(Skripsi)
Oleh
YOLLANDA DWI PERMATASARI
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2018
ABSTRAK
Oleh
Peramalan merupakan salah satu kegiatan untuk mengetahui apa yang akan terjadi
di masa yang akan datang dengan mempertimbangkan data dari masa lampau.
Pada data runtun waktu finansial multivariat pasti memiliki volatilitas yang tinggi,
ragam yang heterogen serta korelasi antar variabel dan waktu, khususnya pada
data return. Salah satu model untuk menyelesaikan kondisi ini adalah model
VARMA–GARCH. Tujuan penelitian ini adalah mendapatkan model VARMA–
GARCH dan meramalkan data return harian tiga saham yaitu PT. Ratu Prabu
Energi Tbk., PT. Medco Energi International Tbk., PT. Radiant Utama Interinsco
Tbk. dari Oktober 2010 hingga Mei 2018. Berdasarkan hasil analisis, diperoleh
bahwa model terbaik adalah VARMA(1,2) – GARCH(1,1). Hasil ramalan 20
periode berikutnya cukup baik dan semua nilai berada di dalam interval
konfidensi 95%.
By
Forecasting is one of the activities to find out what will happen in the future by
considering data from the past. In the multivariate financial time series data must
have high volatility, heterogeneous variety and correlation between variables and
time, especially in the data return. One model to solve this condition is the
VARMA-GARCH model. The purpose of this study was to obtain the VARMA-
GARCH model and predict the three-share daily return data, namely PT. Ratu
Prabu Energi Tbk., PT. Medco Energi International Tbk., PT. Radiant Utama
Interinsco Tbk. from October 2010 to May 2018. Based on the results of the
analysis, it was found that the best model was VARMA (1,2) - GARCH (1,1). The
results of the next 20 forecast periods are quite good and all values are in the 95%
confidence interval.
Oleh
Skripsi
pada
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2018
RIWAYAT HIDUP
Penulis bernama lengkap Yollanda Dwi Permatasari, anak kedua dari delapan
bersaudara dari pasangan Bapak Mazlan, A.md. dan Ibu Eva Gemiarsih. Penulis
Kandis pada tahun 2008, Sekolah Menengah Pertama Negeri 21 Bandar Lampung
pada tahun 2011, dan Sekolah Menengah Atas Arjuna Bandar Lampung pada
tahun 2014. Pada tahun 2014 penulis diterima sebagai mahasiswa S1 di Jurusan
(SBMPTN).
2015 sebagai Gematika, Rohani Islam (ROIS) FMIPA Unila 2014-2015 sebagai
Anggota Bidang Humas, Badan Eksekutif Mahasiswa (BEM) FMIPA Unila 2015-
(PSDM). Pada tahun 2017 sebagai bentuk aplikasai bidang ilmu kepada
“…Sesungguhnya Allah tidak merubah keadaan suatu kaum sehingga mereka merubah
Dengan mengucap puji dan syukur kehadirat Allah SWT penulis persembahkan karya
sederhana ini untuk :
Orang Tua Tercinta yang telah menjadi motivasi terbesar selama ini.
Dosen Pembimbing dan Penguji yang sangat berjasa dalam mengarahkan dan membimbing
penulis.
Sahabat-sahabat yang selalu memberi semangat, motivasi dan doa kepada penulis.
Almamater tercinta.
SANWACANA
Puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan karunia-
Nya sehingga penulis dapat menyelesaikan skripsi ini. Shalawat serta salam
Penulis menyadari bahwa skripsi ini tidak akan terwujud tanpa adanya bantuan
bimbingan, dan doa dari berbagai pihak sehingga skripsi ini dapat terselesaikan.
1. Bapak Prof. Drs. Mustofa Usman, M.A., Ph.D. selaku dosen pembimbing
Akademik.
2. Ibu Dr. Khoirin Nisa, M.Si selaku pembimbing kedua yang memberikan
3. Ibu Widiarti, S.Si., M.Si selaku pembahas dan penguji skripsi yang telah
4. Ibu Prof. Dra. Wamiliana, M.A., Ph.D., selaku Ketua Jurusan Matematika
7. Orang tua tercinta yang tak pernah berhenti melantunkan doa, selalu memberi
semangat dan nasehat, serta memberi banyak pembelajaran hidup serta Uni
selalu menemani baik suka maupun duka dan teman-teman Matematika 2014.
Halaman
DAFTAR TABEL
DAFTAR GAMBAR
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah ......................................................... 1
1.2 Tujuan Penelitian............................................................................ 2
1.3 Manfaat Penelitian.......................................................................... 3
II.TINJAUAN PUSTAKA
2.1 Jenis Data Berdasarkan Waktu Pengumpulannya .......................... 4
2.2 Stasioneritas dan Uji Augmented Dickey-Fuller (ADF)................. 5
2.3 Fungsi Autokorelasi ....................................................................... 6
2.4 Proses White Noise ........................................................................ 9
2.5 Volatilitas ....................................................................................... 9
2.6 Model Autoregressive (AR) ......................................................... 11
2.6.1 Bentuk Umum Model Autoregressif AR............................ 11
2.6.2 Orde Pertama Autoregressive AR(1) ................................. 12
2.7 Model Moving Average ............................................................... 13
2.7.1 Proses Moving Average Orde Pertama............................... 13
2.7.2 Proses Moving Average Orde Kedua ................................. 14
2.8 Proses ARMA(p,q) ....................................................................... 14
2.9 Model Var..................................................................................... 16
2.9.1 Penduga Parameter Var ...................................................... 16
2.10 Heteroskedastisitas ..................................................................... 18
2.11 GARCH Univariat ...................................................................... 19
2.12 Model GARCH Multivariat........................................................ 20
2.13 Model Pemeriksaan Diagnostik.................................................. 21
2.13.1 Model Pemeriksaan Diagnostik Multivariat .................... 21
2.13.2 Model Pemeriksaan Univariat .......................................... 23
2.14 VARMA (Vector Autoregressive Moving Average) .................. 23
III.METODOLOGI PENELITIAN
3.1 Waktu danTempat Penelitian ....................................................... 25
3.2 Data Penelitian ............................................................................. 25
3.3 MetodePenelitian.......................................................................... 25
3.4 Diagram Alir Analisis Model VARMA-GARCH........................ 27
V. KESIMPULAN
DAFTAR PUSTAKA
LAMPIRAN
DAFTAR TABEL
Tabel ...........................................................................................Halaman
Gambar Halaman
Saham ARTI.JK................................................................................. 56
Saham RUIS.JK.................................................................................. 58
I. PENDAHULUAN
Peramalan merupakan suatu kegiatan untuk mengetahui apa yang akan terjadi
dimasa yang akan datang menggunakan dan mempertimbangkan data dari masa
lampau. Ketepatan secara mutlak dalam memprediksi suatu peristiwa adalah tidak
mungkin dicapai. Oleh karena itu, ketika tidak dapat melihat kejadian yang akan
datang secara pasti, diperlukan waktu dan biaya yang besar agar mereka dapat
merupakan alat bantu yang penting dalam sebuah perencanaan yang efektif.
Runtun waktu adalah rangkaian data yang diukur berdasarkan waktu dengan
Analisis runtun waktu merupakan metode yang mempelajari deret waktu, baik
dari segi teori maupun untuk membuat peramalan (prediksi). Analisis runtun
waktu merupakan cara menentukan variabilitas data runtun waktu dalam bentuk
fungsi periodik dominan. Analisis ini pada dasarnya digunakan untuk melakukan
dikumpulkan secara periodik berdasarkan urutan waktu dalam jam, hari, minggu,
Analisis runtun waktu tidak hanya bisa dilakukan untuk data yang memiliki satu
variabel saja tetapi juga bisa untuk data yang memiliki banyak variabel. Untuk
memiliki kelebihan yaitu dapat memodelkan gabungan dari rata-rata dan varians
bersyarat. Oleh karena itu dalam penelitian ini akan digunakan model VARMA-
GARCH untuk meramalkan data saham pertambangan yang di peroleh dari yahoo
finance..
pada data deret waktu untuk memperoleh model terbaik dan memprediksi atau
meramalkannya.
3
GARCH
periode selanjutnya.
4
pengumpulannya terbagi menjadi tiga, yaitu time series, cross-section dan panel.
diambil secara beruntun berdasarkan interval waktu yang tetap (Wei, 2006).
adalah indeks waktu dari urutan pengamatan. Data jenis ini dikumpulkan pada
2. Data Cross-section
Data cross-section adalah data dari satu variabel atau lebih yang dikumpulkan
3. Data Panel
a. Stasioneritas
Stasioner berarti bahwa tidak terdapat perubahan drastis pada data. Fluktuasi data
berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu
Stasioner dalam rata-rata adalah fluktuasi data berada di sekitar suatu nilai
rata-rata yang konstan, tidak bergantung pada waktu dan variansi dari
fluktuasi tersebut. Dari bentuk plot data seringkali dapat diketahui bahwa
Sebuah data time series dikatakan stasioner dalam variansi apabila struktur
dari waktu ke waktu mempunyai fluktuasi data yang tetap atau konstan dan
tidak berubah-ubah. Secara visual untuk melihat hal tersebut dapat dibantu
dengan menggunakan plot time series, yaitu dengan melihat fluktuasi data dari
diidentifikasi secara visuan sering kali diperlukan uji formal untuk mengetahui
kestasioneran data. Uji formal ini dikenal dengan uji akar, uji yang biasa
menggunakan metode ADF menyatakan data bersifat stasioner jika hasil ADF
Dimana apabila =1 maka memiliki akar unit, jika maka =1 maka dengan
Yt = Yt-1 + et
= Yt-1 + et
Hipotesis :
H1 : = -1 0 data stasioner
Jika uji terhadap menghasilkan p-value < maka tolak H0 yang berarti
persamaan tidak mengandung akar unit sehingga data stasioner (Gujarati &
Porter, 2009).
Menurut Wei (2006) proses stasioner suatu data time series (Yt) memilih E(Yt) =μ
dan variansi Var (Yt) = E (Yt - μ)2 = σ2 yang konstan dan kovarian Cov (Xt,Xt+k),
yang fungsinya hanya pada perbedaan waktu │t- (t+k)│. Maka dari itu, hasil
= =
√
7
korelasi antara Xt dan Xt+k dari proses yang sama, hanya dipisahkan oleh lag ke-k.
berikut:
1. = ; =1
2. | | < ;| |<1
Bukti
dibuktikan bahwa - ; =1
= =
√
Diberikan k = 0, maka
=
√
=
√
=
√
=1
8
3. Sifat tersebut diperoleh dari perbedaan waktu antara dan Yt dan Yt+k,
Oleh sebab itu, fungsi autokorelasi sering hanya diplotkan untuk lag
Statistik uji : t =
∑ ̅ ̅ ∑
= dan SE( =√
∑ ̅ √
dengan
k : time lag
Kriteria keputusan : tolak H0 jika nilai│t hitung│> tα/2, df dengan derajat bebas
yang diuji.
Sebuah proses { } dikatakan proses white noise apabila ada barisan random
variable yang berkorelasi dari distribusi tetap dengan nilai rata-rata konstan
Fungsi autokorelasi:
proses white noise adalah ACF (Autocorrelation Function) dan PACF (Partial
2.5. Volatilitas
Hal penting yang dilakukan pada pasar uang adalah melakukan pemilihan,
keuangan tersebut. Semua partisipan pasar akan setuju mengenai harga yang
10
“pantas” dari suatu pilihan apabila volatilitas dari pergerakan harga dasar dapat
diramalkan secara akurat, tetapi biasanya hal tersebut tidak dapat dilakukan.
para pelaku trading yang berbeda akan mempunyai tinjauan pasar yang berbeda
Menurut Attari dan Javaid (2013) perkiraan dan peramalan volatilitas dan
1. Trader membuat daftar pilihan yang perlu diramalkan volatilitas dari proses
2. Manajemen resiko dari posisi mereka yang berdasar pada perkiraan optimal,
jangka pendek.
3. Penerapan dan korelasi adalah untuk menghitung rasio perkiraan yang tepat
untuk posisinya.
4. Perkiraan statistik volatilitas dan korelasi atas semua faktor resiko yang
mungkin didalam pasar adalah penting dalam net position dan untuk
perusahaan.
suatu model time series seperti rata-rata pergerakan atau proses Generalized
pada masa lalu, dimana data dari waktu ke waktu tersedia. Hal itu juga akan
11
dimasa yang akan datang yang disebut risk horizon. Hal ini untuk menyajikan
pengembalian asset atau faktor resiko dalam suatu portofolio dalam bentuk
matriks kovarian.
= (d - d̅̅̅̅)2
d = nilai differencing
lag (selang waktu) yang bermacam-macam. Jadi suatu model Autoregressive akan
menyatakan suatu ramalan sebagai fungsi nilai-nilai sebelumnya dari time series
= (2.2)
= +
dimana
12
E(yt) = =
dan
= Cov
= Cov ( (2.3)
=∑ ) + Cov ( )
=∑ +{
=∑
→ =[ ∑ ]=
Hasil pembagian persamaan (2.3) dengan dengan k>0 dapat digunakan untuk
mencari nilai ACF pada proses AR(p) yang memenuhi persamaan Yule-Walker:
∑ , k = 1,2,…
Yt = + et
i. E(Yt) = 1
iii. = =
iv. = -
Proses moving average pertama kali diperkenalkan oleh Slutsky. Model ini
regersinya melibatkan selisih nilai variabel sekarang dengan nilai dari variabel
adalah
Yt = β1 t-1 +
i. E(Yt) = 0
iii. γ1 = -βσ2
v. γk = ρk = 0 untuk k ≥ 2.
14
Yt = β1 t-1 + β2 t-2 +
i. E(Yt) = 0
iv. γ1 = -β1σ2
vi. γk = ρk = 0 untuk k ≥ 3.
Proses ini terdiri dari penggabungan antara model AR dan MA. Nilai Yt tidak
hanya dipengaruhi oleh nilai peubah tersebut, tetapi juga oleh galat perubah
diberikan sebagai
= ∑ ∑
= (1 -
Atau
dengan
p = order AR
Salah satu contoh untuk ARMA (p,q) adalah ARMA (1,1) yang dapat dituliskan
sebagai berikut :
ARMA(1.1)
Yt = 1Yt-1 + 1 t-1 +
Dengan :
(Wei,2006).
16
Menurut Tsay (2014) , untuk menganalisis secara kuantitatif data time series
dengan melibatkan lebih dari satu variable (multivariate time series) digunakan
Satu vektor berisi lebih dari dua variable dan pada sisi kanan terdapat nilai lag dari
variable tak bebas sebagai representasi dari sifat Autoregressive dalam model.
Yt = ∑
= panjang lag
Salah satu cara untuk menduga parameter Var adalah dengan Maximum
Menurut Tsay (2014), misalkan at dari model Var (p) mengikuti distribusi normal
| ∑ =∏ | ∑
=∏ | ∑
=∏ | ∑
17
=∏ * ∑ +
|∑ |
|∑ |– exp* ∑ ∑ +
∑ = |∑ | ∑ ∑
= |∑ | ∑ ∑ ∑
Dimana c adalah nilai konstan dan kita gunakan sifat bahwa tr (CD) dan tr (C + D)
adalah matriks error, kita dapat menulis ulang fungsi log-likelihood VAR(p)
sebagai berikut:
∑ = |∑ |
pendekatan terhadap ∑
Sehingga :
̂ ∑
̂̂
∑
∑ adalah :
̂ ̂̂ ̂̂
18
berikut :
̂∑
Invers dari matriks Hessian memberikan matriks kovarians asimtotik dari estimasi
̂ ∑
[ ̂̂ ]
[̂ ̂ ].
(̂ ∑ )
∑ ∑
–
( ̂ ̂| ) | ̂| [ ]
2.10. Heteroskedastisitas
menunjukkan asumsi galat konstan menjadi tak terpenuhi. Dalam deret waktu
terdapat proses galat yang biasanya dinotasikan dengan et, salah satu asumsi yang
Var(et) =
19
autokorelasi tinggi
pada yt cenderung diikuti oleh besar atau kecil perubahan pada periode
berikutnya.
Heteroscedastic)
Heteroscedastic). Model ini dibangun untuk menghindari ordo yang terlalu tinggi
pada model ARCH dengan berdasar pada prinsip memilih model yang lebih
tidak hanya melihat hubungan antara variansi kesalahan terhadap beberapa nilai
variable acak, tetapi juga melihat bahwa variabel kesalahanjuga bergantung pada
Bollerslev dan Taylor (1986). Secara lengkap model GARCH dapat dituliskan
sebagai berikut :
∑ ∑
)
20
∑ ∑
Model GARCH mutivariat adalah perluasan dari bentuk GARCH univariat. Model
karena dalam pergerakan bersama akan lebih mendekati seiring berjalannya waktu
berdasarkan saham dan harga. Mengenali hal-hal ini maka model multivariate
lebih menuntun untuk mencapai model empiris yang lebih relevan disbanding
Pada kategori ini Ht dimodelkan secara langsung. Pada kategori ini model
2. Model Faktor
Ide model faktor dating dari teori ekonomi. Pada kategori ini matriks
heteroskedastik yang tak terobservasi, maka dari itu model ini disebut
model faktor.
Model pada kategori ini dibangun dari ide untuk memodelkan conditional
(DCC).
2009).
Pada model pemeriksaan diagnostic multivariate terdapat dua uji yang diperlukan,
yaitu :
digunakan untuk memilih model yang sesuai. Uji yang termasuk dalam hal
AIC) :
AIC = log(| ̃ |) + 2r / T
FPE =( ) (| ̃ |)
pada model residual. Hipotesis nol yang digunakan adalah residual tidak
Cε(l) = T-1 ∑
̂ (l) =̂ Cε(l) ̂
̂ (-l) = ̂ (l)’
Qs = T 2 ∑ {̂ ̂ ̂ ̂ }
Pada uji ini diuji apakah pada residual model menunjukkan proses white
b. Uji F
Pada uji ini akan diuji apakah terdapat efek heteroskedastisitas pada
sama.
yt = ∑ ∑
atau
= +
Dimana
-∑ dan -∑
GARCH.
- =
= , = +∑ ⃗ +∑
24
yang bervariasi terhadap waktu dan kovarian tetapi memiliki korelasi yang
konstan.
Ht = Dt S Dt
hi j, t = sij i,j = 1, , k
Data yang digunakan pada penelitian ini adalah data return harian yang diperoleh
dari http://finance.yahoo.com/ yaitu data PT. Ratu Prabu Energi Tbk, PT. Medco
Energi International Tbk, PT. Radiant Utama Interinsco Tbk. pada periode
yang diperoleh dari buku-buku maupun media lain untuk mendapatkan informasi
berikut:
26
2. Melakukan analisa data secara deskriptif untuk melihat kriteria dan struktur
3. Melakukan uji unit root menggunakan uji ADF untuk melihat apakah data
6. Menentukan model VARMA terbaik dengan melihat nilai AIC yang terkecil.
10. Apabila terdapat efek heteroskedastisitas, maka data akan dimodelkan dengan
model VARMA-GARCH
Adapun bentuk diagram alir dari metode penelitian yang akan dilakukan adalah
sebagai berikut :
Mulai
ya
Identifikasi Model VARMA
Estimasi Parameter
Model VARMA-GARCH
Peramalan
Selesai
V. KESIMPULAN
Dari hasil penelitian analisis deret waktu multivariat menggunakan model Vector
harian pada saham PT. Ratu Prabu Energi Tbk, PT. Medco Energi International
Tbk, PT. Radiant Utama Interinsco Tbk. pada periode Oktober 2010 sampai Mei
√ √
[ √ √ ]
√ √
Hasil ramalan dapat dilihat dalam Tabel 14 terlihat bahwa hasil ramalan ketiga
variabel mendekati data aslinya, hal ini ditunjukkan dengan semua nilai
GARCH(1,1) baik digunakan untuk meramalkan data return harian saham PT.
Ratu Prabu Energi Tbk, PT. Medco Energi International Tbk, PT. Radiant
( ) ( ) ( )( )
(( )( )
( )( ))
DAFTAR PUSTAKA
Gujarati, D. N., & Porter, D. C. 2009. Basic Econometrics (5th ed.). McGraw-
Hill Irwin, New York.
SAS/ETS 9.2. 2008. User’s Guide. SAS Instistute Inc. Cary, NC, USA.
Tsay, R.S. 2014. Multivariate Time Series Analysis. New York : A John Wiley
& Sonc, Inc. Publication.
Wei, W.W.S. 2006. Time Series Analysis Univariate and Multivariate Methods
Second Edition. Pearson Education Inc., Canada.