Anda di halaman 1dari 26

PENERAPAN MODEL AUTOREGRESSIVE CONDITIONAL

HETEROSCEDASTICITY (ARCH) UNTUK MENDUGA


VOLATILITAS PENGEMBALIAN HARGA SAHAM
(Studi Kasus : Pengembalian Harga Saham PT. Astra Agro Lestari, Tbk)

VERRY ANDRIAWAN

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
i

RINGKASAN
VERRY ANDRIAWAN. Penerapan Model Autoregressive Conditional Heteroscedasticity
(ARCH) untuk Menduga Volatilitas Pengembalian Harga Saham. Di bawah bimbingan
BAMBANG SUMANTRI dan FARIT MOCHAMAD AFENDI.
Penelitian ini dilaksanakan pada bulan Juli 2009 di Kampus Institut Pertanian Bogor
Darmaga. Tujuan penelitian ini adalah memodelkan volatilitas return (pengembalian) harga saham
PT. Astra Agro Lestari, Tbk (AALI).
Risiko adalah salah satu pertimbangan investor dalam berinvestasi. Risiko dalam praktiknya
dicerminkan oleh nilai volatilitas, dalam statistika volatilitas adalah simpangan baku . Data deret
waktu bidang keuangan memiliki fluktuasi yang sangat tinggi sehingga menyebabkan ragam tidak
konstan. Model Autoregressive Conditional Heteroscedasticity (ARCH) mampu memodelkan
ragam yang berubah -ubah setiap waktu. Ada beberapa bentuk ARCH di antaranya ARCH itu
sendiri, Generalized ARCH (GARCH), Exponential Generalized ARCH (EGARCH), dan
Threshold ARCH (TARCH). Penelitian ini menggunakan model-model tersebut dalam
memodelkan heteroscedastisitas ragam.
Model ragam yang diperoleh dapat digunakan untuk memprediksi volatilitas mendatang.
Dalam penelitian diperoleh model yang cocok untuk memodelkan volatilitas pengembalian harga
saham PT. Astra Agro Lestari, Tbk adalah model EGARCH(4,1) :

ln(ht ) = 0.515495 + 0.836732ht 1 0. 538085ht 2 +1.132014ht 3


| |

0.476278 ht 4 + 0.179490 t1 0.057285 t 1


ht 1
ht 1
Model yang diperoleh di atas memberikan informasi bahwa volatilitas dipengaruhi oleh ragam
(dugaan) pengembalian pada empat periode terakhir dan nilai sisaan (model rataan) satu periode
sebelumnya. Ragam dugaan pada satu dan tiga periode sebelumnya memberikan pengaruh positif
terhadap volatilitas, sedangkan ragam dugaan pada dua dan empat periode sebelumnya
memberikan pengaruh negatif terhadap volatilitas. Koefisien sisaan baku yang negatif, bermakna
bahwa jika diperoleh sisaan negatif pada periode sebelumnya akan memberikan nilai ht lebih besar
dibandingkan jika diperoleh sisaan positif pada periode sebelumnya.
Kata Kunci : Volatilitas, GARCH, EGARCH, TARCH

ii

PENERAPAN MODEL AUTOREGRESSIVE CONDITIONAL


HETEROSCEDASTICITY (ARCH) UNTUK MENDUGA
VOLATILITAS PENGEMBALIAN HARGA SAHAM
(Studi Kasus : Pengembalian Harga Saham PT. Astra Agro Lestari, Tbk)

VERRY ANDRIAWAN

Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
iii

Judul : Penerapan Model Autoregressive Conditional Heteroscedasticity


(Arch) untuk Menduga Volatilitas Pengembalian Harga Saham
(Studi Kasus : Pengembalian Harga Saham PT. Astra Agro Lestari,
Tbk)
Nama : Verry Andriawan
NRP : G14050938

Menyetujui:
Pembimbing I,

Pembimbing II,

Ir. Bambang Sumantri


NIP. 19502281979031003

Farit Mochamad Afendi, S.Si, M.Si


NIP. 197908072005011003

Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Dr. drh. Has im, DEA


NIP. 196103281986011002

Tanggal Lulus :

iv

RIWAYAT HIDUP
Penulis dilahirkan di Lampung pada tanggal 17 November 1987 dan merupakan anak pertama
dari pasangan Ngadimin dan Mariyah. Penulis adalah kakak dari Rindra Saputra, Ady Triyogo,
Anjas Prasetyo, dan Rizky Afriansyah.
Penulis menyelesaikan pendidikan dasar di SDN 01 Muktikarya pada tahun 1999, dan
dilanjutkan ke MTs Darul Ulum Muktikarya yang selesai pada tahun 2002. Pada tahun 2002
penulis melanjutkan studi ke MAN I Bandar Lampung, dan setelah lulus pada tahun 2005 penulis
diterima di Institut Pertanian Bogor melalui jalur USMI dengan program studi (Mayor) Statistika
dan minor kewirauahaan agribisn is.
Ketika studi di MAN I Bandar Lampung, penulis aktif di organisasi Kelompok Karya Remaja
(KIR) dan ketika menjadi mahasiswa tingkat 2 penulis bergabung di Himpunan Profesi Gamma
Sigma Beta (GSB). Penulis juga pernah menjadi asisten dosen dan staf laboratorium analisis data
FMIPA IPB.

PRAKATA
Puji dan Syukur penulis panjatkan kepada Allah SWT, yang telah memberikan rahmat,
hidayah, dan karunia-Nya kepada penulis, keluarga penulis, sahabat-sahabat penulis, dan kepada
kita semua. Nikmat yang terus tercucur kepada kita sehingga kita wajib untuk menyukurinnya.
Sholawat dan salam semoga tetap tercurahkan kepada N abi Muhammad SAW, satu-satunya nabi
yang dapat memberikan syafaat di akhirat kelak, semoga syafaat itu sampai kepada kita semua
nantinya.
Penulis menyampaikan ucapan terimakasih kepada berbagai pihak yang telah membantu
penyelesaian karya ilmiah ini, antara lain:
1. Bapak Ir. Bambang Sumantri dan Bapak Farit M. Afendi, disela-sela kesibukannya beliau
masih menyempatkan diri untuk membimbing penuli s hingga pelitian ini dapat terselesaikan.
2. Keluarga, terutama orang tua, kakak dan adik tercinta yang telah memberikan dukungan
dan doa kepada penulis.
3. Bu Markonah, Bu Tri, Pak Iyan, Bu Aat, Bang Sudin, Mang Dur, dan Mang Herman yang
telah banyak membantu penulis dalam memenuhi kebutuhan administrasi.
4. Teman-teman statistika, khususnya Erwin, Nurandi, dan Wiwit atas dukungan dan diskusinya.
5. Sahabat -sahabat perantauan, Heri, Andri, Wahyu, Nanang, Rojak, dan Agung yang banyak
berbagi cerita.
Semoga penelitian ini dapat bermanfaat kepada para pembaca.

Bogor, 1 September 2009


Penulis

vi

DAFTAR ISI
Halaman
DAFTAR TABEL........................................................................................................................................ viii
DAFTAR GAMBAR................................................................................................................................... viii
DAFTAR LAMPIRAN............................................................................................................................... viii
PENDAHULUAN
Latar Belakang......................................................................................................................................
Tujuan ....................................................................................................................................................

1
1

TINJAUAN PUSTAKA
Autoregressive Moving Average (ARMA)......................................................................................
General Autoregressive Conditional Heteroscedastisity (GARCH)...........................................
Exponential General Autoregressive Conditional Heteroscedastisity (EGARCH).................
Threshold Autoregressive Conditional Heteroscedastisity (TARCH) .....................................
Pendugaan Parameter ........................................................................................................................
Qusai Maximum Likelihood ...............................................................................................................
Korelasi Silang (Cross Correlation) .................................................................................................
Uji Langrange Multiplier ....................................................................................................................
Uji Ljung Box .......................................................................................................................................
Uji Jarque Bera.....................................................................................................................................
Kriteria Pemilihan Model ...................................................................................................................
Pengukuran Kecocokan Model ..........................................................................................................

2
2
2
2
2
2
3
3
4
4
4
4

BAHAN DAN METODE


Bahan......................................................................................................................................................
Metode ...................................................................................................................................................

4
5

HASIL DAN PEMBAHASAN


Eksplorasi Data.....................................................................................................................................
Identifikasi Model Rataan ...................................................................................................................
Identifikasi Pengaruh ARCH .............................................................................................................
Pendugaan Parameter ..........................................................................................................................
Uji Efek Asimetri.................................................................................................................................
Pendugaan Model Asimetri................................................................................................................
Pemeriksaan Model..............................................................................................................................
Model Terpilih dan Intepretasinya ....................................................................................................
Pengukuran Kecocokan Model ..........................................................................................................

5
6
7
7
7
7
8
8
9

KESIMPULAN DAN SARAN


Kesimpulan............................................................................................................................................
Saran .......................................................................................................................................................

9
9

DAFTAR PUSTAKA.................................................................................................................................. 9
LAMPIRAN..................................................................................................................................................

vii

DAFTAR TABEL
Halaman
1. Statistik data pengembalian AALI ........................................................................................................
2. Model rataan tentatif ...............................................................................................................................
3. Uji pengaruh arch 15 lag pertama .........................................................................................................
4. Model ragam tentatif ...............................................................................................................................
5. Hasil uji korelasi silang ..........................................................................................................................
6. Model ragam tentatif asimetri................................................................................................................
7. Uji LM pada sisaan model EGARCH(4,1) .........................................................................................

6
6
7
7
7
8
8

DAFTAR GAMBAR
Halaman
1. Plot indek harga saham AALI ...............................................................................................................
2. Plot pengembalian harga saham AALI ...............................................................................................
3. Plot ACF pengembalian AALI ..............................................................................................................
4. Plot PACF pengembalian AALI ...........................................................................................................

5
5
6
6

DAFTAR LAMPIRAN
Halaman
1. Model rataan tentatif ..............................................................................................................................
2. Uji autokorelasi sisaan dan autokorelasi kuadrat sisaan model AR(1)...........................................
3. Uji kenormalan sisaan model AR(1) ....................................................................................................
4. Hasil pendugaan parameter (koefisien) model GARCH, EGARCH, dan TARCH.....................
5. Uji autokorelasi sisaan dan autokorelasi kuadrat sisaan model EGARCH(4,1)...........................
6. Uji korelasi silang antara kuadrat sisaan dengan sisaan (model rataan) ........................................
7. Perbandingan ragam aktual dan dugaan ..............................................................................................
8. Perhitungan nilai Mean Absolute Deviation (MAD) .........................................................................

12
13
14
14
15
16
17
18

viii

PENDAHULUAN
Latar Belakang
Investasi merupakan komponen penting
dalam suatu bisnis besar karena menjadi
sumber dana utama yang akan dipergunakan
untuk menjalankan bisnis suatu perusahaan.
Pihak investor juga memiliki kepentingan
yaitu berupa keuntungan (laba). Sektor
perkebunan (kelapa sawit) saat ini merupakan
sektor yang prospektif bagi investor untuk
menanamkan modalnya karena kebutuhan
dunia terhadap komoditi tersebut setiap
tahunnya meningkat. PT. Astra Agro Lestari,
Tbk adalah perusahaan yang bergerak dalam
bidang industri kelapa sawit, dan merupakan
salah satu perusahaan terbesar di bidangnya di
Indonesia.
Investor dalam menanamkan modal lebih
tertarik pada tingkat pengembalian (return)
investasi karena pengembalian mengukur
besarnya keuntungan selama investasi pada
satu periode. Selain dari sisi tingkat
pengembalian, investor dalam berinvestasi
juga mempertimbangkan sisi risiko, risiko
tercermin dalam nilai volatilitas, Menurut
Jorion (1997) risiko diukur dengan standar
deviasi (? ), standar deviasi juga disebut
volatilitas.
Volatilitas
yang
tinggi
menunjukkan tingkat risiko yang tinggi pula.
Oleh karena itu investor harus cermat dalam
menganalisis risiko ke depan (prediksi) dalam
investasi.
Model Autoregressive (AR), Moving
Average (MA), atau campuran keduanya
Autoregressive Moving Average (ARMA)
sering digunakan untuk memodelkan data
deret waktu (menduga nilai pengembalian
harga saham yang akan datang). Penelitian ini
tidak difokuskan pada model untuk menduga
pengembalian harga saham, namun lebih
terfokus pada perhitungan (pemodelan) ragam
yang akan diperoleh. Model ARMA
mengasumsikan kehomogenan ragam sisaan,
tetapi asumsi tersebut sulit dipenuhi jika
berhadapan dengan data ekonomi (keuangan).
Hal ini dikarenakan data bidang ekonomi
sering membentuk pola volatility clustering
yaitu perubahan besar (kecil) pada nilai Yt
akan diikuti dengan perubahan besar (kecil)
pada Yt pada periode berikutnya.
Keheterogenan ragam sisaan dapat diduga
melalui
suatu
model.
Engel
(1982)
memperkenalkan
model
Autoregressive
Conditional
Heteroscedasticity (ARCH).
Model tersebut mampu menduga ragam
bersyarat melalui data sisaan pada model
rataan. Model rataan adalah model untuk

menduga nilai pengembalian harga saham,


model rataan dapat berupa model ARIMA atau
model regresi standar (Enders, 1995).
Model ARCH(p) dalam penerapannya
memiliki kelemahan yaitu ketika diperoleh
ordo (p) besar yang menyebabkan presisi dari
estimator menjadi berkurang. Bollerslev pada
tahun 1986 mengembangkan model ARCH
menjadi model Generalized Autoregressive
Conditional Heteroscedasticity (GARCH) dan
menghasilkan model yang lebih efisien dari
model ARCH.
Model GARCH mampu memodelkan
volatility clustering pada data deret waktu
dengan baik dan banyak diaplikasikan pada
berbagai
bidang,
khususnya
ekonomi
keuangan. Dalam pasar uang dan pasar modal
sering ditemukan bahwa volatilitas dari sisaan
ketika terjadi shock (guncangan) negatif lebih
besar daripada ketika terjadi shock positif. Hal
seperti ini disebut dengan efek asymmetri.
Model
ARCH/GARCH
mengasumsikan
volat ilitas dari sisaan bersifat simetri yaitu
pengaruh shock terhadap volatilitas sama besar
ketika terjadi shock positif ataupun negatif.
Shock positif adalah ketika dugaan nilai
pengembalian (return) lebih kecil dari nilai
aktualnya. Sedangkan shock negatif adalah
ketika dugaan nilai pengembalian lebih besar
dari nilai aktualnya. Efek asymmetri bisa
dipahami seperti ilustrasi berikut : Jika
seorang investor menduga nilai pengembalian
sebesar y namun kenyataannya nilai
pengembalian yang diperoleh kurang dari y,
maka investor tersebut akan kecewa.
Sedangkan rasa senang akan diperoleh
investor jika nilai pengembalian aktualnya
lebih besar dari y. Jika besaran kecewa tidak
sama besarnya dengan besaran senang, hal
seperti ini yang disebut dengan efek atau
pengaruh asymmetri.
Pengembangan permasalahan di atas
memunculkan
model-model
asymmetri.
Nelson pada tahun 1991 memperkenalkan
model asymmetri Exponential GARCH
(EGARCH) dan pada tahun 1993 Glosten,
Jagannathan, dan Runkle memperkenalkan
model Threshold ARCH (TARCH) untuk
mengatasi kelemahan pada model GARCH
yang bersifat simetri.
Tujuan
Tujuan penelitian ini adalah mencari
model terbaik untuk menduga volatilitas
pengembalian harga saham PT. Astra Agro
Lestari, Tbk menggunakan model GARCH,
EGARCH, dan TARCH.
1

TINJAUAN PUSTAKA
Autoregressive Moving Average (ARMA)
Menurut Lo (2003) deret {Yt } merupakan
proses
Autoregressive Moving Average,
ARMA (p,q), jika memiliki formula sebagai
berikut :

yt 1 yt 1 p y p = t 1 t 1 q q
di mana e t adalah sisaan pada periode ke t, yt
adalah data deret waktu pada periode ke t.
p
dan q adalah ordo model ARMA. i = 1, 2, ,
q dan j = 1, 2, , p.
Sisi kanan persamaan di atas merupakan
komponen Moving Average (MA) dan ? i
adalah koefisiennya. Sedangkan sisi kiri
persamaan di atas merupakan komponen
Autoregressive (AR)
dan
f j
adalah
koefisiennya.
Generalized Autoregressive Conditional
Heteroscedasticity (GARCH)
Model GARCH (p,q) memiliki persamaan
sebagai berikut (Enders, 1995):
q

i =1

j =1

ht = k + i t2i + j ht j
dengan ? ? adalah ragam dugaan pada waktu ke
t. k, ai, dan ? j adalah konstanta, koefisien
ARCH, dan koefisien GARCH. et adalah
sisaan pada model rataan. p dan q adalah ordo
GARCH, v t adalah komponen acak yang
bersifat white noise. q > 0, p = 0, k > 0, dan ai
= 0 untuk i = 1, 2, , q, ? j = 0 untuk j = 1, 2,
, p. Kondisi k > 0, a i = 0, dan ? j = 0
dibutuhkan untuk memperoleh nilai ragam
bersyarat ht > 0. Jika ordo p = 0, maka model
GARCH (p,q) tersebut menjadi model ARCH
(q).
Exponential Generalized Autoregressive
Conditional Heteroscedasticity (EGARCH)
EGARCH pertamakali diperkenalkan oleh
Nelson
(1990)
yang
merupakan
pengembangan dari model GARCH untuk
mengatasi kelemahan metode GARCH dalam
mengakomodasi pengaruh positif dan negatif
dari sisaan (model rataan). Secara umum
model EGARCH(p,q) memiliki persaman
sebagai berikut:
p
q
| |

ln(ht ) = k + j ln(ht j ) + i ti + i t i

ht
ht
j =1
i=1

Bentuk
dari
persamaan
di
atas
mengindikasikan bahwa ragam bersyarat
memiliki fungsi eksponensial yang bernilai
positif. Pengaruh asymmetri ditunjukkan oleh
nilai konstanta ? yang nyata (Tagliafichi,
2003).
Threshold Autoregressive Conditional
Heteroscedasticity (TARCH)
Pada tahun 1993, Glosten, Jonathan, dan
Runkle memperkenalkan model TARCH yang
sebelumnya pernah dikenalkan oleh Zakoian
pada tahun 1990. Model TARCH(p,q)
memiliki spesifikasi model sebagai berikut :
q

i =1

j =1

ht = k + t i t2i + t21d t 1 + j ht j
Dengan dt-1 = 1 jika et-1 < 0 dan dt-1 = 0 untuk
et-1 lainnya. Jika diperoleh ? nyata, maka
terdapat pengaruh asymmetri (Tagliafichi,
2003).
Pendugaan Parameter
Pendugaan parameter pada model
GARCH, EGARCH, dan TARCH dilakukan
dengan
metode
pendugaan
maximum
likelihood. Jika data tidak menyebar normal,
pendugaan parameter model menggunakan
quasi maximum likelihood.
Quasi-Maximum Likelihood
Misal model rataan adalah model regresi
? ? ? ? ?? ? ? ??

dan peubah ?? diasumsikan mengikuti proses


ARCH
?? ? ? ? ? ? ?
dengan
? ? ? ? ? ? ? ???? ? ? ? ? ???? ? ? ? ? ? ? ???? ?

dan diasumsikan ? ? _ ?G?G? ? ?? ?? ?


Penduga quasi maximum likelihood
digunakan ketika sisaan pada model ragam
(? ? ) tidak menyebar normal. Menurut
Hamilton (1994) meskipun asumsi kenormalan
pada sisaan model ragam tidak terpenuhi,
spesifikasi ARCH masih memberikan model
yang dapat dipakai (layak) dan parameterparameter yang konsisten.
E(v t|xt, yt) = 0
E(? ?? |xt, yt) = 1

Pada
prinsipnya
quasi
maximum
likelihood sama seperti maximum likelihood,
akan tetapi, terdapat pengoreksian terhadap
Standar error. Misalkan ??? adalah penduga
yang memaksimumkan fungsi Gaussian log
likelihood dan ? ? adalah nilai yang sebenarnya
yang merepresentasikan karakteristik linear.
Meskipun v t tidak menyebar normal (non
Gaussian), dengan kondisi di bawah ini :
?

? ? (??? - ? )? N (0, D-1 SD - 1)


?? ?

? ?? ??
?? ? ?

? ? ? ?? ? ?? ???

? ? ?? ?adalah skor vektor yang dihitung dari


? ? ?? ? ?
?

?????

? ? ? ? ? ??? ?? ????? ? ?? ?
??
? ?????? ??

?? ? ?? ? ??? ??

?
?? ?

?? ?

? ? ?? ? ?? ? ? ? ? ? ?
? ??? ?

?? ? ?? ? ? ? ? ?? ???? ?? ? ?

?? ? ???
? ? ? ? ??
?

?? ???? ?? ?? ?? ?

? ? ??

Matrik S secara konsisten dapat diduga oleh


?

?? ? ? ? ? ? ??? ????? ? ??? ??????


?? ?

Dan matrik D diduga oleh


?

? ? ? ?? ?

?? ?

?
?

? ?? ? ? ??? ? ??? ? ? ??
?
??
? ? ? ?? ?? ? ?
?
?
? ?????
?
?
? ??

?? ?

C xy (k )
S xSy

Cxy ( k ) =

1 n k
( Xt X )(Yt +k Y )
n t =1

untuk k = 0, 1, 2,

Cxy ( k ) =

1 n+ k
(Yt Y )( X t + k X )
n t =1

untuk k = 0, -1, -2,

di mana

S = ? ?? ? ? ? s

rxy ( k ) =

?
?
?
?

? ? ??? ? ??? ? ? ? ? ? ?? ? ???? ???

? ??
? ????? ?? ? ? ?
?

?
? ?
?
? ?
?
?

Standar error untuk ??? bersifat robust untuk


kesalahan spesifikasi dari fungsi kepekatan
yang dihasilkan dari akar elemen diagonal
? ? ? ?? ?? ? ??? ? ?? ?

(Hamilton, 1994).

Korelasi Silang (Cross Correlation)


Korelasi silang antara X dan Y
menentukan tingkat asosiasi antara nilai X
pada waktu t dengan nilai Y pada waktu t+k
(di mana k = 0, 1, 2, ). Korelasi silang
diformulasikan sebagai berikut :

dengan rxy (k) adalah nilai korelasi silang


antara X pada waktu ke t dengan Y pada waktu
t+k. n adalah banyaknya pengamatan X, Sx
dan Sy adalah simpangan baku X dan Y.
Menurut Bartlett (Makridakis, 1999) batas
kesalahan standar dari rxy(k) adalah :

1
n | k |

Korelasi silang dalam penelitian ini


digunakan untuk menguji efek asymmetri
antara ragam dengan sisaan. Efek asymmetri
terjadi ketika ada lag yang nyata (Tagliafichi,
2003).
Uji Langrange Multiplier (LM)
Keberadaan
proses
ARCH
atau
keberadaan heteroskedastisitas dapat dideteksi
melalui uji LM. Uji ini pada dasarnya adalah
meregresikan kuadrat sisaan pada waktu t
dengan lag k. H0 dari uji LM adalah tidak
terdapat pengaruh ARCH pada sisaan.
Formula uji LM adalah sebagai berikut :
LM = N x R2
dengan N adalah banyaknya pengamatan dan
R2 adalah nilai koefisien determinasi yang
mencerminkan besarnya kontribusi keragaman
sisaan yang dapat dijelaskan oleh data deret
waktu sebelumnya. Uji LM memiliki sebaran
n2 dengan n adalah derajat bebas (banyaknya
periode
waktu
sebelumnya
yang
mempengaruhi
data
sekarang)
dan
tolak
H0
2
jika LM > n (Wang W, 2005).
Banyaknya ordo yang nyata pada Uji LM
menunjukkan banyaknya ordo ARCH yang
diperlukan dalam pembentukan model ragam.
Ordo yang sangat besar dapat diwakili dengan
memasukkan proses GARCH dalam fungsi
ragam. Hal ini karena model ARCH
merupakan proses sort memory, yang hanya
menyertakan q kuadrat sisaan yang terbaru
3

dalam menduga perubahan ragam.


Sementara model GARCH merupakan proses
long memory yang memakai semua kuadrat
sisaan terdahulu untuk menduga ragam saat ini
(Kurnia A, 2004).
Uji Ljung Box
Uji Ljung Box digunakan untuk menguji
apakah terdapat autokorelasi pada suatu data.
Uji Ljung Box memiliki formula sebagai
berikut :

r j2

Qlb = T (T + 2)
j =1

TJ

dengan r adalah autokorelasi ke j, T adalah


banyaknya pengamatan, k adalah banyaknya
lag yang akan diuji, dan J adalah lag
maksimum yang diinginkan (Tagliafichi,
2003).
Uji Ljung Box memiliki hipotesis H0 :
Data tidak autokorelasi. Statistik Uji Ljung
Box mengikuti sebaran 12 ,k. Tolak H 0 jika
Qlb > 12 ,k (Tagliafichi, 2003) .
2
j

normal, serta tidak terdapat autokorelasi sisaan


maka model yang diperoleh sudah tepat (fit).
Pemilihan model terbaik dari model-model
baik (sah) yang telah diperoleh diperlukan
untuk memperoleh model yang paling
memiliki ketepatan tinggi (mewakili data yang
dianalisis).
Menurut Wei (1994) terdapat beberapa
kriteria untuk memilih model terbaik
berdasarkan pada statistik sisaan yaitu :
1.

AIC (Akaikes Information Criterion).


AIC didefinisikan sebagai AIC(M) = -2
ln[maximum likelihood] + 2M. Dengan M
adalah jumlah parameter dalam model. Untuk
N buah pengamatan, dan a2 adalah penduga
maximum likelihood dari a2, bentuk tersebut
identik dengan :
AIC = N ln( a2 ) + 2M

2.

SBC (Schwartzs Bayesian Criterion )


SBC adalah alternatif kriteria pemilihan
model sama halnya dengan AIC. SBC
memiliki formula sebagai berikut:

Uji Jarque Bera


Jarque Bera adalah salah satu metode
untuk menguji kenormalan data. Uji ini
memperbandingkan skweness (kemenjuluran)
dan k urtosis (keruncingan) dari data dengan
sebaran normal.
JB =

N k
6

2 (K 3) 2
S +
4

dengan x adalah data yang akan diuji


kenormalannya, S adalah skweness, K adalah
kurtosis, k adalah banyaknya koefisien
dugaan, dan N adalah banyaknya pengamatan.
Uji Jarque Bera memiliki hipotesis nol
data menyebar normal, sedangkan Jarque Bera
sendiri menyebar ?2 dengan derajat bebas 2
2
dan akan menolak hipotesis nol jika JB > 2 (.)

SBC = N ln( a2 ) + M ln(N )


Model terbaik adalah model yang
memiliki nilai AIC dan SBC terkecil. AIC dan
SBC dipengaruhi oleh jumlah pengamatan
(N), sehingga hanya dapat digunakan untuk
membandingkan model -model dari gugus data
yang sama (Kur nia, A dkk, 2004).
Pengukuran Kecocokan Model
Pengukuran kecocokan model bertujuan
untuk melihat sejauh mana model dugaan
cukup baik dalam mengepas data aktual.
Pengukuran kecocokan model pada penelitian
ini menggunakan Mean Absolute Deviation
(MAD). Formulasi MAD adalah sebagai
berikut :
| y yt |
MAD = t
n
dengan y t adalah nilai aktual pada waktu ke t,
yt nilai dugaan pada waktu ke t, dan n adalah
banyaknya amatan.
BAHAN DAN METODE

Kriteria Pemilihan Model

Bahan

Pemilihan model terbaik biasanya


dilakukan setelah uji diagnostik pada sisaan.
Jika pada diagnostik
sisaan sudah tidak
terdapat pengaruh ARCH, sisaan menyebar

Bahan atau data yang digunakan dalam


penelitian ini adalah data pengembalian
(return) dari harga saham perusahaan PT.

Astra Agro Lestari, Tbk (AALI) pada


periode Juni 2006 sampai Mei 2009 yang
diperoleh dari http://www.duniainvestasi.com.
Pengembalian adalah besarnya hasil investasi
selama satu periode yang nilainya diperoleh
dari ln(X t/X t-1). Analisis menggunakan
perangkat lunak Eviews 4.1, Minitab 14, dan
Microsoft Excel 2007.
Metode
Penelitian ini dilakukan dengan langkahlangkah sebagai berikut :
1. Eksplorasi data pengembalian harga
saham AALI.
2. Identifikasi model rataan (ARMA)
menggunakan plot ACF dan PACF.
3. Pendugaan parameter model rataan,
selanjutnya memilih model terbaik
berdasarkan koefisien nyata dan kriteria
model terbaik (AIC dan SBC minimum)
setelah itu dilakukan diagnostik model
rataan yang terpilih.
4. Melakukan pemodelan ragam sisaan
dengan model ARCH/GARCH, dengan
langkah-langkah sebagai berikut :
a. Pengujian heteroscedastisit as sisaan
(dari model rataan) menggunakan Uji
Lagrange Multiplier (LM). Pengujian
autokorelasi menggunakan uji Ljung
Box,
dan
Uji
kenormalan
menggunakan Jarque Bera.
b. Pendugaan
parameter
model
ARCH/GARCH
menggunakan
metode Maximum Likelihood atau
Quasy Maximum Likelihood jika data
tidak menyebar normal.
c. Pemilihan model terbaik berdasarkan
pada koefisien nyata dan kriteria
model terbaik (AIC dan SBC
miminum).
d. Diagnostik model terpilih yaitu
dengan menguji kembali keberadaan
proses/pengaruh ARCH melalui uji
LM
dan
menguji
kebebasan
(autokorelasi) sisaan menggunakan
uji Ljung-Box. Jika kedua asumsi
tersebut telah terpenuhi maka model
telah valid dan dapat digunakan.
5. Pengujian efek asymmetri volatilitas
menggunakan uji korelasi silang.
6. Jika terdapat pengaruh asymmetri maka
dilakukan pemodelan EGARCH dan
TARCH dengan langkah-langkah yang
sama
seperti
pada
pemodelan
ARCH/GARCH.
7. Pengukuran ketepatan model, yaitu
mencocokkan model dugaan dengan

model aktual, kemudian menghitung nilai


MADnya.
PEMBAHASAN
Eksplorasi Data
Plot data deret waktu harga saham PT.
Astra Agro Lestari, Tbk (AALI) periode Juni
2006 Mei 2009 dapat dilihat pada Gambar 1.
Gambar tersebut memperlihatkan tren naik
pada periode pertengahan 2006 hingga awal
2008, pertumbuhan yang sangat baik terjadi
pad a September 2007 hingga awal 2008. Hal
ini bisa dilihat dari tren kemiringan naik lebih
curam dibandingkan pada periode sebelum
September 2007, namun pada Maret 2008
harga saham mengalami penurunan yang
cukup besar.

Gambar 1 Plot indek harga saham AALI.


Pada periode tengah tahun pertama 2008,
harga saham mulai bangkit kembali namun
mengalami penurunan yang sangat drastis
mulai Juni 2008 sampai Desember 2008,
penurunan ini diakibatkan terjadinya krisis
keuangan yang menimpa Amerika Serikat
yang akhirnya merambat ke Indonesia pada
pertengahan Agustus 2008, namun sejak awal
2009 sampai saat ini harga saham mulai
mempertunjukkan pertumbuhan yang normal,
hal ini karena kondisi perekonomian global
dan domestik mulai cenderung membaik .

Gambar 2 Plot pengembalian harga saham


AALI.
5

Investor dalam berinvestasi lebih tertarik


melihat
sisi
pengembalian
(return)
dibandingkan dari sisi nilai harga saham itu
sendiri. Plot nilai pengembalian pada Gambar
2 memperlihatkan pola yang berfluktuasi naik
turun sepanjang periode, namun pada Juni
2008 hingga awal 2009 terjadi fluktuasi yang
jauh lebih besar dibandingkan fluktuasifluktuasi periode sebelum dan sesudahnya.
Fluktuasi yang tinggi menunjukkan volatilitas
yang tinggi. Volatility clustering juga terlihat
pada sepanjang periode sehingga secara visual
plot tersebut mengindikasikan adanya gejala
heteroskedastisitas pada data pengembalian.
Ringkasan statistik dan histogram data
pengembalian harga saham AALI dapat dilihat
pada Tabel 1.

Gambar 3 Plot ACF pengembalian AALI.

Tabel 1 Statistik data pengembalian AALI


STATISTIK
Mean
Median
Maximum
Minimum
Std. dev.
Skewness
Kurtosis

0.000683
0.000000
0.078812
-0.112270
0.016007
-0.089873
8.652702

Jarque-Bera
Nilai p

1099.496
0.000000

Gambar 4 Plot PACF pengembalian AALI.


Plot ACF dan PACF mengindikasikan
model AR(1), namun demikian perlu mencoba
model-model lainnya untuk memperoleh
model yang yang lebih cocok. Pemilihan
model terbaik dilakukan berdasarkan koefisien
yang nyata, SBC, dan AIC.
Tabel 2 Model rataan tentatif

Jumlah pengamatan

825

Ringkasan statistik pada Tabel 1


memberikan
informasi
bahwa
data
pengembalian tidak menyebar normal. Hal ini
dapat dilihat dari nilai nilai p uji Jarque-Berra
sebesar 0.000 (kurang dari taraf nyata 0.05).
Rataan
total
yang
bernilai
positif
mengindikasikan
terjadiny a
kenaikan
pengembalian selama periode pengamatan.
Identifikasi Model Rataan
Identifikasi model rataan dilakukan
dengan mengikuti prosedur Box-Jenkins. Plot
Autocorrelation Function (ACF) dan Partial
Autocorrelation Function (PACF) pada
Gambar 3 dan 4 mengindikasikan bahwa
dalam data pengembalian terkandung proses
AR(1). Hal ini terlihat dari plot ACF yang
membentuk pola tail off (turun secara lambat
dan membentuk pola mirip gelombang sinus).
Sedangkan plot PACF membentuk pola cut off
seletah lag 1, lag ke 2 pada PACF turun secara
drastis dari lag 1.

Model

SBC

AIC

ARMA(1,0)

-5.454

-5.460

ARMA(0,1)
ARMA(2,3)

-5.453
-5.443

-5.458
-5.472

ARMA(3,2)

-5.441

-5.470

ARMA(3,4)

-5.426

-5.466

Catatan : semua koefisien model nyata pada taraf


nyata 0.05.

Berdasarkan
SBC,
AIC,
dan
mempertimbangkan keefisienan model pada
Tabel 2, model rataan yang dipilih adalah
model ARMA(1,0) atau AR(1). Model tentatif
selengkapnya dapat dilihat pada Lampiran 1.
Diagnostik model dapat dilihat pada
Lampiran 2 dan 3. Uji autokorelasi sisaan
memperlihatkan hingga lag ke 23 tidak
terdapat autokorelasi (nilai p > 0.05).
Sedangkan pada lag lebih dari 23 diperoleh
pengujian autokorelasi yang nyata (nilai p <
0.05). Pengujian yang nyata mengindikasikan
bahwa terdapat autokorelasi pada sisaan
(sisaan tidak bebas).
Pada pengujian
autokorelasi
kuadrat
sisaan
diperoleh
6

pengujian yang nyata untuk semua lag, hal ini


menjadi salah satu indikasi bahwa ragam
sisaan tidak homogen. Pengujian yang nyata
mengindikasikan bahwa terdapat autokorelasi
pada sisaan. Sedangkan pengujian kenormalan
diperoleh bahwa sisaan tidak menyebar
normal sehingga pendugaan parameter model
menggunakan m etode pendugaan quasi
maximum likelihood.
Identifikasi Pengaruh ARCH
Pada Tabel 3 diperoleh nilai p uji LM
pada ordo pertama sebesar 0.0001 (kurang dari
taraf nyata 0.05) sehingga akan tolak hipotesis
H0 : tidak terdapat pengaruh ARCH. Hal
tersebut
mengindikasikan
keberadaan
pengaruh ARCH pada sisaan.

Tabel 4 Model ragam tentatif


Model
GARCH(1,1)
GARCH(3,1)
GARCH(3,2)
GARCH(4,1)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

LM
15.6587
59.4542
60.0117
65.9267
65.8509
65.8348
70.6714
71.6399
71.7872
74.3965
74.6096
76.7037
76.8704
78.0304
86.6042

p
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000

Hasil uji LM memperlihatkan hingga


ordo ke 15 diperoleh uji LM yang nyata.
Sebagaimana telah dijelaskan sebelumnya
bahwa proses ARCH merupakan proses sort
memory,
sedangkan
proses
GARCH
merupakan proses long memory. Dengan
demikian model GARCH adalah alternatif
model yang lebih baik untuk mengganti model
ARCH karena ordo q yang diperoleh sangat
besar.
Pendugaan Parameter
Pendugaan
parameter
menggunakan
metode quasi maximum likelihood karena
sisaan pada model ragam tidak menyebar
normal. Hasil pendugaan model ragam
selengkapnya dapat dilihat pada Lampiran 4.

AIC
-5.646
-5.650
-5.648
-5.657

Cataan : seluruh koefisien nyata pada taraf nyata


0.05.

Tabel 4 merupakan ringkasan modelmodel ragam tentatif untuk model simetri


GARCH. Dari tabel tersebut terlihat bahwa
model GARCH(1,1) adalah model terbaik.
Pemilihan ini
didasarkan pada koefisien
nyata, SBC, AIC, dan mempertimbangkan
keefisienan model.
Uji Efek Asymmetri

Tabel 3 Uji pengaruh ARCH 15 ordo pertama


Ordo

SBC
-5.623
-5.616
-5.608
-5.616

Uji efek asymmetri pada GARCH


menggunakan
korelasi
silang
(cross
correlation) antara kuadrat sisaan (model
rataan) dengan lag sisaan (model rataan).
Tabel 5 Hasil uji korelasi silang
i
0
1
2
3
4
5
6
7
8
9
10

lag
-0.0003
-0.0083
-0.1212*
-0.0531
-0.1036*
-0.1145*
-0.1015*
-0.0272
-0.0291
0.0416
-0.0466

lead
-0.0003
0.0605
-0.0933*
-0.0147
0.0617
-0.0208
-0.0635
-0.0643
-0.0239
-0.0608
-0.0970*

Dari Tabel 5 terlihat beberapa lag yang


nyata (tanda *). Lag nyata tersebut
mengindikasikan adanya efek atau pengaruh
asymmetri sisaan terhadap kuadrat sisaan dari
model rataan. Lag merupakan nilai korelasi
silang untuk lag k positif, sedangkan lead
merupakan nilai korelasi silang untuk lag k
negatif. Cross Correlogram dapat dilihat pada
Lampiran 5.
Pendugaan Model Asymmetri
Model EGARCH dan TARCH adalah
model yang mampu menjelaskan efek
asymmetri volatilitas jika terjadi shock. Hasil
analisis (Tabel 6) memperlihatkan bahwa
model EGARCH(4,1) adalah model terbaik
dalam memodelkan karakteristik tersebut.
Model EGARCH(4,1) memiliki seluruh
koefisien yang nyata dan memiliki nilai SBC
dan AIC terkecil diantara model asymmetri
7

lainnya. Pada model TARCH(1,1) diperoleh


koefisien ARCH yang tidak nyata. Oleh
karena itu model TARCH kurang cocok
digunakan dibandingkan model yang ada
lainnya.
Tabel 6 Model ragam tentatif asymmetri
Model

SBC

AIC

EGARCH(1,1)
EGARCH(3,1)
EGARCH(4.1)
TARCH(1,1)*

-5.629
-5.625
-5.640
-5.639

-5.658
-5.665
-5.685
-5.668

Catatan : * tidak signifikan pada koefisien


ARCH pada taraf nyata 0.05.

Pada model EGARCH(4,1) diperoleh


koefisien ? yang nyata dan negatif, hal
tersebut mengindikasikan bahwa terdapat
pengaruh asymmetri pada volatilitas di mana
terjadinya shock negatif memberikan pengaruh
yang lebih besar dibandingkan jika terjadi
shock positif. Hal yang sama juga terjadi pada
model TARCH (1,1). Meskipun model
koefisien ARCH pada model TARCH tersebut
tidak nyata, namun koefisien ? yang diperoleh
nyata (signifikan) dan negatif, yang
memberikan intepretasi sama seperti pada
model EGARCH(4,1) yaitu terjadinya shock
negatif memberikan pengaruh yang lebih besar
dibandingkan jika terjadi shock positif.
Perbedaan signifikasi pada model yang
berbeda untuk menganalisis segugus data yang
sama adalah wajar. Nyata tidaknya parameter
menjadi pertimbangan dalam keputusan model
yang akan digunakan.
Adanya pengaruh asymmetri pada
volatilitas dan dengan mempertimbangkan
nilai SBC dan AIC di mana SBC dan AIC
model EGARCH(4,1) lebih kecil dari model
GARCH(1,1) maka model EGARCH(4,1)
adalah model yang paling cocok diantara
model yang ada.
Pemeriksaan Model
Model dikatakan tepat (fit) jika sudah
tidak terdapat autokorelasi pada sisaan dan
sudah tidak terdapat pengaruh ARCH pada
sisaan. Tabel 6 memperlihatkan hingga ordo
ke 15 tidak terdapat ordo yang nyata, hal itu
berarti tidak terdapat proses ARCH.
Uji autokorelasi terhadap sisaan dan
kuadrat sisaan (Lampiran 6) menunjukkan
hingga lag ke 36 tidak terdapat autokorelasi
pada sisaan atau pun pada kuadrat sisaan.
Dengan demikian karena kedua sumsi tersebut
telah terpenuhi, maka model yang diperoleh
dapat dikatakan sudah tepat (fit).

Tabel 7 Uji
EGARCH(4,1)
Ordo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

LM

pada

LM
0.0600
1.8567
1.8905
2.4207
3.9877
5.5612
5.8900
5.9483
6.0255
6.6932
6.7503
6.9719
8.1945
8.8898
9.1785

sisaan

model

p
0.8066
0.3952
0.5955
0.6589
0.5512
0.4741
0.5526
0.6530
0.7374
0.7541
0.8189
0.8595
0.8307
0.8380
0.8680

Model Terpilih dan Intepretasinya


Model yang terbaik untuk memodelkan
pengembalian harga saham PT. Astra Agro
Lestari, Tbk adalah model EGARCH(4,1).
Secara matematis model tersebut dapat
dituliskan sebagai berikut :
ln( ht ) = 0 .515495 + 0 .836732 ht 1

0 .538085ht 2 + 1.132014 ht 3
| |
0.476278ht 4 + 0.179490 t1
ht 1

0.057285 t 1
ht 1
Berdasarkan model tersebut, terdapat
beberapa informasi yang dapat diperoleh.
Pertama, volatilitas pengembalian dipengaruhi
oleh ragam (dugaan) pengembalian pada
empat periode terakhir dan nilai sisaan (model
rataan) periode sebelumnya.
Kedua, terdapat pengaruh positif dan
negatif antara informasi masa lalu (dugaan
ragam dan sisaan) terhadap dugaan volatilitas
mendatang. Ragam dugaan satu dan tiga
periode sebelumnya memiliki pengaruh positif
terhadap dugaan volatilitas mendatang.
Sedangkan ragam dugaan dua dan empat
periode sebelumnya memberikan pengaruh
negatif terhadap dugaan volatilitas mendatang.
Informasi yang sangat mempengaruhi dugaan
volatilitas mendatang adalah dugaan ragam
pada tiga periode sebelumnya. Hal ini terlihat
dari besaran nilai atau koefisiennya yaitu
1.132014 yang merupakan koefisien terbesar
dibandingkan koefisien-koefisien lainnya.
8

Ketiga, terdapat pengaruh asymmetri


antara shock positif atau negatif terhadap
volatilitas. Nilai ? (- 0.057285) yang negatif
menandakan bahwa terjadinya shock negatif
memberikan pengaruh lebih besar dari shock
positif. Berikut adalah ilustrasi adanya efek
asymmetri:
Model
berikut :

di atas dapat ditulis sebagai

ln(h t) = a k??
?? ?

dengan a = 0.515495 + 0.836732 ht1


0 .538085ht 2 + 1.132014 ht 3
| |
0.476278ht 4 + 0.179490 t 1
ht 1

dan k =

0.057285
h t 1

maka ht = exp(a k ??
?? ? )

misal digunakan titik asal 0. Maka jika terjadi


shock positif dengan perubahan sebesar satu
satuan maka ??
?? ? = 1. Dan jika terjadi shock
negatif dengan perubahan sebesar satu satuan
maka ? ??? ? = - 1.

Pada titik asal, nilai h t = exp(a). Maka


terjadinya shock positif dengan perubahan
sebesar satu satuan, ht akan berubah sebesar

EGARCH(4,1) mampu memodelkan ragam


data pengembalian secara baik.
KESIMPULAN DAN SARAN
Kesimpulan
Model terbaik untuk memodelkan
volatilitas pengembalian harga saham PT.
Agro Lestari, Tbk (AALI) adalah model
EGARCH (4,1) dengan model rataannya
adalah model AR(1) dan berdasarkan uji
kelayakan, model EGARCH (1,1) layak untuk
digunakan.
Saran
Sebaiknya dilakukan penelitian lanjutan
terkait Value at Risk agar penelitian ini lebih
terealisasikan.
Kekurangan
penelitian
ini
bahwa
penelitian ini hanya sebatas penerapan model
GARCH, EGARCH, dan TARCH. Model
EGARCH (4,1) hanya merupakan model
terbaik diantara model GARCH, EGARCH,
dan TARCH. Oleh karena itu diperlukan
penelitian lebih lanjut dengan menggunakan
model-model ARCH lain agar diperoleh
dugaan volatilitas yang lebih tepat.
DAFTAR PUSTAKA

? ht = exp(a-k(1)) exp(a) = exp(a-k) exp(a)

Enders, W. 1995. Applied Econometric Time


Series. 1st ed. John Wiley & Sons, Inc.
Kanada

Sedangkan t erjadinya shock negatif dengan


perubahan sebesar satu satuan, ht akan berubah
sebesar

Hamilton, J. D. 1994. Time Series Analysis.


Princeton University Press. New Jersey

? ht = exp(a-k(-1)) - exp(a) = exp(a+k) -exp(a)


Dari penjelasan di atas terlihat bahwa kejadian
shock negatif akan merubah nilai volatilitas
yang lebih besar dibandingkan jika terjadi
kejadian shock positif (pengaruh shock
asymmetriterhadap volatilitas).
Pengukuran Kecocokan Model
Pengukuran
kecocokan
model
EGARCH(4,1) dilakukan terhadap data
historis (825 amatan) dan data mendatang (22
amatan). Pada amatan data historis diperoleh
nilai MAD sebesar 0,00025 dan pada data
mendatang diperoleh nilai MAD sebesar
0,000127.
Perbandingan nilai aktual dan
dugaan (ramalan) dapat dilihat pada Lampiran
7. Pada Lampiran 7 terlihat bahwa ragam
dugaan relatif mengikuti pola ragam aktual,
walaupun pada beberapa periode terlihat
perbedaannya
cukup
jauh,
model

Jorion, P. 2001. Value at Risk New


Benchmark for Managing Financial Risk.
2nd ed. McGraw-Hill. California
Kurnia, A, Asep S, dan Sutriyati. 2004.
Analisis Deret Waktu pada Data dengan
Ragam sisaan Tak Homogen : Studi Nilai
Tukar Rupiah Periode Tahun 2001-2003.
Forum Statistika dan Komputasi 9: 23-33.
Bogor
Lo, M. S. 2003. Generalized Autoregressive
Conditional
Heteroscedastic Time
Seties Model. Simon Frasee University.
Spanyol
Makridakis, Wheelwright, dan McGee. 1999.
Metode dan Aplikasi Peramalan. Ed. 2.
Alih Bahasa : Hari Sumirto. Binarupa
Aksara. Jakarta
Pandey, Ajay. 2005. Volatility Model and
Their Performance in Indian Capital
9

Market. Journal of VIKALPA. Volume


30. No. 2. Ed. April-June 2005
Tagliafichi, R. A. 2003. The Estimation of
Market VaR using GARCH Model and a
Heavy Tail Distribution. Paper Document
in Basel II. Faculty of Economics,
University of Buenos Aries, Argentina
Tagliafichi, R. A. 2003. The Garch Model and
Their Application on the Var. Faculty of
Economics, University of Buenos Aries,
Argentina
Wang, W, P. H. A. J. M. Van Gelder, J. K.
Vrinjling, dan J. Ma. 2005. Testing and
Modelling Autoregressive Conditional
Heteroscedasticity
of
Streamflow
Processes. Journal : Nonlinear Processes
in Geophysics. 12:55-66
Wei, William. 1994. Time Series Analysis
Univariate and Multivariate Methods.
Addinson-Wesley Publishing Company,
Inc. USA

10

LAMPIRAN

Lampiran 1. Model rataan tentatif

Model

Koefisien
ARMA(1,0)

ARMA(0,1)

ARMA(2,3)

ARMA(3,2)

ARMA(3,4)

AR(1)
AR(2)
AR(3)
MA(1)
MA(2)
MA(3)
MA(4)

0.1797
-

-0.1667
-

1.6896
-0.9474
1.5363
-0.7468
-0.0926
-

1.7960
-1.1264
0.0988
1.6433
-0.9180
-

0.7176
0.6993
-0.9196
0.5615
0.7517
-0.8253
-0.0866

SBC
AIC

-5.454
-5.460

-5.453
-5.458

-5.443
-5.472

-5.441
-5.470

-5.426
-5.466

Catatan : Seluruh koefisien nyata pada taraf nyata 0.05.

12

Lampiran 2. Uji autokorelasi sisaan dan autokorelasi kuadrat sisaan model AR(1)

a. Uji autokorelasi sisaan model AR(1)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

-0.007
0.025
0.025
0.006
-0.024
-0.060
-0.053
-0.064
-0.021
-0.034
0.018
0.035
0.055
0.026
0.071
0.038
-0.030
-0.068
0.005
0.054
0.033
-0.007
0.004
0.101
0.054
0.047
0.033
0.010
-0.026
-0.071
0.037
-0.061
-0.022
-0.048
-0.007
0.077

-0.007
0.025
0.025
0.006
-0.025
-0.062
-0.054
-0.061
-0.017
-0.029
0.019
0.033
0.049
0.015
0.058
0.028
-0.036
-0.072
0.011
0.074
0.060
0.009
0.006
0.095
0.055
0.043
0.029
0.007
-0.020
-0.057
0.058
-0.032
-0.003
-0.040
-0.022
0.059

b.

Q-Stat Prob
0.0389
0.5607
1.0612
1.0898
1.5764
4.5886
6.9676
10.384
10.759
11.728
12.003
13.029
15.586
16.161
20.381
21.569
22.321
26.178
26.197
28.706
29.602
29.644
29.654
38.256
40.783
42.680
43.638
43.732
44.314
48.607
49.783
52.975
53.406
55.404
55.452
60.556

0.454
0.588
0.780
0.813
0.468
0.324
0.168
0.216
0.229
0.285
0.291
0.211
0.241
0.119
0.120
0.133
0.071
0.095
0.071
0.077
0.099
0.127
0.024
0.018
0.015
0.017
0.022
0.026
0.013
0.013
0.008
0.010
0.009
0.012
0.005

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

Uji autokorelasi kuadrat sisaan model


AR(1)
AC

PAC

Q-Stat

Prob

0.138
0.248
0.086
0.152
0.059
0.073
0.108
0.085
0.077
0.104
0.079
0.110
0.074
0.107
0.153
0.117
0.176
0.164
0.137
0.043
0.056
0.029
0.023
0.056
0.043
0.045
0.043
0.009
0.039
0.046
0.071
0.071
0.074
0.089
0.081
0.029

0.138
0.233
0.030
0.089
0.009
0.012
0.081
0.038
0.020
0.061
0.023
0.055
0.022
0.042
0.109
0.042
0.096
0.089
0.026
-0.057
-0.026
-0.031
-0.028
0.020
-0.010
-0.014
-0.007
-0.049
-0.009
0.014
0.024
0.022
0.005
0.024
0.027
-0.042

15.732
66.534
72.686
91.873
94.738
99.216
108.90
114.89
119.83
128.84
134.04
144.22
148.77
158.42
178.22
189.75
215.97
238.57
254.39
255.96
258.65
259.35
259.80
262.45
264.04
265.78
267.34
267.41
268.70
270.52
274.87
279.26
283.92
290.81
296.45
297.18

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

13

Lampiran 3. Uji kenormalan sisaan model AR(1)

200
Series: Residuals
Sample 2 825
Observations 824

160

120

80

40

0
-0.10

-0.05

0.00

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

0.000560
5.76E-05
0.079209
-0.110483
0.015760
-0.060696
8.152438

Jarque-Bera
Probability

911.9741
0.000000

0.05

Lampiran 4. Hasil pendugaan parameter (koefisien) model GARCH, EGARCH, dan TARCH

MODEL

??

??

?? ?

Koefisien
?? ?

?? ?

?? ?

-0.064579
-0.074352
-0.057285
0.069934

GARCH(1,1)
GARCH(3,1)
GARCH(3,2)
GARCH(4,1)

4.22E-06
8.28E-06
1.17E-05
6.63E-06

0.054593
0.101772
0.082271
0.07757

0.069951
-

0.929066
0.356235
-0.25528
0.749152

-0.27619
0.176072
-0.48202

0.75378
0.882035
1.060252

-0.43064

EGARCH(1,1)
EGARCH(3,1)
EGARCH(4,1)
TARCH(1,1)

-0.262488
-0.253595
-0.515495
4.13E-06

0.098952
0.094492
0.179490
0.004704*

0.976904
1.500392
0.836732
0.947437

-1.435591
-0.538085
-

0.912713
1.132014
-

-0.476278
-

Cataan : tanda * berarti tidak nyata pada taraf nyata 0.05

14

Lampiran 5. Uji korelasi silang antara kuadrat sisaan dengan sisaan (model rataan)

sqrres with res


Coefficient
Upper Confidence Limit
Lower Confidence Limit

1.0

CCF

0.5

0.0

-0.5

-1.0
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0

3 4

7 8

9 10

Lag Number

15

Lampiran 6. Uji autokorelasi sisaan dan autokorelasi kuadrat sisaan model EGARCH(4,1)

a. Uji autokorelasi sisaan EGARCH(4,1)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

-0.009
-0.008
0.015
-0.006
-0.011
-0.027
-0.052
-0.029
0.024
-0.032
0.007
0.005
0.034
0.013
0.072
0.038
-0.032
-0.025
-0.026
0.061
0.017
-0.011
0.030
0.096
0.046
0.016
0.019
0.006
-0.038
-0.059
0.035
-0.051
-0.018
-0.026
0.034
0.060

-0.009
-0.008
0.015
-0.005
-0.010
-0.028
-0.053
-0.031
0.024
-0.031
0.006
0.002
0.032
0.010
0.070
0.039
-0.031
-0.028
-0.024
0.066
0.027
-0.001
0.036
0.092
0.049
0.021
0.023
0.008
-0.043
-0.054
0.047
-0.036
-0.013
-0.023
0.028
0.044

Q-Stat Prob
0.0649
0.1143
0.3039
0.3296
0.4233
1.0350
3.2923
4.0168
4.5150
5.3739
5.4098
5.4328
6.4200
6.5660
10.871
12.061
12.903
13.438
14.005
17.158
17.395
17.502
18.271
26.095
27.887
28.119
28.419
28.447
29.682
32.637
33.712
35.983
36.258
36.831
37.823
40.927

0.735
0.859
0.954
0.981
0.960
0.771
0.778
0.808
0.801
0.862
0.908
0.893
0.923
0.696
0.674
0.680
0.706
0.729
0.579
0.627
0.680
0.690
0.296
0.265
0.302
0.338
0.388
0.379
0.293
0.292
0.247
0.277
0.296
0.299
0.226

b. Uji autokorelasi kuadrat sisaan


EGARCH(4,1)
AC
PAC Q-Stat Prob
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

0.009
0.047
0.008
0.027
-0.043
-0.042
0.016
-0.016
0.010
-0.029
-0.004
0.013
0.039
-0.028
0.023
0.002
0.002
-0.004
0.007
-0.048
-0.007
0.012
-0.025
0.016
0.040
0.043
-0.041
-0.051
-0.021
-0.016
-0.018
-0.020
-0.009
-0.006
0.025
-0.005

0.009
0.047
0.007
0.025
-0.044
-0.044
0.020
-0.012
0.011
-0.028
-0.009
0.017
0.040
-0.029
0.018
0.000
0.000
0.002
0.007
-0.051
-0.004
0.016
-0.021
0.017
0.038
0.036
-0.040
-0.061
-0.019
-0.009
-0.009
-0.014
-0.012
-0.010
0.029
0.000

0.0602
1.8763
1.9266
2.5457
4.0571
5.5359
5.7402
5.9535
6.0314
6.7553
6.7699
6.9206
8.1760
8.8246
9.2530
9.2579
9.2600
9.2716
9.3174
11.249
11.291
11.418
11.969
12.183
13.519
15.119
16.534
18.744
19.132
19.356
19.638
19.977
20.041
20.068
20.598
20.618

0.171
0.382
0.467
0.398
0.354
0.453
0.545
0.644
0.663
0.747
0.805
0.771
0.786
0.815
0.864
0.902
0.931
0.952
0.915
0.938
0.954
0.958
0.968
0.957
0.939
0.922
0.879
0.894
0.912
0.926
0.936
0.951
0.963
0.966
0.975

16

Lampiran 7. Perbandingan ragam aktual dan dugaan

a.

Perbandingan ragam aktual dengan ragam dugaan pada data historis

0.014
0.012
0.01
0.008
Ragam Aktual

0.006

Ragam Dugaan

0.004
0.002

1
43
85
127
169
211
253
295
337
379
421
463
505
547
589
631
673
715
757
799

b.

Perbandingan ragam aktual dengan ragam dugaan pada data mendatang

0.0009
0.0008
0.0007
0.0006
0.0005
Ragam Aktual

0.0004

Ragam Ramalan

0.0003
0.0002
0.0001
0
1

11

13

15

17

19

21

17

Lampiran 8. Perhitungan nilai Mean Absolute Deviation (MAD)

MAD terhadap data historis (825 pengamatan)

Ragam aktual
1.20E-05
1.18E-05
2.45E-05
8.30E-05
3.20E-05
.
.
.
4.28E-04
1.16E-09
9.67E-06
6.08E-07
2.73E-04

Ragam dugaan
3.34E -05
3.41E -05
3.27E -05
3.97E -05
4.53E -05
.
.
.
2.71E -04
2.86E -04
1.84E -04
2.00E -04
2.41E -04

Sisaan Ragam
2.14E -05
2.23E -05
8.20E -06
4.33E -05
1.33E -05
.
.
.
1.57E -04
2.86E -04
1.74E -04
1.99E -04
3.22E -05

MAD = 2.54E -04

MAD terhadap data mendatang (22 pengamatan)

Ragam aktual
9.06E-06
2.18E-05
4.01E-06
1.95E-04
1.09E-04
.
.
.
5.45E-05
7.60E-05
2.11E-05
3.09E-04
1.76E-05

Ragam dugaan
1.09E-04
5.96E-05
6.64E-05
3.61E-05
2.54E-05
.
.
.
1.09E-05
1.23E-04
2.89E-05
4.70E-06
2.50E-04

Sisaan Ragam
9.99E-05
3.78E-05
6.24E-05
1.59E-04
8.36E-05
.
.
.
4.36E-05
4.68E-05
7.78E-06
3.05E-04
2.32E-04

MAD = 1.27E-04

18