KOLOKIUM

DEPARTEMEN STATISTIKA
SEKOLAH PASCASARJANA
IPB UNIVERSITY

NAMA : DARA AGUSTINA

NRP : G151190181
PROGRAM STUDI : STATISTIKA
JUDUL PENELITIAN : PERBANDINGAN METODE DBEKK-GARCH DAN
MEWMA PADA VOLATILITAS IHSG DAN
NILAI TUKAR UANG
KOMISI PEMBIMBING : 1. Dr. I Made Sumertajaya, M.Si
2. Dr. Farit M. Afendi, M.Si
HARI/ TANGGAL : SELASA/ 16 FEBRUARI 2021
WAKTU : 09.00 WIB
TEMPAT : DARING
 1 PENDAHULUAN

Latar Belakang
Pada awal tahun 2020, dunia sedang disibukkan oleh sebuah virus baru yaitu COVID-19.
Virus ini telah menjadi pandemi global yang sangat meresahkan masyarakat dunia. Virus COVID-
19 telah menyebar ke hampir setiap Negara di dunia sejak pertama kali muncul di China pada
tanggal 31 Desember 2019. Di Indonesia sendiri, virus COVID-19 pertama kali teridentifikasi
yaitu pada tanggal 02 Maret 2020. Dengan adanya pandemi global tersebut, memberikan beberapa
dampak, salah satunya adalah dampak pada Ekonomi Negara. Dampak Ekonomi Negara salah
satunya dapat dilihat pada penurunan harga Indeks Harga Saham Gabungan (IHSG) dan
pelemahan nilai tukar Dollar Amerika terhadap Rupiah.
Indeks Harga Saham Gabungan (IHSG) merupakan salah satu indeks pasar saham yang
digunakan oleh Bursa Efek Indonesia (BEI). Sedangkan nilai tukar Dollar Amerika terhadap
Rupiah merupakan nilai atau harga Dollar Amerika yang diukur atau dinyatakan dalam Rupiah.
Berdasarkan data yang diakses di www.Investing.com, dalam satu tahun terakhir rata-rata IHSG
sebesar 5427,20 poin dan rata-rata nilai tukar Dollar Amerika terhadap Rupiah sebesar Rp
14.432,00. Setelah diumumkannya terdapat kasus COVID-19, IHSG mengalami perununan yang
cukup drastis, begitu pula dengan nilai tukar Dollar Amerika terhadap Rupiah yang mengalami
pelemahan. IHSG mengalami penurunan hingga mencapai 3.937,63 poin pada 24 Maret 2020,
dimana sebelumnya IHSG sempat memiliki nilai yang cukup tinggi pada 27 Desember 2019 yaitu
sebesar 6.329,31 poin. Sedangkan nilai tukar Dollar Amerika terhadap Rupiah mengalami
pelemahan hingga Rp 16.575,00 pada 23 Maret 2020, dimana sebelumnya nilai tukar Dollar
Amerika terhadap Rupiah bernilai Rp 13.572,00 pada 24 Januari 2020.
Pada pergerakannya, IHSG dan nilai tukar Dollar Amerika terhadap Rupiah sering kali
mengalami peningkatan dan penurunan setiap harinya. Kondisi ini dapat mengakibatkan terjadinya
volatilitas data akibat fluktuasi. Volatilitas merupakan suatu perubahan yang menunjukkan kondisi
ketidak tetapan suatu nilai. Terdapat beberapa penanganan terhadap volatilitas data multivariat,
diantaranya dapat didekati menggunakan model Multivariate Generalized Autoregressive
Conditional Heteroskedasticity (MGARCH). Saat ini model MGARCH sendiri sudah
dikembambangkan menjadi beberapa model, salah satunya adalah model diagonal Baba, Engle,
Kraft dan Kroner (dBEKK) GARCH. Menurut Lütkepohl (2005), model dBEKK-GARCH ini
dapat digunakan ketika data memiliki korelasi yang berbeda di setiap waktu dan pada kondisi data
yang diamati cukup banyak.
Rosyida (2016) dalam penelitian yang berjudul “Pemodelan Deret Waktu Multivariat
VARIMA-BEKK GARCH pada Data Nilai Tukar Dollar Amerika terhadap Rupiah dan IHSG”
melakukan penelitian dengan tujuan memodelkan dan meramalkan nilai tukar Dollar Amerika
terhadap Rupiah dan IHSG menggunakan model VARIMA-BEKK GARCH. Hasil ramalan yang
didapatkan adalah model tersebut dapat menggambarkan pola data yang digunakan. Selain model
GARCH, terdapat pendekatan lain yang juga dapat digunakan untuk menangkap volatilitas data,
yaitu model Multivariate Exponential Weighted Moving Average (MEWMA). Wororomi, J.K

1
(2016) dalam penelitian yang berjudul “Pengembangan Diagram Kontrol MEWMA Berbasis
Model untuk Pengamatan Tak Random” mengembangkan suatu diagram kontrol MEWMA yang
mampu meningkatkan sensitivitas diagram kontrol MEWMA konvensional terhadap efek pola
data tak random. Hasil yang didapatkan adalah diagram kontrol MEWMA berbasis model tersebut
sensitif terhadap lonjakan-lonjakan kecil pada data.
Jayanti (2021) dalam penelitian berjudul “Kajian Volatilitas dan Korelasi Dinamis Harga
Minyak Nabati dan Minyak Dunia dengan Model M-GAS dan DCC-GARCH” menggunakan data
return harga CPO, return harga minyak kelapa, return harga minyak kedelai dan return harga
minyak mentah periode 04 Januari 2010 sampai dengan 31 Desember 2019. Renggani dkk. (2020)
dalam penelitian berjudul “Comparison of Symmetric and Asymmetric GARCH Models in the
Futures Contract of Robusta Coffee in Jakarta Futures Exchange” menggunakan data return harga
kopi robusta meliputi harga spot, harga kontrak Maret dan harga kontrak September periode 04
Januari 2016 sampai dengan 20 Desember 2019.
Nilai return ini sering kali digunakan dengan alasan, nilai return memuat ringkasan
informasi yang lengkap dari suatu aset investasi dari sebagian besar investor dan nilai return lebih
mudah ditangani dibandingkan dengan data aset jika ditinjau dari segi statistika. Dalam
pergerakannya, IHSG dan nilai tukar Dollar Amerika terhadap Rupiah mengalami peningkatan
dan penurunan yang mengakibatkan adanya indikasi volatilitas akibat fluktuasi. Pergerakan
tersebut salah satunya dapat dilihat dari nilai return atau dikenal sebagai nilai pengembalian yang
biasanya sering digunakan dalam bidang keuangan. Dimana pada data IHSG nilai return tertinggi
terjadi pada 9 Maret 2020 yaitu –0.0658 dan pada data nilai tukar Dollar Amerika terhadap Rupiah
nilai return tertinggi pada 19 Maret 2020 yaitu sebesar 0.0457.
Berdasarkan latar belakang tersebut, mengingat IHSG dan nilai tukar Dollar Amerika
terhadap Rupiah sama-sama mengalami lonjakan cukup tinggi sekitar bulan Maret 2020 setelah
teridentifikasinya kasus COVID-19 di Indonesia, maka diperlukan model yang dapat menangkap
volatilitas tersebut. Sehingga pada penelitian ini untuk menangkap volatilitas IHSG dan nilai tukar
Dollar Amerika terhadap Rupiah tersebut akan dilakukan permodelan dBEKK-GARCH dan
MEWMA. Dilakukan pendekatan dengan dua permodelan tersebut untuk melakukan perbaruan
penelitian dengan membandingkan keduanya dan untuk mengetahui bagaimana performa dari
keduanya dalam meramalkan volatilitas IHSG dan nilai tukar Dollar Amerika terhadap Rupiah.

Tujuan
Berdasarkan latar belakang yang telah diuraikan, tujuan yang ingin dicapai pada penelitian
ini adalah mengkaji volatilitas IHSG dan nilai tukar Dollar Amerika terhadap Rupiah dengan
membandingkan metode dBEKK-GARCH dan metode MEWMA.

2
 2 TINJAUAN PUSTAKA

Data Return
Menurut Danielsson (2011), perubahan harga aset keuangan selama periode waktu tertentu
sering juga dikenal sebagai nilai return (pengembalian) aset yang dinyatakan sebagai persentase.
Nilai return digunakan dengan alasan, nilai return memuat ringkasan informasi yang lengkap dari
suatu aset investasi dari sebagian besar investor dan nilai return lebih mudah ditangani
dibandingkan dengan data aset jika ditinjau dari segi statistika. Nilai return tersebut dapat
diperoleh menggunakan bentuk persamaan (1).

𝑌𝑡 −𝑌𝑡−1
𝑅𝑡 = (1)
𝑌𝑡−1

Identifkikasi Model VAR

Pada prinsipnya identifikasi model deret waktu vektor mirip dengan identifikasi deret waktu
univariat. Kita mengidentifikasi model yang berdasarkan pola korelasi sederhananya dan matriks
korelasi parsial setelah dilakukan transformasi yang tepat untuk mereduksi deret nonstasioner
menjadi deret stasioner (Wei, 2006).

Matrix Partial Autocorrelation Function (MPACF)

Tiao dan Box dalam Wei (2006), mendefinisikan matriks fungsi autokorelasi parsial pada
lag ke-𝑝 atau 𝓟(𝑝) sebagai koefisien matriks ketika data diterapkan untuk suatu proses VAR pada
ordo ke-𝑝, dimana 𝓟(𝑝)sama dengan 𝜱𝑝,𝑝 . Definisi ini adalah perpanjangan langsung dari definisi
Box dan Jenkins dari fungsi autokorelasi parsial untuk deret waktu univariat, yaitu 𝓟(𝑝) sama
dengan 𝜱𝑝,𝑝 dalam regresi linier multivariat. Matriks fungsi autokorelasi parsial dapat
didefinisikan sebagai berikut.

𝜞′ (1)[𝜞(0)]−1 , 𝑝 = 1
𝓟(𝑝) = { (2)
{𝜞′ (𝑝) − 𝒄′ (𝑝)[𝑨(𝑝)]−1 𝒃(𝑝)}{𝜞(0) − 𝒃′ (𝑝)[𝑨(𝑝)]−1 𝒃(𝑝)}−1 , 𝑝 > 1

Seperti fungsi autokorelasi parsial untuk kasus univariat, fungsi matriks autoregresi parsial, 𝓟(𝑝)
memiliki properti cutoff untuk proses vektor AR. Meskipun fungsi matriks autoregresi, 𝓟(𝑝)
didapatkan dari pertimbangan model AR vektor, fungsi tersebut didefinisikan dalam istilah 𝛤(𝑘)′𝑠
melalui persamaan (2) dan karenanya dapat diterapkan pada proses stasioner apa pun. Tidak seperti
fungsi autokorelasi parsial univariat, elemen 𝓟(𝑝) bukanlah koefisien korelasi yang tepat. Matriks
kovarian 𝜞(𝑝) dapat diduga dengan matriks kovarian sampel sebagai berikut.

̂ (𝑝) = 1 ∑𝑇−𝑝
𝜞 ̅ )(𝒀𝑡+𝑝 − 𝒀
(𝒀𝑡 − 𝒀 ̅ )′ untuk 𝑝 = 1,2, … (3)
𝑇 𝑡=1

3
 Model VAR
Model Vector Autoregressive (VAR) merupakan suatu model deret waktu yang digunakan
untuk menjelaskan hubungan kausalitas antar variabel-variabel ekonomi. Model VAR(𝑝)
merupakan suatu sistem persamaan dimana pendugaan suatu variabel pada periode tertentu
tergantung pada perubahan variabel itu sendiri dan variabel lainya yang terlibat dalam sistem
persamaan pada periode-periode sebelumnya. Menurut Wei (2006), persamaan model VAR
dengan orde 𝑝 ditampilkan pada persamaan (4).

𝒀𝑡 = 𝜱1 𝒀𝑡−1 + ⋯ + 𝜱𝑝 𝒀𝑡−𝑝 + 𝒆𝑡 (4)

Menurut Lütkepohl (2005), dengan mengasumsikan 𝒆𝑡 berdistribusi normal, pendugaan

model VAR(𝑝) dapat menggunakan metode Maximum Likelihood Estimation (MLE). Fungsi
kepekatan peluang 𝒆𝑡 adalah
1 1
1
𝑓(𝒆𝑡 ) = (2𝜋)−2 (𝛴)−2 exp (− 2 𝒆𝑡 ′(𝛴)−1 𝒆𝑡 ) (5)

dan dapat diperoleh fungsi likelihood dari 𝑇 sampel acak adalah sebagai berikut
𝑇 𝑇
1
𝐿(𝜸, 𝚺) = (2𝜋)−2 (𝛴)−2 exp (− 2 𝒆𝑡 ′(𝛴)−1 𝒆𝑡 ) (6)

dengan
𝒆𝑡 = 𝒀𝑡 − 𝒁𝑡 𝜸
𝒁𝑡 = (𝒀𝑡−1 , … , 𝒀𝑡−𝑝 )
𝜸 = (𝝓1 , … , 𝝓𝑝 )
sehingga fungsi log-likelihood pada persamaan (6) dapat ditulis dalam bentuk persamaan (7).
𝑇 1
ln 𝐿(𝜸, 𝚺) = − 2 ln(𝜮) − 2 ∑𝑇𝑡=1(𝒀𝑡 − 𝒁𝑡 𝜸)′(𝜮)−𝟏 (𝒀𝑡 − 𝒁𝑡 𝜸) (7)

Diagnostik Sisaan Model VAR

Pemeriksaan diagnosis sisaan perlu dilakukan untuk mengetahui apakah asumsi yang
mendasari model telah terpenuhi atau tidak. Pemeriksaan tersebut terdiri atas dua pengujian, yaitu
uji white noise sisaan dan uji normalitas sisaan.

Uji White Noise Sisaan

Menurut Wei (2006), untuk melihat asumsi white noise pada sisaan dapat dilakukan dengan
melihat plot CCF dari sisaan. Diagnosis model tersebut juga dapat didekati menggunakan uji
Portmanteau, dengan hipotesis sebagai berikut (Lütkepohl, 2005).

𝐻0 : 𝜞(𝑖) = (𝜞(1), … , 𝜞(𝑘)) = 𝟎 : sisaan saling bebas vs

𝐻1 : 𝜞(𝑖) ≠ 𝟎 untuk 1 ≤ 𝑖 ≤ 𝑘 : sisaan tidak saling bebas

4
Statsitik uji yang digunakan adalah
1
̂ ′𝑖 𝑪
𝑄𝑘 = 𝑇 ∑ℎ𝑖=1 𝑡𝑟(𝑪 ̂ −1 ̂ ̂ −1
0 𝑪𝒊 𝑪0 )
̂ 𝑖 = ∑𝑇𝑡=𝑖+1 𝒆̂𝒕 𝒆̂′𝒕−𝒊
dengan 𝑪 𝑇

Kaidah pengambilan keputusan dikatakan terima 𝐻0 apabila statistik uji 𝑄𝑘 lebih kecil
2
𝜒 (𝑚2 (𝑘−𝑝)) atau p-value > α yang berarti sisaan saling bebas, sehingga model layak digunakan.

Uji Normalitas Sisaan

Menurut Johnson dan Wichen (2007), pengujian normalitas multivariat dapat menggunakan
uji koefisien korelasi Q-Q plot dengan hipotesis sebagai berikut.

𝐻0 : sisaan berdistribusi normal multivariat vs

𝐻1 : sisaan tidak berdistribusi normal multivariat
Statistik uji yang digunakan adalah

∑𝑇
𝑡=1(𝑥𝑡 −𝑥̅ )(𝑞𝑡 −𝑞
̅)
𝑟𝑄 = (8)
√∑𝑇 2 𝑇 ̅)2
𝑡=1(𝑥𝑡 −𝑥̅ ) √∑𝑡=1(𝑞𝑡 −𝑞

Kriteria pengambilan keputusan terima 𝐻0 apabila 𝑟𝑄 > 𝑟𝑄(𝛼,𝑇) , sehingga dapat disimpulkan
bahwa sisaan model berdistribusi normal multivariat.

Metode GARCH
Salah satu asumsi yang harus dipenuhi dalam model VAR adalah memiliki sisaan yang
homogen. Pada kondisi nyata, asumsi ini tidak selalu terpenuhi. Data deret waktu di bidang
ekonomi dan finansial mengalami kenaikan dan penurunan yang tidak menentu. Kondisi ini
mengindikasikan bahwa ragam pada data ekonomi dan finansial cenderung tidak konstan atau
biasa disebut terdapat volatilitas.

Identifikasi Efek MGARCH

Sebelum model MGARCH dimodelkan pada sisaan model VAR(𝑝), perlu dilakukan
pemeriksaan terlebih dahulu apakah efek ARCH pada sisaan tersebut atau tidak. Salah satu cara
untuk mengetahui ada tidaknya efek MGARCH adalah dengan menggunakan uji Lagrange
Multiplier (LM) (Lütkepohl, 2005). Jika semua matriks 𝜷𝑖 bernilai nol maka dapat dikatakan
bahwa sisaan tidak mengandung unsur Multivariate GARCH. 𝐿𝑀𝑀𝐴𝑅𝐶𝐻 (𝑞) mengikuti distribusi
2
𝜒𝑞𝑚 2 (𝑚+1)2 /4 . Hipotesis yang digunakan adalah sebagai berikut.

𝐻0 : 𝜷𝟏 = ⋯ = 𝜷𝑞 = 𝟎 : tidak terdapat unsur Multivariate GARCH

𝐻1 : 𝜷𝑞 ≠ 𝟎 : terdapat unsur Multivariate GARCH

5
Statistik uji yang digunakan adalah
1
̂ 𝑣𝑒𝑐ℎ 𝜮
𝐿𝑀𝑀𝐴𝑅𝐶𝐻 (𝑞) = 2 𝑇𝑚(𝑚 + 1) − 𝑇 𝑡𝑟(𝜮 ̂ −1
0 ) (9)
2
Keputusan hipotesis didasarkan apabila nilai statistik uji 𝐿𝑀𝑀𝐴𝑅𝐶𝐻 (𝑞) ≤ 𝜒𝑞𝑚 2 (𝑚+1)2 /4 pada

taraf nyata α atau p-value dari statistik uji 𝐿𝑀𝑀𝐴𝑅𝐶𝐻 (𝑞) lebih besar dari nilai α maka dapat
dikatakan bahwa model tidak mengandung Multivariate GARCH.

Model dBEKK-GARCH
Pada prinsipnya, model ARCH multivariat dapat digeneralisasikan dengan cara yang sama
seperti pada kasus univariat. Dalam model multivariate GARCH (MGARCH), matriks kovarians
bersyarat memiliki bentuk
𝑞
𝑣𝑒𝑐ℎ(𝜮𝑡|𝑡−1 ) = 𝜸0 + ∑𝑗=1 𝜞𝑗 𝑣𝑒𝑐ℎ(𝒆𝑡−𝑗 𝒆′𝑡−𝑗 ) + ∑𝑚
𝑗=1 𝑮𝑗 𝑣𝑒𝑐ℎ(𝜮𝑡−𝑗|𝑡−𝑗−1 ) (10)

1 1
di mana 𝑮𝑗 juga tetap (2 𝑚(𝑚 + 1)𝑥 2 𝑚(𝑚 + 1)) matriks koefisien (Lütkepohl, 2005).
Ruang parameter model MGARCH memiliki dimensi yang besar secara umum dan perlu
dibatasi untuk menjamin keunikan representasi dan untuk mendapatkan properti yang sesuai dari
kovarian bersyarat. Untuk mengurangi ruang parameter, Bollerslev et al. (1988) membahas model
MGARCH diagonal, di mana 𝜞𝑗 dan 𝑮𝑗 pada persamaan (10) adalah matriks diagonal.
Alternatifnya, model BEKK GARCH dengan bentuk berikut mungkin berguna.
𝑞 ∗′ ′ ∗ 𝑚 ∗′ ∗
𝜮𝑡|𝑡−1 = 𝑪∗′ ∗ 𝑁 𝑁
0 𝑪0 + ∑𝑛=1 ∑𝑗=1 𝜞𝑗𝑛 𝒆𝑡−𝑗 𝒆𝑡−𝑗 𝜞𝑗𝑛 + ∑𝑛=1 ∑𝑗=1 𝑮𝑗𝑛 𝜮𝑡−𝑗|𝑡−𝑗−1 𝑮𝑗𝑛 (11)

Pendugaan Parameter Model BEKK GARCH(𝟏, 𝟏)

Menurut Lütkepohl (2005), dengan menggunakan teorema Bayes, fungsi densitas gabungan
𝑒1 , … , 𝑒𝑇 adalah 𝑓(𝑒1, … , 𝑒𝑇 ) = 𝑓(𝑒1 )𝑓(𝑒2 |𝑒1 ) … 𝑓(𝑒𝑇 |𝑒𝑇−1,…,𝑢1 ). Jika 𝜺𝑡 ∼ 𝑖. 𝑖. 𝑑. 𝑁 (𝟎, 𝑰𝑚 )
maka distribusi kondisional 𝒆𝑡 yaitu 𝜴𝑡−1 adalah Gaussian dan jika 𝒆𝑡 adalah kuantitas yang
diamati, fungsi log-likelihood dari model umum GARCH untuk sampel 𝑒1 , … , 𝑒𝑇 sebagai berikut.

ln 𝑙(𝜹) = ∑𝑇𝑡=1 ln 𝑙𝑡 (𝜹) (12)

di mana 𝜹 = 𝑣𝑒𝑐(𝛾0, 𝛤1 , … , 𝛤𝑞 , 𝐺1 , … , 𝐺𝑚 ) merupakan parameter model GARCH yang tidak

diketahui dan dapat dituliskan dalam bentuk persamaan (13).
𝐾 1 1
ln 𝑙𝑡 (𝜹) = − 2 ln 2𝜋 − 2 ln|𝜮𝒕|𝒕−𝟏 | − 2 𝒆𝒕 ′(𝜮𝒕|𝒕−𝟏 )−1 𝒆𝒕 (13)

di mana nilai awal yang diperlukan untuk menentukan 𝜮𝒕|𝒕−𝟏 diasumsikan tersedia. Demikian pula,
log-likelihood mungkin disiapkan untuk kasus khusus seperti model diagonal atau BEKK.
Fungsi likelihood dapat dimaksimalkan sehubungan dengan parameter 𝛿 dengan
menggunakan metode numerik. Solusi tersebut tidak ada akibat bentuk nonlinier dari fungsi

6
tersebut. Dengan keberadaan pendugaan maksimum likelihood yang unik, penting untuk
mengidentifikasi parameter unik, misalnya dalam bentuk model BEKK dilakukan dengan
pembatasan. Tentu saja, jika fungsi log-likelihood digunakan meskipun distribusi sebenarnya dari
𝜺𝑡 adalah non-normal, maka pendugaan yang dihasilkan hanya akan menjadi pendugaan Quasi
Maksimum Likelihood.
Metode quasi maksimum likelihood merupakan metode estimasi yang dilakukan terhadap
varian kovarian parameter model dengan asumsi sisaan yang terlanggar. Berdasarkan nilai varian
kovarian yang terbentuk disusun inferensi baru untuk menentukan signifikansi estimataor
parameter model. Quasi maksimum likelihood masih tetap memanfaatkan metode makimum
likelihood sebagai dasar, sehingga perhitungan varian kovarian quasi juga merupakan nilai-nilai
yang dihasilkan dari metode maksimum likelihood (Agresti, 2002).

Metode MEWMA
Model volatilitas multivariat termudah untuk diterapkan adalah Multivariate Exponential
Weighted Moving Average (MEWMA). Bentuk model MEWMA dapat dituliskan pada persamaan
(14).

𝜮 ̂ 𝑡−1 + (1 − 𝜆)𝒀,𝑡−1 𝒀𝑡−1

̂ 𝑡 = 𝜆𝜮 (14)

dengan elemen individu yang diberikan adalah

,
𝜎̂𝑡,𝑖𝑗 = 𝜆𝜎̂𝑡−1,𝑖𝑗 + (1 − 𝜆)𝑌𝑡−1,𝑖 𝑌𝑡−1,𝑗 dimana 𝑖, 𝑗 = 1, … , 𝑚 (15)

Menurut Danielsson (2011), Matriks kovarian dapat diramalkan dengan menerapkan

persamaan (15) secara terpisah untuk setiap aset dan pasangan aset dalam portofolio. Menerapkan
model EWMA sangatlah mudah, bahkan untuk sejumlah besar aset. Ditambah dengan fakta bahwa
matriks kovarian dijamin semi definit positif, tidak mengherankan bila EWMA sering kali menjadi
metode yang dipilih. Hanya saja terdapat sedikit kelemahan, yaitu adanya keterbatasan, baik
karena strukturnya yang sederhana atau asumsi tunggal yang biasanya tidak diperkirakan. Dalam
aplikasi, sering kali berarti bahwa kovarian tampaknya bergerak berlebihan tetapi kondisi ini tidak
menjadi sulit untuk menduga parameternya dengan menggunakan Quasi Maksimum Likelihood.

Value at Risk (VaR)

Volatilitas merupakan ukuran statistik dari pergerakan harga suatu aset. Volatilitas yang
tinggi berarti kemungkinan return atau loss yang didapat juga tinggi. Dalam perkembangannya
seorang manajer risiko tidak dapat mengasumsikan bahwa volatilitas suatu aset adalah tetap atau
konstan sepanjang waktu. Akibatnya, manajer risiko tidak bias menjadikan volatilitas masa lalu
sebagai panduan untuk volatilitas di masa yang akan datang. Untuk itu diperlukan pengukuran
volatilitas asset sebagai antisipasi risiko sehingga risiko bisa dimitigasi (Danielsson, 2011). Ada
beberapa jenis risiko di pasar keuangan, yaitu risiko kredit, risiko likuiditas, risiko pasar sebagai

7
contohnya dan Value at risk (VaR) merupakan yang utama berkaitan dengan risiko pasar tersebut
(Tsay, 2002).
Menurut Morgan (1996), Value at Risk (VaR) merupakan suatu metode untuk menilai risiko
dengan menggunakan teknik statistik standar, dimana VaR merupakan ukuran kerugian terburuk
yang diharapkan akan terjadi pada horison waktu tertentu pada kondisi pasar yang normal dengan
tingkat kepercayaan tertentu. Selain itu, VaR juga memuat perhitungan risiko dengan tiga
komponen penting yaitu, tingkat kepercayaan yang relatif tinggi (95% atau 99%), periode waktu
(harian, bulanan, atau tahunan) dan estimasi kerugian (satuan mata uang atau prosentase). Adapun
formula VaR yang dapat digunakan dituliskan pada persamaan (16).

𝑉𝑎𝑅 = −𝜎̂𝑡,𝑖𝑗 𝑍𝛼 𝑅𝑡 (16)

3 METODE PENELITIAN

Sumber Data Penelitian

Data deret waktu yang digunakan dalam penelitian ini merupakan data sekunder. Data deret
waktu terdiri atas dua variabel, yaitu Indeks Harga Saham Gabungan (IHSG) dengan satuan poin
dan Nilai Tukar Dollar Amerika terhadap Rupiah dengan satuan rupiah. Data IHSG dan nilai tukar
Dollar Amerika terhadap Rupiah ini bersumber dari website www.Investing.com. Data yang
digunakan merupakan data harian Senin sampai Jum’at mulai bulan Oktober 2019 hingga Januari
2021.

Langkah-langkah Penelitian
Langkah-langkah analisis pada data deret waktu penelitian ini dilakukan dengan
pembentukan beberapa model. Pertama akan dilakukan tahapan pemodelan VAR(𝑝), kemudian
dilanjutkan dengan diagnosis sisaan model VAR(𝑝). Setelah itu dilakukan pemodelan dBEKK-
GARCH dan pemodelan MEWMA pada sisaan model VAR(𝑝). Pada pemodelan dBEKK-
GARCH perlu dilakukan uji efek MGARCH terlebih dahulu. Sedangkan pada pemodelan
MEWMA perlu dicari nilai decay factor terlebih dahulu. Langkah-langkah analisis secara rinci
dijelaskan sebagai berikut.
1. Eksplorasi Data
Eksplorasi data dilakukan dengan beberapa cara sebagai berikut.
a. Membuat plot deret waktu untuk data aktual dan data return dari masing-masing data untuk
melihat perkembangan data.
b. Menyajikan statistika deskriptif dari data aktual dan data return yang meliputi ukuran
pemusatan data, ukuran kemencengan data dan ukuran keruncingan data.
c. Membuat diagram pencar dengan nilai korelasi pearson dari data aktual dan data return
untuk melihat hubungan kedua data yang digunakan.

8
2. Identifikasi Model VAR(𝑝)
Melakukan identifikasi model VAR(𝑝) dengan menentukan orde 𝑝 menggunakan skema
Matrix Partial Autocorrelation Function (MPACF).
3. Pendugaan Parameter Model VAR(𝑝)
Melakukan pendugaan parameter pada model VAR(𝑝). Menurut Lütkepohl (2005), dengan
mengasumsikan 𝒆𝑡 berdistribusi normal, pendugaan model VAR(𝑝) dapat menggunakan
metode Maximum Likelihood Estimation (MLE).
4. Diagnosis Sisaan Model VAR(𝑝)
Melakukan diagnosis sisaan model VAR(𝑝) dengan menguji asumsi sisaan white noise
menggunakan uji portmanteau dan menguji asumsi sisaan berdistribusi normal multivariat
menggunakan uji koefisien korelasi Q-Q Plot.
5. Uji Efek MGARCH
Memeriksa sisaan model VAR(𝑝) untuk mengetahui ada tidaknya efek MGARCH
menggunakan uji Lagrange Multiplier (LM).
6. Pendugaan Parameter dBEKK-GARCH
Melakukan pendugaan parameter pada model dBEKK-GARCH. Memaksimumkan fungsi
likelihood dengan menggunakan metode numerik, tetapi pendugaan yang dihasilkan
merupakan hasil pendugaan Quasi Maksimum Likelihood.
7. Penentuan Decay Factor
Menentukan Decay factor optimal melalui perhitungan Root Mean Squared Error (RMSE)
minimum.
8. Pendugaan Parameter Model MEWMA
Melakukan pendugaan parameter pada model MEWMA. Pendugaan yang digunakan sama
dengan pendugaan dBEKK-GARCH yaitu menggunakan Quasi Maximum Likelihood
Estimation (QMLE).
9. Peramalan
Melakukan peramalan untuk memprediksi suatu nilai beberapa periode ke depan berdasarkan
model yang telah disusun. Peramalan volatilitas IHSG dan nilai tukar Dollar Amerika terhadap
Rupiah pada penelitian ini dilakukan selama 3 bulan ke depan dengan periode harian Senin
sampai Jum’at.
10. Value at Risk (VaR)
Mencari VaR dari model dBEKK-GARCH dan model MEWMA untuk memperkirakan jumlah
risiko terburuk dari hasil peramalan volatilitas.

9
 DAFTAR PUSTAKA
Agresti. 2002. Categorical Data Analysis. Second Edition. United States of America: John Wiley
& Sons, Inc.
Box, G.E.P., Jenkins, G.M., dan Reinsel, G.C. 1994. Time Series Analysis: Forecasting and
Control. Third Edition. United States of America: Prentice-Hall Inc.
Cryer, J.D. dan Chan, K. 2008. Time Series Analysis With Aplications In R. Second Edition. New
York: Springer Science and Business Media.
Danielsson. Jon. 2011. Financial Risk Forecassting. Great Britain: CPI Antony Rowe,
Chippenham, Wiltshire.
Jayanti, Dwi. 2021. “Kajian Volatilitas dan Korelasi Dinamis Harga Minyak Nabati dan Minyak
Dunia dengan Model M-GAS dan DCC-GARCH”. Tesis. Sekolah Pascasarjana, Statistika
Terapan, Institut Pertanian Bogor, Bogor.
Johnson. R. A dan Wichern D. W. 2007. Applied Multivariat Statistical Analysis. Sixth Edition.
United States of America: Prentice Hall.
Lütkepohl, Helmut. 2005. New Introduction Multiple Time Series Anlysis. Germany: Springer-
Verlag Berlin Heidelberg.
Makridakis, S., Wheelwright, S.C. dan McGee. V.E. 1999. Metode dan Aplikasi Peramalan. Edisi
Kedua. Terjemahan Ir. Hari Suminto. Jakarta: Binarupa Aksara.
Morgan, J. P. 1996. RiskMetricTM –Technical Document. Fourth Edition. New York: Morgan
Guaranty Trust Company.
Renggani, Puspa dkk. 2020. “Comparison Of Symmetric And Asymmetric Garch Models In The
Futures Contract Of Robusta Coffee In Jakarta Futures Exchange”. International Journal of
Scientific and Research Publications. Volume 10. Issue 11. ISSN 2250-3153.
Rosyida, Diana. 2016. “Pemodelan Deret Waktu Multivariat VARIMA-BEKK GARCH pada Data
Nilai Tukar Dollar Amerika terhadap Rupiah dan IHSG”. Skripsi. FMIPA, Program Studi
Statistika, Jurusan Matematika, Universitas Brawijaya, Malang.
Tsay, R.S. 2002. Multivariate Time Series Analysis. United States of America: John Wiley & Sons,
Inc.
Wei, W.W.S. 2006. Time Series Anlysis: Univariate and Multivariate Methods. Second Edition.
United States of America: Pearson Education Inc.
Wororomi, J.K. 2016. “Pengembangan Diagram Kontrol MEWMA Berbasis Model untuk
Pengamatan Tak Random”. Disertasi. Program Doktor, Jurusan Statistika, Institut Teknologi
Sepuluh Nopember, Surabaya.

10