatasi. Misalnya
untuk ARCH(1), dari Teorema 2, nilai dari 12 harus berada di dalam
interval [0,1 3) agar memiliki momen keempat yang berhingga.
Pembatasan ini bahkan akan lebih kuat untuk model ARCH dengan
orde tinggi.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

BAB V
PENUTUP

5.1

KESIMPULAN

1. Pengelompokan volatilitas yang seringkali terjadi pada runtun waktu


finansial tidak dapat ditangkap oleh model ARMA biasa. Model yang
dapat menangkap adanya pengelompokan volatilitas ini adalah model
ARCH dan GARCH. Proses ARCH dan GARCH didapatkan dari

t = at ht1 2 dengan {at } adalah proses white noise yang berdistribusi


NIID(0,1) dan ht adalah fungsi dari nilai masa lalu dari t .
2. Proses ARCH(n) yaitu :

t | t 1 N ( 0, ht )
n

ht = 0 + i t2i , 0 > 0, i 0, i = 1,, n


i =1

Proses { t } yang mengikuti proses ARCH(n) bersifat stasioner


dengan E ( t ) = 0 ,Var ( t ) =

0
n

1 i

dan Cov ( t , t k ) = 0, k 0 ,

i =1

jika dan hanya jika

i =1

< 1.

91
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

92

Distribusi dari { t } mempunyai skewness nol (simetris) dan


kurtosisnya bersifat leptokurtik, sehingga tidak berdistribusi Normal.

{ }

Fungsi autokorelasi t2 bersifat seperti fungsi autokorelasi proses


AR(n).

3. Proses GARCH(m,n) yaitu :

t | t 1 N ( 0, ht ) ,
n

i =1

j =1

ht = 0 + i t2i + j ht j , 0 > 0, i 0, i = 1,, n , j 0, j = 1,, m

Proses { t } yang mengikuti proses GARCH(m,n) bersifat stasioner


dengan E ( t ) = 0 , Var ( t ) =

0
n

i =1

j =1

1 i j

Cov ( t , t k ) = 0, k 0 , jika dan hanya jika

dan

i =1

j =1

i + j < 1.

Distribusi dari { t } mempunyai skewness nol (simetris) dan


kurtosisnya bersifat leptokurtik, sehingga tidak berdistribusi Normal.

{ }

Fungsi autokorelasi t2 bersifat seperti fungsi autokorelasi proses


ARMA( max ( m, n ) , m ).

Proses GARCH dapat merepresentasikan proses ARCH orde tinggi


dengan lebih sederhana (parsimony).

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

93

4. Model ARCH dan GARCH dapat digabungkan dengan model ARMA


menjadi model ARMA-ARCH atau ARMA-GARCH, yaitu model ARMA
dengan faktor pengganggu mengikuti proses ARCH atau GARCH.
Model ARMA-ARCH yaitu :
Yt = 0 + 1Yt 1 + 2Yt 2 + + pYt p + t 1 t 1 2 t 2 q t q

ht = 0 + 1 t21 + + n t2n
Model ARMA-GARCH yaitu :
Yt = 0 + 1Yt 1 + 2Yt 2 + + pYt p + t 1 t 1 2 t 2 q t q

ht = 0 + 1 t21 + + n t2n + 1ht 1 + + m ht m


Perbedaan proses ARMA biasa dengan ARMA-ARCH (stasioner) atau
ARMA-GARCH (stasioner) yaitu :

Faktor pengganggu proses ARMA, yaitu {at } , adalah white noise


yang berdistribusi normal dan bersifat independen. Sedangkan
faktor pengganggu proses ARMA-ARCH dan ARMA-GARCH, yaitu

{ t } , tidak berdistribusi normal (karena bersifat leptokurtik) dan


tidak berkorelasi tetapi tidak independen.

Proses ARMA biasa mempunyai variansi tak bersyarat dan variansi


bersyarat yang keduanya bersifat homoskedastik. Sedangkan pada
proses ARMA-ARCH dan ARMA-GARCH, variansi tak
bersyaratnya bersifat homoskedastik, sedangkan variansi
bersyaratnya bersifat heteroskedastik.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

94

5.2

SARAN

Tugas akhir ini tidak membahas estimasi parameter pada model


ARMA-ARCH dan ARMA-GARCH. Jadi saran penulis adalah perlunya
pembahasan tentang estimasi parameter dan pengujian model ini, juga
mengenai peramalannya.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

DAFTAR PUSTAKA

[1]

Anton, Howard. 2000. Dasar-Dasar Aljabar Linear Jilid 1. Edisi 7.


Interaksara

[2]

Anton, Howard. 2000. Dasar-Dasar Aljabar Linear Jilid 2. Edisi 7.


Interaksara

[3]

Bera, Anil K, M.L. Higgins. 1993. ARCH Models : Properties,


Estimation, and Testing, Journal of Economics Surveys Vol.7 No.4

[4]

Bollerslev, Tim. 1986. Generalized Autoregressive Conditional


Heteroscedasticity, Journal of Econometrics 31 : 307-327

[5]

Cryer, Jonathan D. 1986. Time Series Analysis. PWS-KENT Publishing


Companty-Boston

[6]

Engle, Robert F. 1982. Autoregressive Conditional Heteroscedasticity


with Estimates the Variance U.K. Inflation, Econometrica 50 : 987-1008

[7]

Greene, William H. 2003. Econometric Analysis, 5th ed., Prentice Hall

[8]

Gujarati, Damodar N. 2003. Basic Econometrics, 4th ed., McGraw Hill

[9]

Kierkegaard, Jon. 2000. Estimation of Nonlinear Stochastic Processes,


IMM

[10] Rachev, Svetlozar T, S. Mittnik, F.J. Fabozzi, S.M. Focardi, T. Jasic.


2007. Financial Econometrics, Wiley Finance
[11] Scheick, J.T. 1997. Linear Algebra with Apllication. McGraw Hill
[12] www.economagic.com, 28 Maret 2007 pk. 19.24

95
Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

96

LAMPIRAN 1

Program Simulasi

Program simulasi ini dijalankan dengan menggunakan software


MATLAB. Simulasi ini meliputi :
1. Simulasi {at } , yaitu proses white noise yang berdistribusi NIID ( 0,1)
yang dapat disimulasikan dengan random state yang berbeda-beda.
2. Simulasi { t } , yaitu proses ARCH(n) atau GARCH(m,n) yang
didapatkan dari proses white noise {at } (Dari (3.3),

t = at ht1 2 , at NIID ( 0,1) ).


3. Simulasi {ht } , yaitu variansi bersyarat dari t maupun Yt dengan
diberikan t 1 , yaitu Var (Yt | t 1 ) = Var ( t | t 1 ) = ht .
4. Simulasi {Yt } , yaitu :
Proses ARMA(p,q), yang didapatkan dari {at } , yaitu :

Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + at 1at 1 2 at 2 ... q at q


Proses ARMA(p,q)-ARCH(n) atau ARMA(p,q)-GARCH(m,n), yang

didapatkan dari { t } , yaitu :


Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + t 1 t 1 2 t 2 ... q t q

Semua nilai awal yang diperlukan (yaitu nilai variabel dengan indeks waktu
t 0 ) pada simulasi ini diambil nilainya sama dengan nol.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

97

clear;clc;
fprintf('\n\n\t Simulasi ARMA(p,q)-ARCH(n)/GARCH(m,n)');
jawab='y';
while (jawab=='y'|jawab=='Y')
alpha0 = input('\n\n Nilai parameter alpha(0) :');
alpha = input('\n Nilai parameter alpha pada
ARCH(n)/GARCH(m,n) [alpha(1) ... alpha(n)] :');
beta = input('\n Nilai parameter beta pada GARCH(m,n)
[beta(1) ... beta(m)]:');
phi = input('\n Nilai parameter AR(p)
[phi(1) ... phi(p)]:');
theta = input('\n Nilai parameter MA(q)
[theta(1) ... theta(q)] :');
T = input('\n Banyak titik simulasi :');
st = input('\n Random state :');
alpha = [alpha0 alpha];
n = length(alpha);
m = length(beta);
p = length(phi);
q = length(theta);
e = zeros(1,n-1);
h = zeros(1,m);
y = zeros(1,p);
randn('state',st);
a = randn(1,T);
for t = 1:T
h(t+m) = alpha(1) + sum(alpha(n:-1:2).*
(e(t:t+n-2).^2)) + sum(beta(m:-1:1).*h(t:t+m-1));
e(t+n-1) = a(t)*sqrt(h(t+m));

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

98

y(t+p) = sum(phi(p:-1:1).*y(t:t+p-1)) +
e(t+n-1) + sum(theta(q:-1:1).*e(t+n-1-q:t+n-2));
end
x = [1:T];
plot(x,a(1:T))
title('Simulasi White Noise');
figure
plot(x,e(n:T+n-1));
title('Simulasi ARCH/GARCH')
figure
plot(x,h(m+1:T+m))
title('Simulasi h(t)');
figure
plot(x,y(p+1:T+p))
title('Simulasi Y(t)');
clear;
jawab=input('\n Mau lagi (y)? :','s');
end

Untuk membuat simulasi proses ARMA(p,q) biasa (dengan faktor


pengganggu white noise), input alpha0 adalah variansi at , lalu alpha dan
beta keduanya diinput 0 (nol).

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

99

LAMPIRAN 2

Pembuktian Teorema

A.

Teorema 1

Proses { t } yang mengikuti proses ARCH(1), bersifat stasioner dengan


E ( t ) = 0 , Var ( t ) =

0
dan Cov ( t , t k ) = 0, k 0 ,
1 1

jika dan hanya jika 1 < 1 .

Bukti Teorema 1

Substitusikan t = at ht1 2 , at NIID ( 0,1) ke dalam ht = 0 + 1 t21


sehingga didapatkan :

ht = 0 + 1 t21 = 0 + 1 at 1ht121

= 0 + 1at21ht 1

Kemudian persamaan di atas dijabarkan secara rekursif menjadi :


ht = 0 + 1at21ht 1

= 0 + 1at21 0 + 1at22 ht 2

= 0 + 01at21 + 12 at21at22 ht 2

= 0 + 01at21 + 12 at21at22 0 + 1at23 ht 3

= 0 + 01at21 + 012 at21at22 + 13 at21at22 at23 ht 3

= 0 + 01at21 + 012 at21at22 + 13 at21at22 at23 0 + 1at2 4 ht 4

= 0 + 01at21 + 012 at21at22 + 013 at21at22 at23 + 14 at21at22 at23 at2 4 ht 4

= 0 M ( t, k )
k =0

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(L.1)

100

dengan
M ( t ,0 ) = 1
k

M ( t , k ) = 1k at2k , k 1
i 1

Ekspektasi dari M ( t , k ) yaitu :


E ( M ( t ,0 ) ) = 1
k

E ( M ( t , k ) ) = 1k E at2k = 1k E at21 E at2k = 1k , k 1


i 1

( )

(karena E at2k = Var ( at ) = 1, k ). Perhatikan bahwa E ( M ( t ,0 ) ) = 1 dapat

ditulis dengan E ( M ( t ,0 ) ) = 10 , sehingga dapat disimpulkan bahwa :

E ( M ( t , k ) ) = 1k , k 0

(L.2)

Karena t | t 1 N ( 0, ht ) , mean tak bersyarat dari t yaitu :


E ( t ) = E ( E ( t | t 1 ) ) = 0

Fungsi autokovariansi antara t dan t k yaitu :


Cov ( t , t k ) = E ( t t k ) = E ( E ( t t k | t 1 ) ) = E ( t k E ( t | t 1 ) ) = 0 , k 1
Sehingga fungsi autokorelasi antara t dan t k juga bernilai nol.
Variansi tak bersyarat dari t yaitu :

Var ( t ) = E Var ( t t 1 ) + Var E ( t t 1 ) = E ( ht )

( karena Var ( t t 1 ) = ht dan E ( t t 1 ) = 0 ). Dari (L.1), ht = 0 M ( t , k ) ,


k =0

sehingga

Var ( t ) = E ( ht ) = E 0 M ( t , k ) = 0 E ( M ( t , k ) )
k =0
k =0

Dari (L.2), E ( M ( t , k ) ) = 1k , k 0 ,sehingga

Var ( t ) = 0 1k
k =0

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

101

Deret geometri tak berhingga

k =0

k
1

konvergen jika dan hanya jika 1 < 1 .

Sehingga jika 1 < 1 maka akan dihasilkan Var ( t ) =

0
. Karena
1 1

sebelumnya telah ditentukan dari definisi ARCH(1) bahwa 1 0 , maka


syarat 1 < 1 dapat ditulis menjadi 1 < 1 . (Teorema 1 terbukti)

B.

Pernyataan (3.6)

( )

( (

Jika t | t 1 N ( 0, ht ) , maka E t s = E E t s t 1

) ) = 0 , s ganjil.

Bukti Pernyataan (3.6)

Misalkan X adalah variabel random yang berdistribusi Normal 0, 2 .


Fungsi densitas probabilitas dari X yaitu :
x2
exp 2
2
2
1

f (x) =

, < x < .

Momen ke-s dari X yaitu :

( ) = x f ( x ) dx

E X

Perhatikan bahwa f ( x ) adalah fungsi genap karena f ( x ) = f ( x ) . Jika s


ganjil, maka x s adalah fungsi ganjil karena ( x ) = ( x s ) . Sehingga x s f ( x )
s

adalah fungsi ganjil karena ( x ) f ( x ) = ( x s ) f ( x ) . Integral dari fungsi


s

ganjil adalah nol, sehingga

( ) = x f ( x ) dx = 0

E X

( )

( (

Jadi untuk t | t 1 N ( 0, ht ) , maka E t s = E E t s t 1

)) = 0 .

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

102

C.

Teorema 2

Momen ke-2r dari { t } yang mengikuti proses ARCH(1) ada, jika dan
hanya jika cr 1r < 1 . Momen tersebut dapat diekspresikan dengan

rumus rekursif
r 1 r

E t2r = cr 0r j 1j E t2 j 1 cr 1r
j =0 j

( )

( ) (

dengan c0 = 1, cr = ( 2 j 1) , r = 1,2, .
j =1

Bukti Teorema 2

Sebelum membuktikan Teorema 2, akan ditunjukkan bahwa momen

genap dari variabel random X yang berdistribusi Normal 0, 2 dapat dicari


dengan menggunakan rumus :
E ( X 2s ) = 2s ( 2 j 1), s = 1,2,
s

(L.3)

j =1

Bukti dari (L.3) adalah sebagai berikut. Fungsi densitas probabilitas dari X
yaitu :
x2
exp 2 , < x <
f (x) =
2
2

Momen ke-2s dari X yaitu :

E X 2s =

x2
2s
exp
x
2 du

2
2

x2
Integran g ( x ) x 2s exp 2 adalah fungsi genap karena g ( x ) = g ( x ) ,
2
sehingga :

x2
x2
1
2
2s
2s

=
E X 2s =
2
x
exp
dx
x
exp

2 dx (L.4)
2

2 0
2 0
2

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

103

Misalkan
x2
y=
x = 2y 2
2
2
x
2

dy = 2 dx dx =
dy =
dy
x

2y
Substitusikan ke dalam (L.4) menjadi

x2
2
x exp 2 dx =

0

2
2

2s

=
=

2s

2s

Sifat fungsi Gamma ( n ) yaitu :

( 2 y )
2

exp ( y )

2s

1
s + 2 1

2y

dy

exp ( y ) dy

2s s +
2

1
( n ) = ( n 1) ( n 1) dengan = .
2
1

Untuk s + dapat dicari secara rekursif sebagai berikut :


2

1
3 1 1
1 + = = =
2
2
2 2 2

5 3 3 3
2 + = = =
= 2 (1 3 )
2
2

2 2 2 2 2
1

7 5 5 5
3 + = = = 2 (1 3 ) = 3 (1 3 5 )
2
2

2 2 2 2 2
1

s + = s
2 2

( 2 j 1)
j =1

Sehingga (L.5) menjadi

E X

2s

)=

2s

2s

2s s +
2
2s

2s

( 2 j 1)
j =1

= 2s ( 2 j 1) , s = 1,2, (L.3 terbukti)


j =1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(L.5)

104

Untuk t | t 1 N ( 0, ht ) dengan ht = 0 + 1 t21 , dari (L.3) didapatkan :

E t2s | t 1 = hts ( 2 j 1) = 0 + 1 t21

Misalkan w 't = t2r t (

2 r 1)

j =1

) ( 2 j 1)
s

(L.6)

j =1

... t2 . Apabila (L.6) dijabarkan, akan terlihat

bahwa E ( w t | t 1 ) adalah fungsi dari w t 1 , dan hanya pangkat dari t yang


kurang dari atau sama dengan 2s yang diperlukan, sehingga dapat ditulis :
E ( w t | t 1 ) = b + Aw t 1

(L.7)

dengan A adalah matriks segitiga atas r r dan vektor b r 1.

Contohnya untuk r = 3 , maka w 't = t6

t4 t2 ) . Dari (L.6)

didapatkan :
E ( t6 | t 1 ) = ( 0 + 1 t21 ) (1 3 5 ) = 15 03 + 45 021 t21 + 45 012 t41 + 1513 t61
3

E ( t4 | t 1 ) = ( 0 + 1 t21 ) (1 3 ) = 3 02 + 6 01 t21 + 312 t41


2

E ( t2 | t 1 ) = ( 0 + 1 t21 ) (1) = 0 + 1 t21


Sehingga E ( w t | t 1 ) dapat ditulis dalam bentuk matriks :
15 03 1513


E ( w t | t 1 ) = 3 02 + 0
0
0
b

45 012
312
0

6
45 021 t 1

6 01 t41
1 t21

w t 1

Lalu E ( w t | t 2 ) ditulis dalam bentuk fungsi dari matriks A dan b, yaitu :


E ( w t | t 2 ) = E E ( w t | t 2 , w t 1 )
= E E ( w t | t 1 )
= E (b + Aw t 1 ) | t 2
= b + AE ( w t 1 | t 2 )
= b + A (b + Aw t 2 )
= b + Ab + A 2 w t 2
= (I + A ) b + A 2 w t 2

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

105

dengan I adalah matriks identitas r r . Secara umum akan didapatkan :

E ( w t | t k ) = I + A + A 2 + ... + A k 1 b + A k w t k
Limitnya adalah

((
(

)
)
) b + lim A w

))

lim E ( w t | t k ) = lim I + A + A 2 + ... + A k 1 b + A k w t k

= lim I + A + A 2 + ... + A k 1
k

t k

= lim I + A + A 2 + ... + A k 1 b + lim A k w t k

Teorema 7

(L.8)

[11]

A n 0 untuk n ( A ) < 1
A : matriks berukuran n n

( A ) = max { i : i adalah nilai eigen dari A, i = 1,, n}

Agar Teorema 7 dapat dipergunakan untuk menyelesaikan (L.8), maka


harus dicari suatu syarat terlebih dahulu agar nilai mutlak dari semua nilaieigen dari A kurang dari satu agar memenuhi ( A ) < 1. Karena A adalah
matriks segitiga atas, maka berdasarkan Teorema 8 berikut ini, elemen
diagonalnya adalah nilai-eigennya.

Teorema 8
Jika A adalah suatu matriks segitiga n n (segitiga atas, segitiga
bawah, atau diagonal), maka nilai-eigen dari A adalah anggotaanggota diagonal utama A.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

106

Bukti Teorema 8
Misalkan untuk n = 4 dan A matriks segitiga atas :
a11 a12
0 a
22
A=
0
0

0
0

a13
a23
a33
0

a14
a24
a34

a44

Sehingga
a12
a11
0
a22
I A =
0
0

0
0

a13
a23
a33
0

a14
a24
a34

a44

det ( I A ) = ( a11 )( a22 )( a33 )( a44 )

Jadi persamaan karakteristiknya adalah

( a11 )( a22 )( a33 )( a44 ) = 0 ,


dan nilai-eigennya (penyelesaian dari persamaan karakteristik ( I A ) = 0 )
adalah

1 = a11, 2 = a22 , 3 = a33 , 4 = a44 ,


yang tepat merupakan anggota-anggota diagonal utama A.
Untuk nilai n lainnya akan diperoleh hal yang sama, yaitu nilaieigennya tepat merupakan anggota-anggota diagonal utama A, dengan A
matriks segitiga n n . (Teorema 8 terbukti)

Kembali ke Teorema 2, dari (L.6), elemen diagonal (nilai-eigen) dari A


yaitu :
s

j =1

j =1

(1, s ) 1s ( 2 j 1) = 1 ( 2 j 1) , s = 1,2,..., r

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(L.9)

107

(1,1) = 1
(1,2 ) = 1 31
(1,3 ) = 1 31 51
(1, r ) = 1 31 ( 2r 1) 1
Dari definisi ARCH(1) telah ditentukan bahwa 1 0 . Untuk teorema ini akan
dipersempit menjadi 1 > 0 . Ingat bahwa jika 1 = 0 maka proses ARCH(1)
akan menjadi proses white noise. Jadi pembatasan ini bisa digunakan
karena yang dibahas pada teorema ini adalah dikhususkan pada proses
ARCH(1). Nilai mutlak dari nilai-eigen pada (L.9) yaitu :

(1, s ) = (1, s ) , s = 1,2,..., r .


Karena 1 > 0 dan

( 2 j 1) > 0 , maka :
j =1

(1, s ) = 1 ( 2 j 1) > 0 , s = 1,2,..., r

(L.10)

j =1

Sehingga pernyataan nilai mutlak tidak diperlukan lagi. Selanjutnya akan


dicari syarat agar :
s

(1, s ) = 1 ( 2 j 1) < 1 , s = 1,2,..., r


j =1

Untuk membuktikan Teorema 2 ini akan dibuktikan jika (1, r ) < 1, maka

(1, s ) < 1 , s = 1,, r 1. Perhatikan bahwa (1,s ) adalah perkalian dari


sebanyak s faktor yang menaik (karena 1 > 0 ), oleh karena itu (1, s 1)
adalah perkalian dari sebanyak ( s 1) faktor yang menaik. Kemudian
dengan diketahui (1, s ) < 1, akan dibuktikan (1, s 1) < 1, s = 2,, r .
Dengan membandingkan (1,s ) (yang terdiri dari s faktor yang menaik) dan

(1, s 1) (yang terdiri dari ( s 1) faktor yang menaik), terdapat 2 kasus


sebagai berikut.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

108

Kasus 1 : Faktor ke-s lebih besar dari satu.


Ini menyebabkan (1, s 1) < (1, s ) . Karena diketahui

(1, s ) < 1 sehingga (1, s 1) < 1.


Kasus 2 : Faktor ke-s lebih kecil dari satu.
Sehingga semua faktor lain sebelumnya pada (1,s ) , harus
kurang dari satu juga (karena menaik). Oleh karena itu, semua
faktor pada (1, s 1) pasti kurang dari satu juga, sehingga

(1, s 1) < 1.
Oleh karena itu terbukti untuk kedua kasus, pernyataan (1, s ) < 1 akan
mengimplikasikan (1, s 1) < 1. Ini menyebabkan jika (1, r ) < 1 maka

(1, s ) < 1 , s = 1,, r 1. Jadi syarat untuk semua elemen diagonal (nilaieigen) agar kurang dari satu yaitu :
r

(1, r ) = 1r ( 2 j 1) < 1.
j =1

Pernyataan di atas adalah syarat agar Teorema 7 dapat digunakan untuk


menyelesaikan (L.8). Dari Teorema 7, lim A k w t k = 0 , sehingga (L.8)
k

menjadi :

( (
= ( lim ( I + A + A

))
))b

lim E ( w t | t k ) = lim I + A + A 2 + ... + A k 1 b + lim A k w t k

+ ... + A k 1

Misalkan X = I + A + A 2 + ... + A k 1 , sehingga

) (

X XA = I + A + A 2 + ... + A k 1 A + A 2 + ... + A k 1 + A k

X (I A ) = I Ak

(L.11)

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

109

Teorema 9
Suatu matriks bujur sangkar A dapat dibalik jika dan hanya jika = 0
bukanlah suatu nilai eigen dari A.

Bukti Teorema 9
Andaikan A adalah suatu matriks bujur sangkar n n dengan salah
satu nilai eigennya adalah = 0 . Pernyataan ini ekivalen dengan
menyatakan bahwa = 0 merupakan penyelesaian dari persamaan
karakteristik :
det ( I A ) = n + c1 n 1 + + cn = 0 .

Kemudian, = 0 merupakan penyelesaian dari persamaan karakteristik


tersebut, jika dan hanya jika suku konstanta cn adalah nol. Sehingga untuk
Teorema 9 ini cukup dibuktikan bahwa A dapat dibalik jika dan hanya jika

cn 0 . Dengan menetapkan = 0 , lalu sustitusikan ke dalam persamaan


karakteristik, didapatkan :
det ( A ) = cn

Dari sifat det ( kA ) = k n det ( A ) sehingga

( 1)

det ( A ) = cn

Dari persamaan di atas dapat disimpulkan bahwa det ( A ) = 0 jika dan hanya
jika cn = 0 . Pernyataan tersebut mengimplikasikan bahwa det ( A ) 0 (A
dapat dibalik) jika dan hanya jika cn 0 . (Teorema 9 terbukti)

Kembali ke Teorema 2, telah dijelaskan bahwa A adalah matriks


berukuran r r . Kemudian pada (L.10) telah diperlihatkan bahwa semua
nilai-eigen dari A bernilai positif. Oleh karena itu dari Teorema 9, A dapat

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

110

dibalik (mempunyai invers). Karena I adalah matriks identitas (juga matriks


diagonal) dan A adalah matriks segitiga atas, maka matriks ( I A ) juga
matriks segitiga atas, sehingga dari Teorema 8, nilai-eigennya adalah elemen
diagonalnya. Karena 0 < (1, s ) < 1 , s = 1,, r , maka elemen diagonal (nilaieigen) dari ( I A ) , yaitu 1 (1, s ) > 0 . Karena nilai-eigen ini tidak ada yang
bernilai nol, sehingga dari Teorema 9, matriks ( I A ) juga dapat dibalik
(mempunyai invers). Sehingga dari (L.11),
X (I A ) = I Ak

X = I Ak

) (I A )

Kemudian

lim I + A + A 2 + ... + A k 1 = lim X = lim I A k

) (I A )

= lim I A k
k

) ) (I A )

Dari Teorema 7, lim A k = 0 , maka


k

lim ( I A k ) = I lim ( A k ) = I 0 = I .

Sehingga

lim I + A + A 2 + ... + A k 1 = lim I A k

) ) (I A )

= I (I A ) = (I A )
1

Jadi (L.8) terselesaikan menjadi

lim E ( w t | t k ) = lim ( I + A + A 2 + ... + A k 1 ) b + lim A k w t k

= (I A ) b
1

(L.12)

Hasil limit tersebut tidak bergantung pada variabel syarat maupun t. Oleh
karena itu, hasil limit tersebut adalah ekspresi untuk momen genap ( karena

w t' = t2r t (

2 r 1)

... t2 ) dari distribusi tak bersyarat dari { t } . Karena tidak

bergantung pada waktu, maka dapat ditulis :


E ( w t ) = (I A ) b
1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

111

Momen ke-2r dari t dapat dicari dengan :

E ( w t ) = ( I A ) b dengan w 't = t2r t (


1

2 r 1)

... t2 dan E ( w t | t 1 ) = b + Aw t 1

Akan tetapi cara ini rumit, jadi akan dicari melalui rumus rekursif berikut ini.
r

Notasikan

( 2 j 1) = c , sehingga ( , r ) = ( 2 j 1) = c
r

j =1

j =1

r
1

dan (L.6)

menjadi :

) (

E t2r | t 1 = 0 + 1 t21

) ( 2 j 1) = c (
r

j =1

+ 1 t21

Momen ke-2r dari t adalah :

( )

( (

E t2r = E E t2r t 1

((

))

= cr E 0 + 1 t21

))
r

r r

= cr E 0r j 1j t2 j
j =0 j

r 1 r

= cr E 0r j 1j t2 j + 1r t2r
j =0 j

r 1 r

= cr 0r j 1j E t2 j + 1r E t2r
j =0 j

( )

( )

r 1 r

E t2 r cr 1r E t2r = cr 0r j1j E t2 j
j =0 j

( )

( )

( )

r 1 r

E t2r = cr 0r j 1j E t2 j 1 cr 1r
j =0 j

( )

( ) (

(Teorema 2 terbukti)

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

112

D.

Teorema 3
Proses { t } yang mengikuti proses ARCH(n) bersifat stasioner dengan
E ( t ) = 0 , Var ( t ) =

0
n

1 i

dan Cov ( t , t k ) = 0, k 0 ,

i =1

jika dan hanya jika

i =1

< 1.

Bukti Teorema 3
n

Substitusikan t = at ht1 2 , at NIID ( 0,1) ke dalam ht = 0 + i t2i ,


i =1

kemudian menjabarkannya secara rekursif maka didapatkan :


n

ht = 0 + i t2i
i =1
n

= 0 + i at2i ht i
i =1

n
n

= 0 + i at2i 0 + j at2i j ht i j

i =1
j =1

n
n
n
= 0 + 0 i at2 j + i at2i j at2i j ht i j

i =1
i =1
j =1

n
n
n
n

= 0 + 0 i at2i + i at2i j at2i j 0 + l at2i j l ht i j l

i =1
l =1
i =1

j =1
n
n
n
= 0 + 0 i at2i + 0 i at2i j at2i j

i =1
i =1
j =1

n
n
n

2
2
2

a
+

i t i j t i j l at i j l ht i j l
l =1

i =1
j =1

= 0 M ( t, k )

(L.13)

k =0

dengan
M ( t ,0 ) = 1
n

M ( t ,1) = i at2i
i =1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

113

n
n
n
M ( t ,2 ) = i at2i j at2i j = i at2i M ( t i ,1)

i =1
j =1
i =1

M ( t , k ) = i at2i M ( t i , k 1) , k 1
i =1

Ekspektasi dari M ( t , k ) adalah


E ( M ( t ,0 ) ) = 1
n

( ( )) =
n

E ( M ( t ,1) ) = i E at2i
i =1
n

i =1

( (

E ( M ( t ,2 ) ) = i E at2i M ( t i ,1)
i =1

))

n
n
= i j

i =1
j =1

n
= j
j =1

n
i
i =1

= i
i =1

E ( M ( t, k ) ) = i , k 1
i =1
0

Karena E ( M ( t ,0 ) ) = 1 dapat ditulis E ( M ( t ,0 ) ) = i , sehingga


i =1
k

E ( M ( t, k ) ) = i , k 0
i =1

(L.14)

Seperti pada Teorema 1 untuk ARCH(1), mean tak bersyarat dari t yaitu :
E ( t ) = E ( E ( t | t 1 ) ) = 0

Fungsi autokovariansi antara t dan t k yaitu :


Cov ( t , t k ) = E ( t t k ) = E ( E ( t t k | t 1 ) ) = E ( t k E ( t | t 1 ) ) = 0 , k 1
Sehingga fungsi autokorelasi antara t dan t k juga bernilai nol. Variansi
tak bersyarat dari t yaitu :

Var ( t ) = E Var ( t t 1 ) + Var E ( t t 1 ) = E ( ht )

Dari (L.13) dan (L.14),

Var ( t ) = E ( ht ) = E 0 M ( t , k ) = 0 E ( M ( t , k ) ) = 0 i
k =0
k =0 i =1
k =0

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

114

Deret geometri tak berhingga i konvergen jika dan hanya jika


k = 0 i =1

i < 1. Sehingga jika


i =1

i =1

< 1 maka akan dihasilkan

Var ( t ) =

0
n

i
i =1

Karena sebelumnya telah ditentukan dari definisi ARCH(n) bahwa

i 0, i = 1,, n , maka syarat

i < 1 dapat ditulis menjadi


i =1

i =1

< 1.

(Teorema 3 terbukti)

E.

Teorema 4
Proses { t } yang mengikuti proses GARCH(1,1) bersifat stasioner
dengan
E ( t ) = 0 , Var ( t ) =

0
dan Cov ( t , t k ) = 0, k 0
1 (1 + 1 )

jika dan hanya jika 1 + 1 < 1.

Bukti Teorema 4
Substitusikan t = at ht1 2 , at NIID ( 0,1) ke dalam ht = 0 + 1 t21 + 1ht 1
kemudian menjabarkannya secara rekursif didapatkan :
ht = 0 + 1 t21 + 1ht 1
= 0 + 1at21ht 1 + 1ht 1

= 0 + 1at21 0 + 1at22ht 2 + 1ht 2 + 1 0 + 1at22ht 2 + 1ht 2

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

115

(
( a

)
(
) (
)
+ ) + a ( a ( + a h + h ) + ( + a
( + a h + h ) + ( + a h + h ) )
+ ) + ( a ( a + ) + ( a + ) ) +

= 0 + 0 1at21 + 1 + 1at21 1at22 ht 2 + 1ht 2 + 1 1at22ht 2 + 1ht 2


= 0 + 0

2
1 t 1

+ 1 1at22

= 0 + 0 1at21

2
1 t 1

2
1 t 2

2
1 t 3 t 3

1 t 3

2
1 t 1

2
1 t 2

2
1 t 3 t 3

2
1 t 3 t 3

1 t 3

2
1 t 2

2
1 t 3 t 3

+ 1ht 3

1 t 3

= 0 M ( t, k )

(L.15)

k =0

dengan

M ( t ,0 ) = 1
M ( t ,1) = 1at21 + 1

) (

)(

M ( t ,2 ) = 1at21 1at22 + 1 + 1 1at22 + 1 = 1at21 + 1 1at22 + 1

= 1at21 + 1 M ( t 1,1)
M ( t , k ) = 1at21 + 1 M ( t 1, k 1) , k 1
Ekspektasi dari M ( t , k ) adalah
E ( M ( t ,0 ) ) = 1

( )

E ( M ( t ,1) ) = E 1at21 + 1 = 1E at21 + 1 = 1 + 1

((

) ( ( )

E ( M ( t ,2 ) ) = E 1at21 + 1 M ( t 1,1) = 1E at21 + 1 E ( M ( t 1,1) ) = (1 + 1 )

E ( M ( t , k ) ) = (1 + 1 ) , k 1
k

Karena E ( M ( t ,0 ) ) = 1 dapat ditulis E ( M ( t ,0 ) ) = (1 + 1 ) , sehingga


0

E ( M ( t , k ) ) = (1 + 1 ) , k 0
k

(L.16)

Seperti pada proses ARCH,


E ( t ) = E ( E ( t | t 1 ) ) = 0

Var ( t ) = E Var ( t t 1 ) + Var E ( t t 1 ) = E ( ht )


Cov ( t , t k ) = E ( t t k ) = E ( E ( t t k | t 1 ) ) = E ( t k E ( t | t 1 ) ) = 0 , k 1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

))

116

Dari (L.15) dan (L.16)

k
Var ( t ) = E ( ht ) = 0 E M ( t , k ) = 0 E ( M ( t , k ) ) = 0 (1 + 1 )
k =0
k =0
k =0

Deret geometri tak berhingga

(
k =0

(1 + 1 )

+ 1 ) konvergen jika dan hanya jika


k

< 1. Sehingga jika (1 + 1 ) < 1 maka akan menghasilkan

Var ( t ) =

0
.
1 (1 + 1 )

Karena sebelumnya telah ditentukan dari definisi bahwa 1 0 dan 1 0 ,


maka syarat (1 + 1 ) < 1 dapat ditulis menjadi 1 + 1 < 1. (Teorema 4
k

terbukti)

F.

Teorema 5
Momen ke-2r dari { t } yang mengikuti proses GARCH(1,1) ada, jika
dan hanya jika
r

j =0

(1, 1, r ) = c j 1j 1r j < 1
j
Momen ke-2r tersebut dapat diekspresikan dengan rumus rekursif

( )

2r
t

r 1 1

1
r
= cr ci E t2i1 0 r i (1, 1, i ) (1 (1, 1, r ) )
i
i =0

( )
r

dengan c0 = 1, cr = ( 2 j 1) , r = 1,2,
j =1

Bukti Teorema 5
Dari (L.3), untuk t | t 1 N ( 0, ht ) sehingga E ( t2 r | t 1 ) = htr ( 2 j 1) .
r

j =1

Notasikan

( 2 j 1) = cr , sehingga E ( t2r | t 1 ) = htr ( 2 j 1) = cr htr


r

j =1

j =1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

117

Momen ke-2r dari t yaitu :

( (

( )

E t2 r = E E t2r | t 1

)) = E (h c ) = c E ( h )
r
t

r
t

(L.17)

Dengan menggunakan rumus binomial, ht dapat dijabarkan sebagai berikut :

htr = 0 + 1 t21 + 1ht 1

r
i
r
= 0 r i 1 t21 + 1ht 1
i =0 i
r
i
r
i
= 0 r i 1 j 1i j t2j1hti1j
i =0 i
j =0 j

Karena

E t2j1hti1j | t 2 = hti1j E t2j1 | t 2 = hti1j htj1c j = c j hti1


sehingga
i
r r

i
E htr | t 2 = E 0 r i 1 j 1i j t2j1hti1j | t 2
i =0 i

j =0 j

r
i
r
i
= 0 r i 1 j 1i j E t2j1hti1j | t 2
i =0 i
j =0 j
r
i
r
i
= 0 r i 1 j 1i j c j hti1
i =0 i
j =0 j

r
i
r
i
= hti1 0 r i c j 1 j 1i j
i =0
j =0 j
i
r
r
= hti1 0 r i (1, 1, i )
i =0
i

(L.18)

i
i
dengan (1, 1, i ) = c j 1j 1i j . Misalkan w 't = htr
j =0 j

htr 1

ht .

Apabila (L.17) dijabarkan, akan terlihat bahwa E ( w t | t 2 ) adalah fungsi dari

w t 1 , dan hanya pangkat dari ht yang kurang dari atau sama dengan r yang
diperlukan, sehingga dapat ditulis :
E ( w t | t 2 ) = d + Cw t 1

dengan matriks C adalah matriks segitiga atas r r dan vektor d r 1.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

118

Contohnya untuk r = 2 , maka w 't = ht2

ht . Dari (L.17) didapatkan :

2
i
2
i
E ht2 | t 2 = hti1 0 2i a j 1 j 1i j
i =0
j =0 j
i

= 02 + 2 0 ( 1 + 1 ) ht 1 + 12 + 211 + 312 ht21


1
i
1
i
E ( ht | t 2 ) = hti1 01i a j 1 j 1i j = 0 + ( 1 + 1 ) ht 1
i =0
j =0 j
i

Sehingga
2 2 + 211 + 312 2 0 ( 1 + 1 ) ht21
E ( w t t 2 ) = 0 + 1

1 + 1 ht 1
0
0
w t 1
d
C

Kemudian
E ( w t | t 3 ) = E E ( w t | t 3 , w t 2 ) = E E ( w t | t 2 )
= E ( d + Cw t 1 ) | t 3 = d + CE ( w t 1 | t 3 )
= d + C ( d + Cw t 2 ) = d + Cd + C2 w t 2
= ( I + C ) d + C2 w t 2

Secara umum akan didapatkan :

E ( w t | t k 1 ) = I + C + C2 + + Ck 1 d + Ck w t k
Limitnya adalah

lim E ( w t | t k 1 ) = lim ( I + C + C2 + + Ck 1 ) d + Ck w t k

= lim ( I + C + C2 + + Ck 1 ) d + lim Ck w t k
k

))

= lim I + C + C2 + + Ck 1 d + lim Ck w t k
k

(L.19)

Seperti pada Teorema 2, untuk menyelesaikan (L.19) akan digunakan


Teorema 7. Sehingga berikut ini akan dicari syarat terlebih dahulu agar nilai
mutlak dari semua nilai-eigen dari C kurang dari satu.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

119

Karena matriks C adalah matriks segitiga atas, maka dari Teorema 8,


elemen diagonalnya adalah nilai-eigennya, yaitu :
i

j =0

(1, 1, i ) = c j 1j 1i j , i = 1,, r
j
r

dengan c0 = 1, cr = ( 2 j 1) , r = 1,2, . Dari definisi GARCH(1,1) telah


j =1

ditentukan bahwa 1 0 dan 1 0 . Untuk teorema ini akan dipersempit


menjadi 1 > 0 dan 1 > 0 . Ingat bahwa jika 1 = 0 dan 1 = 0 maka proses
GARCH(1,1) akan menjadi proses white noise. Jadi pembatasan ini bisa
digunakan karena yang dibahas pada teorema ini adalah dikhususkan pada
proses GARCH(1,1). Nilai mutlak dari nilai-eigen yaitu :

(1, 1, i ) = (1, 1, i ) , i = 1,2,..., r .


Karena 1 > 0 , 1 > 0 dan c j > 0 , maka :
i

j =0

(1, 1, i ) = c j1j 1i j > 0, i = 1,2,..., r


j

(L.20)

Sehingga pernyataan nilai mutlak tidak diperlukan lagi. Selanjutnya akan


dicari syarat agar :
i

j =0

(1, 1, i ) = c j1j 1i j < 1, i = 1,, r


j
Untuk Teorema ini, akan dibuktikan bahwa jika (1, 1, i ) < 1 maka

(1, 1, i 1) < 1, i = 2,, r .


Misalkan diketahui
i

j =0

(1, 1, i ) = c j1j 1i j < 1


j

(L.21)

Berikut ini akan dicari hubungan antara (1, 1,i ) dan (1, 1, i 1) .
i

i 1

j =0

j =0

(1, 1, i ) = c j 1j 1i j = c j 1j 1i j + ci 1i
j
j

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(L.22)

120

i
i 1
Hubungan antara dan
yaitu :
j
j
i
i!
=
=
j j ! ( i j )! j !

( i 1)!

i 1 i
=
( i j 1)! ( i j ) j i j

Sehingga (L.22) menjadi :


i 1 i
c j 1j 1i j + ci 1i

j
i
j

j =0

i 1

(1, 1, i ) =

i 1 i 1 i

c j 1j 1i j 1 + ci 1i
= 1

j =0 j i j

Karena j = 0,, i 1 dan i = 2,, r , maka

(L.23)

i
1 , sehingga :
ij

i 1
i 1 i
i 1
j i j 1
j i j 1
c

c j 1 1
j 1 1
j =0 j
j =0 j
i j

= (1, 1, i 1)
i 1

Kemudian (L.23) menjadi :


i 1 i 1 i

c j 1j 1i j 1 + ci 1i

j =0 j i j

(1, 1, i ) = 1

1 ( (1, 1, i 1) ) + ci 1i

> 1 ( (1, 1, i 1) ) (karena ci > 0,1 > 0


sehingga ci 1i > 0)

Jadi didapatkan hubungan antara (1, 1, i ) dan (1, 1, i 1) yaitu :

(1, 1, i ) > 1 ( (1, 1, i 1) )


Karena diketahui (1, 1, i ) < 1 , sehingga :

1 ( (1, 1, i 1) ) < 1

(L.24)

Dari syarat stasioner 1 + 1 < 1 , sehingga :

(1 + 1 )

< 1, k = 1,2,

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(L.25)

121

k
k
k
Karena ci 1 dan dari rumus binomial (1 + 1 ) = 1j 1k j sehingga :
j =0 j
k

j =0

j =0

(1, 1, k ) = c j1j 1k j 1j 1k j = (1 + 1 )
j
j

Jadi didapatkan

(1, 1, k ) (1 + 1 ) , k = 1,2,
k

(L.26)

Dari (L.24), yaitu 1 ( (1, 1, i 1) ) < 1 . Telah diketahui bahwa 0 > 1 > 1 (dari
definisi 1 > 0 dan syarat stasioner 1 + 1 < 1 ). Jadi sekarang akan dicari
pernyataan mengenai (1, 1, i 1) yang memenuhi 1 ( (1, 1, i 1) ) < 1 .
Terdapat dua kemungkinan, yaitu :
1. (1, 1, i ) < 1 .
Karena 0 > 1 > 1 , sehingga 1 ( (1, 1, i 1) ) < 1 . Jadi jika (1, 1, i ) < 1
maka terpenuhi 1 ( (1, 1, i 1) ) < 1
2. (1, 1, i 1) 1.
Dari (L.26), (1, 1, i 1) (1 + 1 ) , sehingga terdapat dua kasus, yaitu :
i 1

Kasus 1: (1, 1, i 1) (1 + 1 )

i 1

Ini kontradiksi dengan (L.25) yang menyatakan (1 + 1 )

Kasus 2: (1, 1, i 1) 1 (1 + 1 )

i 1

< 1.

i 1

Contohnya untuk i = 3 , 1 = 0.4 dan 1 = 0.5 , maka didapatkan

(1, 1,2 ) = 1.13 dan (1 + 1 ) = 0.81, yaitu memenuhi


2

(1, 1,2 ) 1 (1 + 1 ) . Akan tetapi (1, 1,3 ) = 3.079 .


2

Ini kontradiksi dengan (L.21) yang menyatakan bahwa (1, 1, i ) < 1 .

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

122

Jadi (1, 1, i ) < 1 akan mengimplikasikan (1, 1, i 1) < 1, i = 2,, r .


Sehingga jika (1, 1, r ) < 1 maka (1, 1, i ) < 1, i = 1,, r 1 .
Jadi syarat agar semua nilai-eigen dari C kurang dari satu adalah

(1, 1, r ) < 1. Jika pernyataan tersebut terpenuhi, maka Teorema 7 dapat


digunakan untuk menyelesaikan (L.19). Seperti pada (L.12) di Teorema 2,
dengan menggunakan Teorema 7, jika (1, 1, r ) < 1, maka (L.19) akan
terselesaikan menjadi :
lim E ( w t | t k 1 ) = ( I C ) d
1

Hasil limit di atas tidak bergantung pada variabel syarat maupun t. Oleh
karena itu, hasil limit tersebut adalah ekspresi untuk momen ht (karena

w 't = ( htr

htr 1

ht ) dari distribusi tak bersyarat dari { t } . Karena tidak

bergantung pada waktu, maka dapat ditulis :


E ( w t ) = (I C) d
1

Berikutnya akan dicari rumus momen ke-2r dari t . Dari (L.18),


r
r
E ( htr | t 2 ) = hti1 0 r i (1, 1, i )
i =0
i

Sehingga

( )

( (

E htr = E E htr t 2

))

r
= E hti1 0 r i (1, 1, i )
i
i =0

r 1

r
= E htr1 (1, 1, r ) + hti1 0 r i (1, 1, i )
i =0
i

r 1
r
= E htr1 (1, 1, r ) + E hti1 0 r i (1, 1, i )
i =0
i

( )

( )

r 1
r
E htr E htr1 (1, 1, r ) = E hti1 0 r i (1, 1, i )
i =0
i

( )

( )

( )

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

(L.27)

123

Karena { t } stasioner maka :

( )

( )

( )

( )

( )

( )

E t2 r = E t2r1 ,
dan dari (L.17) :
E t2 r = cr E htr ,
Sehingga :
E htr = E htr1 ,
Sehingga (L.27) menjadi :
r 1

1
r
E ( htr ) = E ( hti1 ) 0 r i (1, 1, i ) (1 (1, 1, r ) )
i
i =0

Dari (L.17)

( )

( )

E t2 r = cr E htr

r 1

1
r
= cr E hti1 0 r i (1, 1, i ) (1 (1, 1, r ) )
i
i =0

r
1

1
r
= cr ci1E t2i1 0 r i (1, 1, i ) (1 (1, 1, r ) )
i
i =0

( )

( )

( )=
r
t

(karena E h

G.

( ) ). (Teorema 5 terbukti)

E t2r
cr

Teorema 6
Proses { t } yang mengikuti proses GARCH(m,n) bersifat stasioner
dengan
E ( t ) = 0 , Var ( t ) =

jika dan hanya jika

0
n

i =1

j =1

1 i j

i =1

j =1

dan Cov ( t , t k ) = 0, k 0

i + j < 1.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

124

Bukti Teorema 6
Dengan menyubstitusikan t = at ht1 2 , at NIID ( 0,1) ke dalam

ht = 0 + 1 t21 + + n t2n + 1ht 1 + + m ht m


kemudian menjabarkannya secara rekursif maka didapatkan :
n

i =1

i =1

ht = 0 + i t2i + i ht i
n

i =1

i =1

= 0 + i at2i ht i + i ht i
n
m

= 0 + i at2i 0 + j at2i j ht i j + j ht i j
i =1
j =1
j =1

m
n
m

+ i 0 + j at2 i j ht i j + j ht i j
i =1
j =1
j =1

n
n
n
m

= 0 + 0 i at2i + i at2i j at2i j ht i j + j ht i j


i =1
i =1
j =1
j =1

m
m
m
n

+ 0 i + i j at2i j ht i j + j ht i j
i =1
i =1
j =1
j =1

n
n
m
n
m

= 0 + 0 i at2 j + i + i at2i j at2i j ht i j + j ht i j


i =1
j =1
i =1
i =1
j =1

m
n
m

+ i j at2i j ht i j + j ht i j
i =1
j =1
j =1

n
m

= 0 + 0 i at2 j + i
i =1
i =1

n
m


2
2
+
+

a
h
n j t i j 0 l t i j l t i j l l ht i j l
n
l =1
l =1


+ i at2i
m
n
m

i =1
j =1
+ j 0 + l at2i j l ht i j l + l ht i j l

j =1
l =1
l =1

n
m


j at2i j 0 + l at2i j l ht i j l + l ht i j l

m
n
l =1
l =1


+ i
m
n
m

i =1
j =1
+ j 0 + l at2i j l ht i j l + l ht i j l

j =1
l =1
l =1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

125

m
n

ht = 0 + 0 i at2 j + i
i =1
i =1

m
m
n
n
m n

+ 0 i at2i j at2i j + j + i j at2i j + j


i =1

j =1
j =1
j =1
i =1 j =1

n

j at2i j l at2i j l ht i j l + l ht i j l

n
n
l =1
l =1

+ i at2i
m
n
m

i =1
j =1

+ j l at2i j l ht i j l + l ht i j l
j =1
l =1
l =1

2
2
+
a
a
h

l ht i j l

j
t
i
j
l
t
i
j
l
t
i
j
l

m
n
l =1
l =1

+ i
m
n
m

i =1
j =1
+ j l at2i j l ht i j l + l ht i j l

j =1
l =1
l =1

= 0 M ( t, k )

(L.28)

k =0

dengan
M ( t ,0 ) = 1
n

i =1

i =1

M ( t ,1) = i at2i + i
n
m
m
n
m n

M ( t ,2 ) = i at2i j at2i j + j + i j at2i j + j


i =1
j =1
j =1
j =1
i =1 j =1

i =1

i =1

= i at2i M ( t i ,1) + i M ( t i ,1)


n

i =1

i =1

M ( t , k ) = i at2i M ( t i , k 1) + i M ( t i , k 1), k 1

Ekspektasinya adalah
E ( M ( t ,0 ) ) = 1
E ( M ( t ,1) ) = i E ( at2i ) + i = i + i
n

i =1

i =1

i =1

i =1

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

126

E ( M ( t ,2 ) ) = i E at2i M ( t i ,1) + i E ( M ( t i ,1) )


i =1

= i i + i
i =1
i =1
i =1
n

i =1

m
n

+
+

i j j
j =1
i =1 j =1
m

m
n

=
+

i i
i =1

i =1

m
n

E ( M ( t, k ) ) = i + i , k 1
i =1
i =1

Karena E ( M ( t ,0 ) ) = 1 dapat ditulis E ( M ( t ,0 ) ) = 0 , sehingga


k

m
n

E ( M ( t, k ) ) = i + i , k 0
i =1
i =1

(L.29)

Seperti pada proses ARCH(n),


E ( t ) = E ( E ( t | t 1 ) ) = 0

Var ( t ) = E Var ( t t 1 ) + Var E ( t t 1 ) = E ( ht )


Cov ( t , t k ) = E ( t t k ) = E (E ( t t k | t 1 ) ) = E ( t k E ( t | t 1 ) ) = 0 , k 0
Dari (L.28) dan (L.29),
m

Var ( t ) = E ( ht ) = 0 E M ( t , k ) = 0 E ( M ( t , k ) ) = 0 i + i
k =0
k = 0 i =1
i =1
k =0

m
n

Deret geometri tak berhingga i + i akan konvergen jika dan


k = 0 i =1
i =1

hanya jika

i =1

i =1

i + i < 1. Sehingga jika

menghasilkan Var ( t ) =

0
n

i =1

i =1

1 i i

i =1

i =1

i + i < 1, maka akan

Karena dari definisi GARCH(m,n) telah ditentukan bahwa i 0, i = 1,, n ,

j 0, j = 1,, m maka syarat

+
i =1

i =1

< 1 dapat ditulis

+
i =1

(Teorema 6 terbukti)

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

i =1

< 1.

127

H.

Pembuktian E(X)=E(E(X|Y)) dan Var(X)=E[Var(X|Y)]+Var[E(X|Y)]

Misalkan X dan Y adalah variabel random kontinu dengan fungsi


densitas probabilitas masing-masing adalah f ( x ) dan f ( y ) , serta fungsi
densitas probabilitas bersama f ( x, y ) .

Berikut ini akan dibuktikan E ( X ) = E E ( X Y ) .


E(X) =

xf ( x ) dx

= x f ( x, y ) dy dx

xf ( x, y ) dxdy

f ( x, y )
= x
dx f ( y ) dy

f (y )

= xf ( x y ) dx f ( y ) dy

E ( X y ) f ( y ) dy

= E E(X Y)

Berikut ini akan dibuktikan Var ( X ) = E Var ( X Y ) + Var E ( X Y ) .


2
Var ( X ) = E ( X E ( X ) )

2
= E X E(X Y)+E(X Y)E(X)

2
2
= E X E(X Y) +E E(X Y)E(X)

)(

+ 2E X E ( X Y ) E ( X Y ) E ( X )

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

128

)(

2E X E ( X Y ) E ( X Y ) E ( X )

= 2

( x E ( X y ) ) ( E ( X y ) E ( x ) )f ( x, y ) dxdy

= 2

= 2

= 2

(
(
(

f ( x, y )
E ( X y ) E (x) x E ( X y )
dx f ( y ) dy
f (y )

E ( X y ) E ( x ) x E ( X y ) f ( x y ) dx f ( y ) dy

E ( X y ) E ( x ) xf ( x y ) dx E ( X y ) f ( x y )dx f ( y ) dy

) (

) (

= 2 E ( X y ) E ( x ) E ( X y ) E ( X y ) f ( y ) dy

=0
Sehingga

2
2
Var ( X ) = E X E ( X Y ) + E E ( X Y ) E ( X )

2
2
= E E X E ( X Y ) Y + E E ( X Y ) E E ( X Y )

= E Var ( X Y ) + Var E ( X Y )

Untuk X dan Y adalah variabel random diskrit, pembuktiannya sama seperti


di atas, hanya menggantikan tanda integral dengan sumasi.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

129

LAMPIRAN 3

Skewness dan Kurtosis

1.

SKEWNESS

Skewness adalah ukuran kesimetrisan dari suatu fungsi densitas


probabilitas variabel random yang bernilai real. Skewness dari suatu variabel
random X didefinisikan :
3
E ( X )

skew ( X ) =
3

dengan adalah mean dari X dan adalah standar deviasi dari X .


Perhatikan gambar berikut ini.

Pada masing-masing gambar di atas, bagian dari kurva sebelah kanan


atau kiri yang bentuknya lebih datar disebut dengan ekor. Pada gambar
sebelah kiri menunjukkan bahwa fungsi densitas probabilitas mempunyai
skewness negatif, yaitu ekor sebelah kiri lebih panjang, massa dari distribusi
ini terkonsentrasi pada sebelah kanan, sehingga distribusinya disebut
condong kiri (left-skewed). Sedangkan gambar sebelah kanan menunjukkan
bahwa fungsi densitas probabilitas mempunyai skewness positif, yaitu ekor
sebelah kanan lebih panjang, massa dari distribusi ini terkonsentrasi pada
sebelah kiri, sehingga distribusinya disebut condong kanan (right-skewed).

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

130

Misalkan X adalah variabel random yang berdistribusi Normal , 2 .


Fungsi densitas probabilitas dari X adalah
( x )2
f (x) =
exp

2 2
2

Karena f ( x ) merupakan fungsi yang simetris terhadap , sehingga


3
E ( X ) =

( x ) f ( x ) dx = 0 , karena ( x )
3

merupakan fungsi ganjil

terhadap . Skewness distribusi Normal , 2 yaitu :


3
E ( X )
=0
skew ( X ) =
3

Jadi distribusi normal mempunyai skewness nol atau disebut bersifat simetris
(terhadap meannya).

2.

KURTOSIS

Kurtosis adalah ukuran ketajaman dari suatu fungsi densitas


probabilitas variabel random yang bernilai real. Kurtosis dari suatu variabel
random X didefinisikan :
4
E ( X )

kurt ( X ) =
4

dengan adalah mean dari X dan adalah standar deviasi dari X .

Pada masing-masing gambar di atas, perbedaan bentuk dari dua


fungsi densitas probabilitas tersebut mengilustrasikan kurtosis. Fungsi

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

131

densitas probabilitas di sebelah kanan mempunyai kurtosis yang lebih besar


daripada sebelah kiri.

Misalkan X adalah variabel random yang berdistribusi Normal , 2 .


Fungsi densitas probabilitas dari X adalah
( x )2
exp
f (x) =

2 2
2

Sehingga
( x )2
( x ) 2 exp 2 2 dx

(x )
1
4
dx
exp
= 2 ( x )
2

(karena integrannya simetris terhadap )

4
E ( X ) =

Misalkan Y =

(x )
y=
2 2

(X )
2 2

(x )

( x )2
exp

2 2

dx

(L.30)

, sehingga

x = 2y ,

dy =

dx dx =

dy =
dy
x
2y

Substitusikan ke dalam (L.30) menjadi

(x )

( x )2
2
dx =
exp
2

=
=

2y

exp ( y )

32

exp ( y ) dy

4 y (5 2)1 exp ( y ) dy
0

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007

2y

dy

132

= 3 4

4 ( 5 2)
4

Sehingga kurtosis distribusi Normal , 2 yaitu :


4
E ( X )
=3
kurt ( X ) =
4

Jika suatu variabel random mempunyai kurtosis lebih besar dari 3,


maka disebut bersifat leptokurtik, yaitu fungsi densitas probabilitasnya
mempunyai puncak yang tinggi dan ekor yang tebal. Sedangkan jika
mempunyai kurtosis lebih kecil dari 3, maka disebut bersifat platikurtik, yaitu
fungsi densitas probabilitasnya mempunyai puncak yang lebih rendah dan
mempunyai ekor yang lebih tipis.

Model runtun..., Peni Shanti Suryani, FMIPA UI, 2007