M.prima Teguh Aliffrianto - 6002221016 - Paper Analisis Resiko 2023
M.prima Teguh Aliffrianto - 6002221016 - Paper Analisis Resiko 2023
Abstrak—Harga minyak memiliki peran penting dalam ekonomi dunia, rencana pemerintah, dan sektor bisnis. Hal ini dipengaruhi
oleh volatilitas minyak mentah dunia, dimana volatilitas merupakan suatu ukuran ketidakpastian harga pengembalian aset pada
saat berinvestasi. Sehingga, penelitian tersebut adalah menganalisis volatilitas minyak dunia dengan menggunakan GARCH-
Kalman Filter. GARCH merupakan metode peramalan data time series dengan cara melakukan analisis heterokedastisitas,
sedangkan kalman filter merupakan metode estimasi optimum dengan menggunakan model konstruksi yang dapat didiskritisasikan,
sehingga dapat diterapkan pada estimasi parameter dengan model GARCH untuk mendapatkan akurasi peramalan volatilitas
harga minyak. Tujuannya adalah untuk menganalisis tidak hanya volatilitas harga pasar minyak mentah dunia tetapi juga penilaian
risiko minyak mentah dengan menggunakan Value at Risk. Value at Risk adalah besarnya penghitungan kerugian yang diterima
oleh investor, sehingga penghitungan Value at Risk berkontribusi dan membantu investor meminimumkan kerugian investasi.
I. PENDAHULUAN
I ndonesia termasuk negara yang terkenal akan sumber daya alam yang berlimpah. Kekayaan sumber daya alam di Indonesia
harus dikelola dengan baik (Summa, 2019). Hal ini mengingat Indonesia menjadi negara yang termasuk ke dalam kategori
net oil importer atau impor bersih minyak, dimana pada Tahun 2022 produksi minyak Indonesia tembus 616 ribu barel per
hari. Minyak mentah memiliki peran yang penting dalam perekonomian suatu negara (Herawati & Djunaidy, 2014). Harga
minyak mentah memiliki pengaruh simultan terhadap indeks saham pertambangan untuk negara di Asia Tenggara seperti
Indonesia, Malaysia, Brunei, dan Singapura (Ahmad, 2021). Harga minyak yang tinggi dapat menyebabkan inflasi pada suatu
negara dan membuat laju perekonomian pada suatu negara akan mengalami penurunan Hal ini menunjukkan bahwa stabilitas
pasokan dan harga minyak mentah dunia sangat diperlukan di berbagai negara sehingga mendorong pertumbuhan ekonomi
yang lebih baik (Fauzannisa, Yasin, dan Ispriyanti, 2016).
Terdapat beberapa bursa saham di Amerika Serikat yang turut aktif memperdagangkan kontrak berjangka (futures contracts)
yaitu berupa komoditi sumber daya alam yang tidak dapat diperbaharui. Salah satunya adalah bursa saham jenis New York
Mercantile Exchange (NYMEX). NYMEX merupakan saham dengan komoditi sumber daya alam terbesar di dunia yang
mencakup minyak mentah, bensin, biogas, dan propana. Hal ini akan mempengaruhi tinggi rendahnya volatilitas pada return
harga minyak mentah dunia (Istamar, Sarfiah, dan Rusmijati, 2022).
Dalam ilmu matematika dan statistika, terdapat banyak model time series yang sering digunakan di bidang keuangan.
Namun hal tersebut mengakibatkan varians tidak konstan. Hal ini terjadi karena ada hubungannya dengan risiko yang harus
ditanggung oleh investor. Menurut Enders, data time series dengan varians tidak konstan dinamakan data time series dengan
heteroskedastisitas bersyarat (conditional heteroskedastisitic) (Enders, 1995). Salah satu cara untuk mengatasi permasalahan
tersebut adalah dengan menggunakan model Autoregressive Conditional Heteroskedasticity (ARCH) yang pertama kali
diperkenalkan oleh Engle pada tahun 1982. Model ARCH mampu menggambarkan karakteristik alam keuangan yaitu tingkat
pengembalian risiko. Tetapi, model ARCH kurang efisien digunakan sebagai model time series karena pada saat mengestimasi
data seringkali diperlukan pendugaan parameter yang cukup banyak sehingga (Boolerslev, 1986) mengembangkan model
Generalized Autoregressive Conditional Heteroskedasticity (GARCH). Pada saat melakukan analisis time series dengan unsur
heteroskedastisitas bersyarat, maka tidak perlu menggunakan metode kuadrat terkecil karena akan memberikan informasi yang
salah dan pengujian hipotesis menjadi tidak sah.
Model ARCH/GARCH dapat memodelkan permasalahan keragaman heteroskedastisitas sehingga memberikan hasil
prediksi keragaman galatnya yang dapat diketahui. Bedanya kekurangan pada metode least square yang dapat terkoreksi, tetapi
juga prediksi galatnya itu juga dihitung. Prediksi ini biasanya lebih menarik terutama dalam aplikasi di keuangan (R. Engle,
2001). Oleh karena itu, pada penelitian ini dilakukan prediksi volatilitas dengan menggunakan model GARCH. Kemudian
model GARCH didiskritisasi dengan menggunakan modal Kalman Filter untuk mendapatkan hasil ramalan yang lebih baik
sehingga dapat diaplikasikan pada nilai volatilitas harga minyak mentah dunia. Volatilitas memegang peran yang penting
dalam pasar keuangan. Hal ini berkaitan dengan ketidakpastian pasar yang berpengaruh pada investasi ketidakpastian yang
direpresentasikan adalah dengan adanya risiko perubahan nilai deviasi di masa mendatang yang diharapkan dari aktiva salah
satu aspek penting dalam analisis risiko adalah perhitungan value at risk. Value at risk merupakan metode yang digunakan
untuk mengukur risiko. Value at risk adalah estimasi kerugian maksimum yang dialami dalam rentang waktu periode tertentu
dengan tingkat kepercayaan tertentu. Value at risk memiliki hubungan erat dengan gas yang sering digunakan jika terjadi
heteroskedastisitas dari data tingkat pengambilan dan menduga nilai volatilitas yang akan datang. Hal tersebut merupakan
kelebihan metode GARCH dibandingkan penduga varian biasa (Tsay, 2005). Salah satu cara untuk mengestimasi nilai value
2
at risk adalah menggunakan simulasi Monte Carlo. Oleh karena itu, penelitian ini bertujuan untuk menganalisis value at risk
pada harga minyak mentah dunia menggunakan model GARCH-Kalman Filter.
D. Kalman Filter
Kalman filter merupakan metode estimasi yang bersifat asimilasi. Asimilasi merupakan cara memperbaiki estimasi dengan
penggabungkan antara model state space dengan data pengamatan (observasi). Keuntungan dari pemanfaatan Kalman filter
ini adalah memperbaiki nilai estimasi ketika data pengamatan minim berdasarkan deret waktu. Hingga saat ini telah banyak
penelitian yang memanfaatkan Kalman filter sebagai metode peramalannya. Studi kasus terbanyak pada bidang teknik,
fenomena alam yang memiliki model matematika. Keunggulan dari metode tersebut adalah kemampuannya dalam
mengestimasi suatu keadaan berdasarkan data yang minim. Data minimum yang dimaksud adalah data model dan pengukuran.
Data pengukuran terbaru menjadi bagian penting dari algoritma Kalman Filter karena data mutakhir akan berguna untuk
mengkoreksi hasil prediksi, sehingga hasil estimasinya selalu mendekati kondisi yang sebenarnya. Algoritma Kalman Filter
adalah sebagai berikut (Harvey, 1990):
dimana
𝑥𝑘 : Variabel keadaan sistem pada waktu kyang estimasi nilainya adalah 𝑥̂0 dan kovarians awal 𝑃𝑥0
𝑢𝑘 : Variabel input deterministik pada waktu
𝑤𝑘 : Noise pada model sistem
𝑧𝑘 : Variabel pengukuran
𝐻 : Matriks pengukuran
𝑣𝑘 : Noise pada model pengukuran
𝐴𝑘 , 𝐵𝑘 , 𝐺𝑘 : Matriks-matriks konstan didalam ukuran yang berkesesuaian dengan 𝐴 = 𝑛 × 𝑛, 𝐵 = 𝑚 × 𝑚, dan 𝐻 = 𝑝 × 1
E. Penerapan Kalman Filter dalam Estimasi Parameter Model GARCH
Setelah diperoleh model GARCH maka dilakukan estimasi parameter dengan menggunakan Kalman Filter. Seperti pada
model GARCH(𝑝, 0):
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀12 + 𝛼2 𝜀22 + ⋯ + 𝛼𝑝 𝜀𝑡−𝑝
2
5
dengan koefisien 𝛼0 , 𝛼1 , 𝛼2 , ⋯ , 𝛼𝑝 adalah parameter yang diestimasi menggunakan Kalman Filter. Diasumsikan sebagai state
vektor yang dibentuk dari koefisien 𝛼0 , 𝛼1 , 𝛼2 , ⋯ , 𝛼𝑝 yaitu [𝛼0 𝛼1 𝛼2 𝛼3 ]𝑇 . Berikut ini persamaan model sistem dan
pengukuran pada metode Kalman Filter.
𝑥𝑡+1 = 𝐴𝑥𝑡 + 𝑤𝑡
𝑧𝑡 = 𝐻𝑥𝑡 + 𝑣𝑡
F. Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) adakah ukuran kesalahan yang dihitung dengan mencari nilai tengah dari
presentasi absolut perbandingan kesalahan atau dengan data aktualnya. Rumus yang digunakan pada perhitungan MAPE
adalah:
𝐴 − 𝐹𝑖
∑𝑛𝑡=1 | 𝑖 |
𝐴𝑖
MAPE = × 100% (8)
𝑛
dimana 𝐴𝑖 adalah data aktual, 𝐹𝑖 adalah data peramalan, dan 𝑛 adalah banyaknya data. Untuk mengetahui seberapa efektivitas
dari MAPE dapat dilihat pada tabel berikut:
Tabel 4. Tingkat akurasi peramalan MAPE
Persentase MAPE Tingkat Akurasi
MAPE ≤ 10% Akurasi Peramalan Tinggi
10% < MAPE ≤ 20% Akurasi Peramalan Baik
20% < MAPE ≤ 50% Akurasi Peramalan Biasa
MAPE > 50% Peramalan Tidak Akurat
G. Value at Risk
Value at Risk (VaR) adalah suatu metode analisis risiko secara statistik yang memperkirakan kerugian maksimum yang
mungkin terjadi atas suatu portofolio pada tingkat kepercayaan tertentu. Nilai VaR selalu disertai dengan probabilitas yang
menunjukkan seberapa mungkin kerugian yang terjadi akan lebih kecil dari nilai VaR tersebut. VaR berkaitan dengan model
GARCH karena sering digunakan jika terjadi ketidakhomogenan varians dari data tingkat pengembalian dan menduga nilai
volatilitas yang akan datang. Hal tersebut merupakan kelebihan metode GARCH dibanding penduga varians biasa.
Ada tiga metode utama untuk menghitung VaR, yaitu metode parametrik atau disebut juga metode Varians-Kovarians,
metode Historis, dan metode simulasi Monte Carlo. Ketiga metode memiliki karakteristik dan kelebihan serta kekurangan
masing-masing. Perhitungan VaR dilakukan dengan menggunakan metode simulasi Monte Carlo, karena memiliki kelebihan
simulasi dibandingkan dengan metode yang lain. Kelebihan metode simulasi Monte Carlo yaitu memberikan hasil akurasi
perhitungan tinggi untuk semua jenis instrumen. Metode simulasi Monte Carlo dapat digunakan pada semua jenis asumsi
distribusi dan metode ini lebih realistis sehingga mampu memperkirakan nilai VaR secara lebih akurat.
2 2 2
𝜒(𝛼,𝑘−𝑝−𝑞) = 𝜒(0,05;51−2−1) = 𝜒(0,05;48) = 65,171
• Kriteria Pengujian
2
Dengan menggunakan 𝛼 = 0,05, diperoleh bahwa 𝐿𝐵 < 𝜒(𝛼,𝑘−𝑝−𝑞) . Sehingga 𝐻0 ditolak yang artinya terdapat unsur
heteroskedastitas.
Dapat disimpulkan bahwa model ARIMA(2,2,1) terdapat unsur heteroskedastisitas. Sehingga model ARIMA(2,2,1)
merupakan model terbaik peramalan ARIMA dan dapat digunakan untuk memodelkan time series GARCH.
E. Pemodelan Generalized Autoregressive Conditional Heteroskedasticity (GARCH)
Model ARIMA masih terdapat unsur heteroskedastisitas. Sehingga diperlukan model GARCH untuk menyelesaikan
masalah pada harga minyak mentah dunia. Untuk menyelesaikan model GARCH, diperlukan plot ACF dan PACF untuk
mendapatkan model GARCH(𝑝, 𝑞) yang digunakan untuk meramalkan harga minyak mentah dunia. Berikut ini merupakan plot
ACF dan PACF residual kuadrat yang dilakukan dengan menggunakan software R yang disajikan pada Gambar 4 dan 5.
Gambar 8. Perbandingan Volatilitas Data Aktual Out Sample, GARCH(0,4), dan GARCH-KF
Dari Gambar 6, Gambar 7, dan Gambar 8 diperoleh hasil prediksi volatilitas harga minyak mentah dunia menggunakan
model GARCH-KF dalam bentuk Tabel 12:
Tabel 12. Hasil MAPE Model GARCH dan GARCH-KF
MAPE GARCH (%) GARCH-KF (%)
Data In Sample 14,0677 0,0587
Data Out Sample 4,2004 0,0342
G. Analisis Value at Risk
Setelah mendapat model GARCH(1,0) dan GARCH-KF(1,0), selanjutnya dilakukan perhitungan VaR. VaR merupakan
besar kerugian maksimum yang diterima para investor, sehingga bisa dijadikan pertimbangan dalam pengambilan keputusan
dalam berinvestasi. Keputusan yang diambil diharapkan dapat membantu investor sehingga terhindar dari kerugian.
Perhitungan estimasi VaR pada penelitian ini menggunakan simulasi Monte Carlo dengan bantuan software MATLAB.
Ambil asumsi dana yang dialokasikan untuk investasi sebesar Rp 150.000.000 Berdasarkan persamaan (10), dilakukan
2
penghitungan 𝑅67 dan 𝜎67 pada model GARCH, sehingga nilai risiko yang didapatkan adalah sebagai berikut.
𝑉𝑎𝑅1−𝛼 (67) = 𝑊0 (𝑅67 + 1,96𝜎67 )
= 15000000(0,0310 + 1,96(0,4639))
= 14262420
Diperoleh estimasi risiko pada periode ke-67 dengan tingkat kepercayaan 95%, jumlah kerugian maksimum yang didapatkan
dari hasil investasi yang dilakukan adalah sebesar Rp 14.262.420. Artinya, terdapat 5% peluang terjadinya kerugian yang
melebihi Rp 14.642.420 pada periode ke-67
Selain menggunakan GARCH, penghitungan VaR dilakukan dengan menggunakan GARCH-KF. Dengan menggunakan
asumsi dana sebesar Rp 150.000.000, diperoleh nilai risiko sebagai berikut:
𝑉𝑎𝑅1−𝛼 (67) = 𝑊0 (𝑅67 + 1,96𝜎67 )
= 15000000(0,0310 + 1,96(0,4008))
= 12248520
12
Diperoleh estimasi risiko pada periode ke-67 dengan tingkat kepercayaan 95%, jumlah kerugian maksimum yang didapatkan
dari hasil investasi yang dilakukan adalah sebesar Rp 12.248.520. Artinya, terdapat 5% peluang terjadinya kerugian yang
melebihi Rp 12.248.520 pada periode ke-67.
Setelah mendapatkan satu contoh penghitungan analisis risiko menggunakan GARCH dan GARCH-KF, maka dilakukan
analisis VaR pada beberapa investor. Asumsikan beberapa dana investasi awal yaitu sebesar USD 6000, USD 7000, USD
8000, USD 9000, dan USD 100000. Sehingga dapat dihitung VaR untuk model GARCH dan GARCH-KF sebagai berikut:
Tabel 13. Estimasi Risiko Menggunakan Model GARCH dan GARCH-KF pada Harga Minyak Mentah Dunia
Dana Investasi GARCH (%) GARCH-KF (%)
Awal (USD) VaR (USD) VaR (%) VaR (USD) VaR (%)
6000 8,1966 1,366 2,420 0,403
7000 9,5626 1,366 2,823 0,403
8000 10,9287 1,366 3,226 0,403
9000 12,2948 1,366 3,630 0,403
10000 13,6609 1,366 4,033 0,403
Berdasarkan Tabel 13, terlihat bahwa penghitungan analisis risiko menggunakan model GARCH diperoleh nilai rata-rata
VaR sebesar 1,366%. Artinya investor memiliki keyakinan sebesar 95% bahwa kerugian tidak akan melebihi 1,366% terhadap
dana yang telah diinvestasikan dalam beberapa minggu ke depan. Sementara itu, hasil penghitungan analisis risiko
menggunakan model GARCH-KF menunjukkan nilai rata-rata VaR sebesar 0,403%. Artinya investor memiliki keyakinan
sebesar 95% bahwa kerugian tidak akan melebihi 1,366% terhadap dana yang telah diinvestasikan dalam beberapa minggu ke
depan.
V. KESIMPULAN
Berdasarkan penelitian yang dilakukan, dapat disimpulkan bahwa:
1. Model GARCH untuk peramalan harga minyak mentah dunia adalah GARCH(0,4) dengan persamaan sebagai berikut:
𝜎𝑡2 = 0,4408 + 0,0331𝜎12 + 0,03𝜎22 + 0,0271𝜎32 + 0,031𝜎42
Sedangkan Model KF-GARCH untuk peramalan harga minyak mentah dunia adalah
𝜎𝑡2 = 0,4408 + 0,0022572𝜎12 + 0,03𝜎22 + 0,0271𝜎32 + 0,031𝜎42
2. Dengan menggunakan 52 data in sample dan 15 data out sample, diperoleh akurasi peramalan MAPE GARCH untuk data
in sample sebesar 14,0677% dan data out sample sebesar 4,2004%. Sedangkan akurasi peramalan MAPE GARCH-KF
untuk data in sample sebesar 0,0587% dan data out sample sebesar 0,0342%. Sehingga, MAPE model GARCH-KF lebih
kecil daripada GARCH baik data in sample maupun out sample.
3. Estimasi risiko VaR harga minyak mentah dunia menggunakan model GARCH dengan 𝛼 = 5% sebesar 1,366%.
Sedangkan estimasi risiko VaR menggunakan KF-GARCH dengan 𝛼 = 5% sebesar 0,403%. Hasil penghitungan VaR
menggunakan GARCH dan GARCH-KF menunjukkan bahwa investor perlu menyediakan cadangan dana potensial untuk
mengantisipasi segala risiko yang mungkin terjadi.
DAFTAR PUSTAKA
Aamir, M., & Shabri, A. (2016). Modelling and forecasting monthly crude oil price of pakistan: A comparative study of arima,
garch and arima kalman model. In Aip conference proceedings (Vol. 1750, p. 060015).
Ahmad, F. (2021). Analisis pengaruh makroekonomi, komoditas dunia, dan indeks dunia terhadap indeks harga saham
gabungan (ihsg) pada periode 2014-2019. Jurnal Ilmu Manajemen, 9 (1).
Aras, S. (2021). Stacking hybrid garch models for forecasting bitcoin volatility. Expert Systems with Applications, 174,
114747.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31 (3).
Cryer, J. D., & Chan, K.-S. (2008). Time series regression models. Time series analysis : with applications in R.
Damodaran, A. (2002). Investment valuation: Tools and techniques determining the value of any asset 2nd edition, new york:
John wiley sons. Inc.
Enders, W. (1995). Deret waktu ekonometrika terapan, john wiley&sons.
Engle, R. (2001). Garch 101: Penggunaan model arch/garch dalam ekonometrika terapan. Jurnal perspektif ekonomi, 15 (4).
Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of united kingdom inflation.
Econometrica: Journal of the econometric society.
Fauzannissa, R. A., Yasin, H., & Ispriyanti, D. (2016). Peramalan harga minyak mentah dunia menggunakan metode radial
basis function neural network. Jurnal Gaussian, 5 (1).
Gumanti, T. A. (2011). Manajemen investasi: konsep, teori, dan aplikasi. Jakarta: Mitra Wacana Media, 1.
Hadinata, S. (2018). Tingkat pengembalian (return), risiko, dan koefisien variasi pada saham syariah dan saham non syariah.
AKTSAR: Jurnal Akuntansi Syariah, 1 (2).
Harvey, A. C. (1990). Peramalan, model deret waktu struktural, dan filter kalman.
Herawati, S., & Djunaidy, A. (2014). Peramalan harga minyak mentah menggunakan gabungan metode ensemble empirical
mode decomposition (eemd) dan jaringan syaraf tiruan. Jurnal Simantec, 4 (1).
13
Istamar, I., Sarfiah, S. N., & Rusmijati, R. (2022). Analisis pengaruh harga minyak dunia, harga emas, dan nilai kurs rupiah
terhadap indeks harga saham gabungan di bursa efek indonesia tahun 1998-2018. Dinamic, 1 (4).
Khohir, R. (2020). Analisis volatilitas cryptocurrency untuk estimasi value at risk menggunakan model garch (Unpublished
doctoral dissertation). Universitas Sumatera Utara.
Noval, N. (2022). Mediasi nilai tukar (idr/usd) dalam pengaruh harga minyak mentah dan emas dunia terhadap pasar saham
syariah di indonesia. Jurnal Ilmu Ekonomi dan Bisnis Islam, 4 (1).
Rahim, S., & Ahmad, N. (2016). Measuring volatility of dow jones sukuk total return index using garch model. Journal of
Business Innovation, 1 (1).
Riadi, M. (2017). Pengertian, fungsi dan jenis-jenis peramalan (forecasting). KajianPustaka. com, 15.
Summa, S. (2019). Pengelolaan sumber daya alam.
Tandelilin, E. (2010). Portofolio dan investasi: Teori dan aplikasi. Kanisius.
Tsay, R. S. (2005). Analysis of financial time series. John wiley & sons.
Wei, W. W. (2018). Multivariate time series analysis and applications. John Wiley & Son
14