1

Penerapan Kalman Filter dalam Menganalisis

Volatilitas dan Value at Risk Harga Minyak
Mentah Dunia Menggunakan Model GARCH
M.Prima Teguh Aliffrianto
Departemen Matematika, Institut Teknologi Sepuluh Nopember (ITS)
E-mail: primateguh17@gmail.com

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.

Kata Kunci—Minyak, Volatilitas, Value at Risk, GARCH, Kalman Filter.

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.

II. TINJAUAN PUSTAKA

A. Literature Review
Metode GARCH pertama kali diperkenalkan oleh diperkenalkan oleh Boolerslev pada tahun 1986. Model GARCH
merupakan gabungan dari model ARCH yang dapat digeneratekan dan dapat memodelkan permasalahan keragaman
heteroskedastisitas (Bollerslev, 1986). Proses ini menggunakan metode ARIMA sebagai langkah dasar untuk mengetahui hasil
ramalan yang tepat. Seperti penelitian yang dilakukan oleh Serkan Aras dengan menggunakan GARCH untuk volatilitas
bitcoin. dimana penelitian tersebut menggunakan analisis volatilitas pada harga bitcoin dengan menggunakan model GARCH
berbasis hybrid. Didapatkan hasil bahwa model GARCH(1,1) merupakan model peramalan terbaik GARCH (Aras, 2021).
Penelitian yang dilakukan oleh Aamir dan Shabri pada tahun 2016 adalah membandingkan metode ARIMA, ARIMA-
GARCH, dan ARIMA-Kalman Filter. Melalui proses analisis time series, model peramalan untuk harga minyak mentah di
Pakistan adalah ARIMA(3,1,1) dan GARCH(1,1). Kemudian, proses tersebut dilakukan dengan menggunakan model
diskritisasi Kalman Filter. Hasil yang didapatkan adalah model model ARIMA-Kalman Filter memiliki nilai MAE lebih kecil
daripada model ARIMA dan ARIMA-GARCH (Aamir & Shabri, 2016).
Selanjutnya penelitian yang dilakukan oleh (Khohir, 2020) dengan menggunakan model ARCH-GARCH dalam
menganalisis Value at Risk dengan menggunakan data volatilitas cryptocurrency Bitcoin, Ethereum, Dan BNB. Penelitian
tersebut dilakukan dengan menghitung return dari data volatilitas, identifikasi model ARIMA, estimasi parameter, uji residual,
mendapatkan model peramalan ARIMA, uji heteroskedastisitas, menentukan model ARCH/GARCH, dan perkiraan nilai risiko
menggunakan Value at Risk. Hasil penelitian tersebut menunjukkan nilai Value at Risk (VaR) dengan pendekatan Cornish-
Fisher Expansion yang memiliki nilai VaR terkecil adalah Bitcoin.
Selain tiga penelitian sebelumnya, berikut ini merupakan tabel literatur review yang digunakan pada penelitian-penelitian
sebelumnya yang disajikan dalam bentuk Tabel 1.
 3

Tabel 1. Litrarure Review Penelitian

 4

B. Risiko dan Volatilitas

Dalam berinvestasi, risiko merupakan suatu kemungkinan dalam investasi dimana suatu pihak akan menerima imbal hasil
(return) atau keuntungan yang berbeda dari imbal hasil yang diharapkan (Damodaran, 2002). Risiko berhubungan dengan
penyimpangan atau deviasi dari outcome yang diterima dengan cara diekspektasi lebih lanjut (Hadinata, 2018). Risiko dalam
investasi kemungkinan realisasi return maksimum lebih rendah dari return minimum yang diharapkan (Tandelilin, 2010).
Seorang investor melakukan investasi dengan harapan memperoleh keuntungan dari investasi tersebut, berupa keuntungan
modal (capital gain). Capital gain adalah selisih positif yang diperoleh dari hasil penjualan aset atas biaya awalnya. Kebalikan
dari capital gain adalah capital loss, yaitu kerugian yang ditanggung oleh investor karena hasil penjualan suatu aset lebih
rendah dari biaya awalnya (Gumanti, 2011).
Di pasar modal, volatilitas merupakan fluktuasi harga aset keuangan atau pasar dalam waktu singkat. Ini menggambarkan
besarnya kecepatan perubahan harga aset yang menyebabkan ketidakpastian pada pengembalian harga aset. Volatilitas juga
didefinisikan sebagai ukuran ketidakpastian tentang pengembalian. Dalam beberapa periode, pengembalian harian
menunjukkan volatilitas tinggi sementara. Sedangkan pada periode lain, pengembalian menunjukkan volatilitas rendah (Rahim
& Ahmad, 2016).
C. GARCH (Generalized Autoregressive Conditional Heteroskedasticity)
Model Generalized Autoregressive Conditional Heteroscedasticity (GARCH) dikembangkan pada tahun 1986 oleh
Bollerslev. Model ini dibentuk dengan menggunakan model ARCH yang digerenerate. Tujuannya adalah untuk mencegah
digunakannya ARCH dengan orde tinggi, sehingga lebih mudah dilakukan identifikasi model dan estimasi parameter
(Bollerslev, 1986). Berikut ini merupakan model GARCH(p,q):
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀12 + ⋯ + 𝛼𝑝 𝜀𝑡−𝑝
2 2
+ 𝛽1 𝜎𝑡−1 + ⋯ + 𝛽𝑞 𝜎𝑡−𝑞 (6)
Adapun sebagai penghitungan contoh estimasi parameter pada model GARCH(1,0), yaitu:
𝑛
−
𝑛 1
𝐿(𝜇, 𝜎 = (2𝜋𝜎 ) 2 exp − 2 ∑(𝑅𝑡 − 𝜇)2
2) 2 (7)
2𝜎
𝑡=1

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):

Tabel 3. Algoritma Kalman Filter

• Model Sistem : 𝑥𝑘−1 = 𝐴𝑥𝑘 + 𝐵𝑢𝑘 + 𝐺𝑤𝑘
Model Sistem
• Model Pengukuran : 𝑧𝑘 = 𝐻𝑥𝑘 + 𝑣𝑘
dan Pengukuran
• Asumsi : 𝑥0 ~𝑁(𝑥̅0 , 𝑃𝑥0 ); 𝑤𝑘 ~𝑁(0, 𝑄𝑘 ); 𝑣𝑘 ~𝑁(0, 𝑅𝑘 )
Inisialisasi 𝑥̂0 = 𝑥̅0 ; 𝑃0 = 𝑃𝑥0
Tahapan Prediksi • Estimasi : 𝑥̅̂𝑘+1 = 𝐴𝑘 𝑥̂𝑘 + 𝐵𝑘 𝑢𝑘
(Predict Step) • Kovariansi : 𝑃̅̂𝑘+1 = 𝐴𝑃𝑘 𝐴𝑇 + 𝐺𝑘 𝑄𝑘 𝐺𝑘𝑇
• Perolehan Kalman : 𝐾𝑘+1 = 𝑃̅𝑘+1 𝐻𝑘+1𝑇 (𝐻 ̅ 𝑇
𝑘+1 𝑃𝑘+1 𝐻𝑘+1 + 𝑅𝑘+1 )
−1

Tahap Koreksi • Estimasi : 𝑥̂𝑘+1 = 𝑥̂𝑘+1 + 𝐾𝑘+1 (𝑧𝑘+1 − 𝐻𝑘+1 𝑥̂𝑘+1 )

• Kovarians Error : 𝑃𝑘+1 = (𝐼 − 𝐾𝑘+1 𝐻𝑘+1 )𝑃̅̂𝑘+1

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.

III. METODE PENELITIAN

Penelitian ini dilakukan untuk menentukan value at risk dengan mengombinasikan metode GARCH-Kalman Filter.
Langkah-langkah analisis yang digunakan untuk mencapai tujuan penelitian yakni sebagai berikut:
1. Studi Literatur
Bahan-bahan referensi yang digunakan berupa buku, jurnal, tugas akhir, thesis dan juga media elektronik (internet) yang
sesuai dan berhubungan dengan permasalahan yang dibahas.
2. Pengumpulan data harga minyak mentah dunia yang diperoleh dari website https://finance.yahoo.com.
3. Mengkaji cara mendapatkan penaksir parameter model ARIMA(𝑝, 𝑑, 𝑞) menggunakan metode least square.
4. Uji residual yang meliputi uji white noise dan distribusi normal.
5. Melakukan peramalan model ARIMA(𝑝, 𝑑, 𝑞) pada data harga minyak mentah dunia.
6. Uji heteroskedastisitas pada model ARIMA(𝑝, 𝑑, 𝑞).
7. Analisis model GARCH(𝑝, 𝑞)
8. Kontruksi model Kalman Filter
9. Analisis value at risk pada harga minyak mentah dunia berdasarkan model GARCH-Kalman Filter
10. Penarikan kesimpulan dan saran.

IV. HASIL DAN PEMBAHASAN

A. Variabel dan Data Penelitian
Data yang digunakan untuk penelitian ini adalah data mingguan harga minyak mentah dunia dalam satuan USD yang dibagi
menjadi 2 jenis data, yaitu data in-sample (1 Januari 2022 hingga 26 Desember 2022) dan data out-sample (2 Januari 2023
hingga 10 April 2023).
Data in-sample digunakan untuk membentuk model, sedangkan data out-sample digunakan untuk mengecek akurasi model.
Adapun data harga minyak mentah dunia disajikan pada Gambar 1 sebagai berikut:
 6

Gambar 1. Plot Harga Minyak Mentah Dunia (Dalam USD)

Berdasarkan Gambar 1, terlihat bahwa plot harga minyak metah dunia menunjukkan harga yang fluktuatif. Adapun data
yang
B. Analisis Statistika Deskriptif
Statistika deskriptif merupakan pengolahan data yang menghasilkan ukuran statistik diantaranya adalah frekuensi,
pemusatan data, dan penyebaran data. Statistika deskriptif terdiri dari Mean, Median, Standar Deviasi, Minimum, Maximum,
Skewness, dan Kurtosis.
Mean merupakan ukuran pemusatan data. Standar deviasi merupakan nilai statistik yang dapat digunakan untuk memperoleh
data dari suatu populasi atau sampel dengan menggunakan nilai mean atau rata-rata dari data tersebut. Skewness menunjukkan
derajat kemiringan grafik data dan kurtosis menunjukkan tingkat kelancipan dari grafik distribusi normal. Berikut ini
merupakan hasil statistika desktiptif harga minyak mentah dunia yang disajikan dalam Tabel 5.
Tabel 4. Statistika Deskriptif Harga Minyak Mentah Dunia (Dalam USD)
Data 𝑛 Mean Median Standard Deviasi Minimum Maximum Skewness Kurtosis
Harga Minyak Mentah Dunia 52 94,67654 92,46 12,84589 71,02 120,67 0,2611791 -0,95743

C. Pemodelan Autoregressive Integrated Moving Average (ARIMA)

Model ARIMA adalah model yang secara penuh mengabaikan variabel independen dalam membuat peramalan. ARIMA
menggunakan nilai masa lalu dan sekarang dari variabel dependen. Dalam membangun model ARIMA dibutuhkan beberapa
tahapan terutama menganalisis harga minyak mentah dunia. Beberapa tahapan tersebut digunakan supaya data-data yang ada
memenuhi kriteria untuk dapat digunakan dalam model ARIMA. Tahapan tersebut adalah sebagai berikut:
1) Uji Stasioneritas
Pada pembentukan model, proses analisa kestasioneran data time series sangat penting dilakukan karena bisa meminimalisir
kekeliruan model. Analisa stasioneritas sendiri dibagi menjadi dua yaitu stasioner mean dan stasioner varian. Metode yang
digunakan untuk menganalisa kestasioneran yaitu dengan menggunakan Augmented Dickey Fuller Test atau ADF Test. Kriteria
dalam ADF Test dilakukan menggunakan hipotesis sebagai berikut:
𝐻0 : Data time series tidak stasioner
𝐻1 : Data time series stasioner
Dari hasil uji ADF tersebut diperoleh bahwa nilai p-value pada ADF Test adalah 0,608. Berdasarkan hasil tersebut dapat
diartikan bahwa 𝐻0 gagal menolak sehingga data harga minyak mentah dunia tidak stasioner dalam mean. Sehingga dilakukan
differencing untuk memastikan data tersebut stasioner. Meskipun demikian, hasil differencing pertama masih belum stasioner
terhadap mean karena p-value pada ADF Test nya adalah 0,109. Sehingga dilakukan differencing kedua.
Dapat dilihat bahwa p-value pada ADF Test adalah 0,01. Berdasarkan hasil tersebut dapat disimpulkan bahwa 𝐻0 ditolak
sehingga data harga minyak mentah dunia stasioner dalam mean.
Uji stasioner data dalam varian dapat dilihat melalui Plot Box-Cox data. Diperoleh bahwa data harga minyak mentah dunia
memiliki rounded value 0,5 yang menunjukkan data harga minyak mentah dunia tidak stasioner dalam varian. Sehingga dapat
dilakukan transformasi box-cox untuk uji kestasioneran varian. Setelah dilakukan transformasi pertama diperoleh rounded
value nya adalah 0,69 yang menunjukkan bahwa data tersebut belum stasioner terhadap varian, sehingga dilakukan
transformasi box-cox kedua. Hasilnya diperoleh rounded value sebesar 1. Hal tersebut menunjukkan bahwa data harga minyak
mentah dunia stasioner dalam varian.
2) ACF dan PACF
Data yang telah diuji kestasionerannya baik varian maupun mean selanjutnya dilakukan proses identifikasi orde AR dan
MA pada grafik ACF dan PACF.

Gambar 2. Plot ACF Harga Minyak Mentah Dunia

 7

Gambar 3. Plot PACF Harga Minyak Mentah Dunia

Terlihat pada Gambar 8, plot ACF keluar pada lag ke-29, lag ke-81, dan lag ke-132. Sedangkan untuk plot PACF pada
Gambar 9 keluar pada lag ke-20. Sehingga didapatkan dugaan model ARIMA sementara untuk data harga minyak mentah
dunia adalah ARIMA(0,2,1), ARIMA(0,2,3), ARIMA(1,2,0), ARIMA(1,2,1), ARIMA(1,2,3), ARIMA(2,2,0), ARIMA(2,2,1),
ARIMA(2,2,3), ARIMA(7,2,0), ARIMA(7,2,1), dan ARIMA(7,2,3).
3) Estimasi dan Uji Parameter
Setelah diperoleh dugaan model ARIMA sementara, maka akan dilakukan estimasi dan uji signifikansi parameter pada
model sementara pada ARIMA(0,2,1), ARIMA(0,2,3), ARIMA(1,2,0), ARIMA(1,2,1), ARIMA(1,2,3), ARIMA(2,2,0),
ARIMA(2,2,1), ARIMA(2,2,3), ARIMA(7,2,0), ARIMA(7,2,1), dan ARIMA(7,2,3). Untuk estimasi parameter model
sementara akan dilakukan dengan menggunakan metode least square dengan bantuan software R.
Kemudian dilakukan uji signifikansi parameter pada model ARIMA yang telah diestimasi. Berikut merupakan uji
signifikansi terhadap masing-masing parameter dengan mengambil satu sampel model ARIMA yaitu ARIMA(7,2,0):
• Hipotesis
𝐻0 : 𝜙 = 0 (Parameter model 𝜙 tidak signifikan)
𝐻1 : 𝜙 ≠ 0 (Parameter model 𝜙 signifikan)
• Statistik Uji
𝜙7 −0,3546
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = = = −2,3849
SE(𝜙7 ) 0,1487
𝑡𝑡𝑎𝑏𝑒𝑙 = 𝑡 0,05 = 𝑡0,025;42 = 2,0181
( ;(50−7−1))
2
• Kriteria Pengujian
Karena |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑡𝑡𝑎𝑏𝑒𝑙 dengan 𝛼 = 5%, maka 𝐻0 ditolak dan 𝐻1 diterima yang artinya parameter 𝜙7 signifikan.
Disimpulkan bahwa model ARIMA(7,2,0) signifikan terhadap parameter. Sehingga dengan cara yang sama pada beberapa
model ARIMA yang lain, diperoleh hasil estimasi dan uji signifikansi parameter sebagai berikut:
Tabel 5. Estimasi dan Uji Signifikansi Parameter Model ARIMA
Model Parameter Nama Parameter Koefisien Standard Error 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 𝑡𝑡𝑎𝑏𝑒𝑙 Uji Signifikansi
ARIMA(0,2,1) 𝜃1 MA(1) -0,9744 0,0999 -9,7489 2,0096 ✓
ARIMA(0,2,3) 𝜃3 MA(3) 0,2276 0,1792 1,2697 2,0096 ×
ARIMA(1,2,0) 𝜙1 AR(1) -0,4869 0,1214 -4,0091 2,0106 ✓
𝜙1 AR(1) -0,1999 0,1432 -1,3963 2,0106 ×
ARIMA(1,2,1)
𝜃1 MA(1) -0,9421 0,0726 -12,9735 2,0106 ✓
𝜙1 AR(1) -0,4323 0,3011 -1,4360 2,0106 ×
ARIMA(1,2,3)
𝜃3 MA(3) 0,2919 0,1168 2,4997 2,0106 ✓
ARIMA(2,2,0) 𝜙2 AR(2) -0,6189 0,1048 -5,9043 2,0117 ✓
𝜙2 AR(2) -0,3346 0,1437 -2,3291 2,0117 ✓
ARIMA(2,2,1)
𝜃1 MA(1) -0,8600 0,1072 -8,0244 2,0117 ✓
𝜙2 AR(2) -0,9394 0,0833 -11,2757 2,0117 ✓
ARIMA(2,2,3)
𝜃3 MA(3) -0,8182 0,1494 -5,4755 2,0117 ✓
ARIMA(7,2,0) 𝜙7 AR(7) -0,3546 0,1487 -2,3849 2,0181 ✓
𝜙7 AR(7) -0,3961 0,1456 -2,7206 2,0181 ✓
ARIMA(7,2,1)
𝜃1 MA(1) 0,3874 0,4006 0,9669 2,0181 ×
𝜙7 AR(7) -0,3231 0,1603 -2,0162 2,0181 ×
ARIMA(7,2,3)
𝜃3 MA(3) -0,3411 0,4592 -0,7428 2,0181 ×
4) Uji Residual
Uji residual digunakan dengan menggunakan metode Least Square. Hal ini bertujuan untuk menunjukkan bahwa dengan
dapat menghasilkan estimator yang terbaik. Berikut ini merupakan uji asumsi white noise dan uji normalitas dengan mengambil
salah satu sampel model ARIMA yaitu ARIMA(7,2,0):
a. Uji white noise
2
Uji white noise dilakukan dengan Ljung Box. Syarat untuk pengujiannya adalah jika 𝑄 < 𝜒(𝛼,𝑘−𝑝−𝑞) , maka 𝐻0 diterima
2
yang artinya bahwa residual white noise. Sebailnya jika 𝑄 < 𝜒(𝛼,𝑘−𝑝−𝑞) , maka 𝐻0 ditolak dan 𝐻1 diterima yang artinya bahwa
residual tidak white noise. Berikut ini merupakan hasil penghitungan white noise dengan menggunakan uji Ljung Box pada
model ARIMA(7,2,0):
𝑘
𝜌̂𝑘2
𝑄 = 𝑛(𝑛 + 2) ∑ (9)
𝑛−𝑘
𝑘=1
 8

Ambil 𝑘 = 48, maka diperoleh:

48
𝜌̂𝑘2 (−0,006)2 (−0,082)2 (−0,077)2 (−0,004)2
𝑄 = 52(52 + 2) ∑ = 52(54) ( + + + ⋯+ ) = 38,965
52 − 𝑘 52 − 1 52 − 2 52 − 3 52 − 48
𝑘=1
Berdasarkan tabel distribusi chi-square diperoleh:
2 2 2
𝜒(𝛼,𝑘−𝑝−𝑞) = 𝜒(0,05;48−2−0) = 𝜒(0,05;46) = 62,829
2
Dengan tingkat kepercayaan 𝛼 = 5%, maka 𝑄 < 𝜒(𝛼,𝑘−𝑝−𝑞) . Artinya 𝐻0 diterima yang berarti bahwa model ARIMA(7,2,0)
residual terhadap white noise.
b. Uji Residual Berdistribusi Normal
Uji residual berdistribusi normal dilakukan dengan menggunakan kolmogorov-smirnov. Syarat untuk pengujiannya adalah
jika 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐷𝛼,𝑛 , maka 𝐻0 diterima yang artinya bahwa residua berdistribusi normal. Sebailnya jika 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐷𝛼,𝑛 , maka
𝐻0 ditolak dan 𝐻1 diterima yang artinya bahwa residual tidak berdistribusi normal. Berikut ini merupakan hasil penghitungan
kolmogorov-smirnov pada model ARIMA(7,2,0):
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 = sup|𝑆(𝑥) − 𝐹0 (𝑥)| = 0,0939
x
𝐷0.05;52 = 0,1886
Dengan tingkat kepercayaan 𝛼 = 5%, maka Dhitung < Dα,n . Artinya 𝐻0 diterima yang berarti bahwa model ARIMA(7,2,0)
residual berdistribusi normal. Sehingga, dapat disimpulkan bahwa model ARIMA(7,2,0) signifikan terhadap parameter, white
noise, dan berdistribusi normal. Hal ini menunjukkan bahwa model ARIMA(7,2,0) merupakan model peramalan ARIMA.
Dengan cara yang sama dilakukan untuk model peramalan yang lainnya diberikan pada Tabel 6.
Tabel 6. Uji Asumsi Peramalan IHSG Metode ARIMA
Model Uji Signifikansi Uji Residual White Noise Uji Residual Berdistribusi Normal Kesimpulan
ARIMA(0,2,1) ✓ × ✓ Tidak Memenuhi
ARIMA(0,2,3) × ✓ ✓ Tidak Memenuhi
ARIMA(1,2,0) ✓ × ✓ Tidak Memenuhi
ARIMA(1,2,1) × × ✓ Tidak Memenuhi
ARIMA(1,2,3) × ✓ ✓ Tidak Memenuhi
ARIMA(2,2,0) ✓ ✓ ✓ Memenuhi
ARIMA(2,2,1) ✓ ✓ ✓ Memenuhi
ARIMA(2,2,3) ✓ ✓ ✓ Memenuhi
ARIMA(7,2,0) ✓ ✓ ✓ Memenuhi
ARIMA(7,2,1) × ✓ ✓ Tidak Memenuhi
ARIMA(7,2,3) × ✓ ✓ Tidak Memenuhi
5) Uji Model ARIMA
Selanjutnya adalah tahap overfitting. Tahap overfitting ini dilakukan untuk menentukan model peramalan terbaik pada data
harga minyak dunia. Berdasarkan Tabel 7, model ARIMA(20,1,0), ARIMA(0,1,29), dan ARIMA(0,1,81) merupakan model
peramalan untuk data harga minyak dunia karena memenuhi unsur overfitting yaitu signifikan, memenuhi asumsi white noise,
dan berdistribusi normal. Selain menggunakan uji signifikan, uji white noise, dan uji normalitas, model peramalan terbaik juga
dapat ditentukan berdasarkan nilai RMSE dan MAPE. Berikut ini merupakan hasil RMSE dan MAPE model ARIMA(20,1,0),
ARIMA(0,1,29), dan ARIMA(0,1,81) yang dapat dilihat pada Tabel 8.
Tabel 8. Overfitting Model Peramalan IHSG Metode ARIMA
Model Peramalan AIC BIC
ARIMA(2,2,0) 338,158 343,894
ARIMA(2,2,1) 333,071 340,719
ARIMA(2,2,3) 333,606 345,078
ARIMA(7,2,0) 338,077 353,373
Berdasarkan Tabel 8, model peramalan terbaik yang dapat dipilih adalah ARIMA(2,2,1). Hal ini disebabkan karena model
ini memiliki nilai AIC dan BIC terkecil. Selain itu, model ini juga mempunyai nilai koefisien dengan standard error terkecil
dengan nilai p-value yang kurang dari 0,05.
D. Uji Heteroskedastisitas
Setelah mendapatkan model peramalan ARIMA, dilakukan uji heteroskedastisitas untuk ARIMA(2,2,1). Uji ini dilakukan
untuk mengetahui apakah model ARIMA(2,2,1) dapat digunakan untuk memodelkan time series GARCH. Berikut ini
merupakan tahapan uji heterosedastisitas untuk model ARIMA(2,2,1).
• Hipotesis
𝐻0 : Tidak terdapat unsur heteroskedastisitas
𝐻1 : Terdapat unsur heteroskedastisitas
• Statistik Uji
𝐾
𝜌̂𝑘2 (−0,0809)2 (−0,0072)2 (−0,1014)2 (0,0013)2
𝐿𝐵 = 52(52 + 2) ∑ = 52(54) ( + + + ⋯+ ) ≈ 31,733
𝑛−𝑘 52 − 1 52 − 2 52 − 3 52 − 51
𝑘=1
Berdasarkan tabel distribusi chi-square diperoleh:
 9

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 4. Plot ACF Residual Kuadrat ARIMA(2,2,1)

Gambar 5. Plot PACF Residual Kuadrat ARIMA(2,2,1)

Berdasarkan Gambar 4 dan Gambar 5 terlihat bahwa ACF residual kuadrat cut off pada lag ke 0 dan 4, sedangkan PACF
residual kuadrat cut off pada lag ke 0, 4, dan 8. Sehingga, model GARCH untuk peralaman harga minyak mentah dunia adalah
GARCH(0,4) ,GARCH(4,0), GARCH(4,4), GARCH(8,0), dan GARCH(8,4).
Selanjutnya adalah estimasi parameter model GARCH untuk menentukan model yang signifikan. Berikut ini merupakan
contoh salah satu penghitungan estimasi parameter model yaitu GARCH(4,0):
1. Uji Parameter 𝜇
• Hipotesis
𝐻0 : 𝜇 = 0 (Parameter model 𝜙 tidak signifikan)
𝐻1 : 𝜇 ≠ 0 (Parameter model 𝜙 signifikan)
• Statistik Uji
𝜇 −0,0963
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = = = −5,0156
SE(𝜇) 0,0192
𝑡𝑡𝑎𝑏𝑒𝑙 = 𝑡 0,05 = 𝑡0,025;47 = 2,0117
( ;(52−4−1))
2
• Kriteria Pengujian
Karena |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑡𝑡𝑎𝑏𝑒𝑙 dengan 𝛼 = 5%, maka 𝐻0 ditolak dan 𝐻1 diterima yang artinya parameter 𝜇 signifikan.
2. Uji Parameter 𝛼4
• Hipotesis
𝐻0 : 𝛼4 = 0 (Parameter model 𝜙 tidak signifikan)
𝐻1 : 𝛼4 ≠ 0 (Parameter model 𝜙 signifikan)
• Statistik Uji
𝛼4 0,1854
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = = = 27,6716
SE(𝛼4 ) 0,0067
𝑡𝑡𝑎𝑏𝑒𝑙 = 𝑡 0,05 = 𝑡0,025;47 = 2,0117
( ;(52−4−1))
2
• Kriteria Pengujian
Karena |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑡𝑡𝑎𝑏𝑒𝑙 dengan 𝛼 = 5%, maka 𝐻0 ditolak dan 𝐻1 diterima yang artinya parameter 𝛼4 signifikan.
Dapat disimpulkan bahwa model GARCH(4,0) signifikan terhadap parameter. Dengan cara yang sama, diperoleh hasil
estimasi parameter model GARCH yang disajikan dalam bentuk Tabel 9 sebagai berikut.
 10

Tabel 9. Estimasi dan Uji Signifikansi Parameter Model GARCH

Model Parameter Nama Parameter Koefisien Standard Error |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | 𝑡𝑡𝑎𝑏𝑒𝑙 Uji Signifikansi
𝜇 𝐶 0,4008 0,0330 12,145 2,0076 ✓
GARCH(0,4)
𝛽4 GARCH(4) 0,0310 0,0081 3,8271 2,0076 ✓
𝜇 𝐶 -0,2315 0,0179 12,9329 2,0117 ✓
GARCH(4,4) 𝛼4 ARCH(4) 0,0412 0,0078 5,2821 2,0117 ✓
𝛽4 GARCH(4) 0,0348 0,0082 4,2439 2,0117 ✓
𝜇 𝐶 -0,1460 0,0234 6,2393 2,0167 ✓
GARCH(8,0)
𝛼4 ARCH(8) 0,0027 0,0052 0,5192 2,0167 ×
𝜇 𝐶 -0,1860 0,0211 8,8152 2,0167 ✓
GARCH(8,4) 𝛼8 ARCH(8) 0,0054 0,0059 0,9152 2,0167 ×
𝛽4 GARCH(4) 0,0674 0,0084 8,0238 2,0167 ✓
Sehingga dengan kondisi tersebut, maka model GARCH(0,4), GARCH(4,0), dan GARCH(4,4) memenuhi uji signifikansi
parameter. Kemudian, untuk mendapatkan model GARCH terbaik dilakukan penghitungan AIC dan BIC. Berikut ini
merupakan hasil AIC dan BIC model GARCH yang disajikan dalam Tabel 10.
Tabel 10. Hasil Model Peramalan GARCH
Model Uji Signifikansi AIC BIC
GARCH(0,4) ✓ 481,0201 516,4351
GARCH(4,0) ✓ 488,6741 524,089
GARCH(4,4) ✓ 506,5999 565,6248
Berdasarkan Tabel 10, diperoleh hasil bahwa AIC dan BIC model GARCH(0,4) adalah yang terkecil. Sehingga model
GARCH(0,4) merupakan model terbaik GARCH yang digunakan untuk meramalkan harga minyak mentah dunia. Model
GARCH(0,4) dapat dituliskan persamaan sebagai berikut:
𝜎𝑡2 = 0,4408 + 0,0331𝜎12 + 0,03𝜎22 + 0,0271𝜎32 + 0,031𝜎42 (10)
F. Simulasi GARCH-Kalman Filter
Setelah mendapatkan hasil estimasi parameter model GARCH, maka dilakukan simulasi model diskritisasi menggunakan
kalman filter pada model GARCH(0,4). Adapun persamaan model GARCH(0,4) adalah sebagai berikut
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜎12 + 𝛼2 𝜎22 + 𝛼3 𝜎32 + 𝛼4 𝜎42 (11)
Parameter yang diestimasi adalah 𝛼0 , 𝛼1 , 𝛼2 , 𝛼3 , 𝛼4 . Tahapan yang dilakukan dalam proses kalman filter terdiri dari model
sistem, tahap prediksi, tahap koreksi. Untuk proses simulasi estimasi parameter kalman filter dilakukan dengan bantuan
Matlab. Banyaknya iterasi yang digunakan adalah 66 data observasi. Sehingga, hasil estimasi model GARCH(0,4) melalui
proses kalman filter dapat dilihat pada Tabel 11.
Tabel 11. Estimasi Parameter GARCH-KF
Model Parameter Koefisien
𝛼0 0,4008
𝛼1 0,022572
GARCH(0,4) 𝛼2 0,03
𝛼3 0,0271
𝛼4 0,031
Dengan mensubtitusikan persamaan (11), diperoleh persamaan model peramalan harga minyak mentah dunia sebagai
berikut:
𝜎𝑡2 = 0,4408 + 0,0022572𝜎12 + 0,03𝜎22 + 0,0271𝜎32 + 0,031𝜎42 (12)

Gambar 6. Prediksi Volatilitas menggunakan model GARCH-KF

 11

Gambar 7. Perbandingan Volatilitas Data Aktual In Sample, GARCH(0,4), dan GARCH-KF

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