Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
3Activity
0 of .
Results for:
No results containing your search query
P. 1
PEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH

PEMODELAN DAN PERAMALAN PENUTUPAN HARGA SAHAM PT. TELKOM DENGAN METODE ARCH - GARCH

Ratings: (0)|Views: 542 |Likes:
Published by Alim Sumarno
Jurnal Online Universitas Negeri Surabaya, author : BUNGA LETY MARVILLIA,
http://ejournal.unesa.ac.id
Jurnal Online Universitas Negeri Surabaya, author : BUNGA LETY MARVILLIA,
http://ejournal.unesa.ac.id

More info:

Published by: Alim Sumarno on Jan 31, 2013
Copyright:Public Domain

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/07/2014

pdf

text

original

 
PEMODELAN DAN PERAMALAN PENUTUPAN HARGASAHAM PT. TELKOM DENGAN METODEARCH - GARCH
BUNGA LETY MARVILLIAMatematika, Fakultas Ilmu Pengetahuan Alam, UNESAJl. Ketintangvilly_cute_07@yahoo.com
1
, raywhite_vbm@gmail.com
2
 
ABSTRAK
Adanya heterokedastisitas pada suatu data deretwaktu, membuat pemodelan dan peramalan denganmenggunakan ARIMA Box Jenkins tidak lagi valid.Diperlukan metode lain dalam memodelkanheterokedastisitas, sehingga dilakukan pemodelanmenggunakan ARCH-GARCH dalam memodelkanvolatilitas dari data tersebut. Seperti pada datamingguan penutupan harga saham PT. TELKOMyang diambil pada periode September 2008 hinggaDesember 2012, Residual yang diperoleh darimodel ARIMA diuji
heteroskedasticity
dengan uji
 Lagrange Multiplier 
(LM). Hasilnya data tersebutmengandung heterokedastisitas yang kemudiandimodelkan dengan GARCH (1,1) untuk memodelkan varians error dan dilakukan peramalandalam jangka waktu 104 periode ke depan.
Kata Kunci:
: Time series, volatilitas,heterokedastisitas, Uji
 Lagrange Multiplier 
, model ARCH - GARCH
PENDAHULUAN
PT. Telkom Indonesia adalah perusahaaninformasi dan komunikasi serta penyedia jasa dan jaringan telekomunikasi secara lengkap diIndonesia. Telkom menjadi pemegang sahammayoritas di 9 anak perusahaan, termasuk PT.Telekomunikasi Seluler (Telkomsel). Saham PT.TELKOM merupakan salah satu saham yangbanyak diminati oleh masyarakat ini terbukti darivolume perdagangan yang meningkat sebanyak 1.557.800 saham dalam waktu hanya bekisar antaraenam sampai delapan bulan saja. Maraknyaperkembangan harga saham dipasar modal kitabeberapa saat ini memang telah mendorongbanyaknya calon investor yang ingin lebihmengetahui saham-saham yang prospektif untuk dibeli baik untuk saat ini maupun beberapa periodekedepan. Untuk keperluan tersebut makadibutuhkan suatu pemahaman yang mendalammengenai harga saham itu sendiri untuk saat iniatau pun dalam jangka waktu beberapa tahunkedepan. Oleh sebab itu penulis menggunakan datasaham PT. TELKOM ini untuk memodelkanvarians error dan melakukan peramalan agar dapatdijadikan salah satu bahan pertimbangan atau acuanbagi para broker saham dan investor untuk memilihsaham. Hasil peramalan yang dilakukan dapatmemberikan informasi tentang waktu kapaninvestor atau pun broker saham bisa membeli danmenjual pada jangka waktu yang berbeda gunamemperoleh keuntungan bagi pemilik saham sesuaidengan pergerakan harga saham yang cenderungbergerak naik turun secara dinamik.Dalam penelitian
mathematical finance
 terutama tentang pergerakan harga saham, modelARMA tidak dapat lagi diaplikasikan pada datatersebut, karena
 financial time series
biasanyaterbentuk dari proses non linier dinamik, dimanavariabilitas dari deret waktu tersebut mempunyaiketergantungan volatilitas (keragaman) yang sangattinggi, volatilitas merupakan sebuah pola ragamvarians dari deret waktu, khususnya deret waktukeuangan,dimana dalam perdagangan bursa sahamdi pasar modal, volatilitas merupakan resiko yangmungkin dihadapi oleh investor (Wahyuni, 2005).Adanya unsur heterokedastisitas yang biasadiartikan adanya gangguan error yang tidak mempunyai varians yang sama tau tidak konstanpada suatu data deret waktu, membuat pemodelandan peramalan dengan menggunakan ARIMA BoxJenkins tidak lagi valid, sehingga diperlukanmetode lain dalam memodelkan unsurheterokedastisitas, sehingga dilakukan pemodelanmenggunakan ARCH-GARCH dalam memodelkanvolatilitas dari data tersebut. Teknik pemodelansecara simultan antara mean dan varian error inipertama kali diperkenalkan oleh Eangle pada tahun1982 dalam memodelkan inflasi di Inggris denganmodel Autoregressive ConditionalHeterokedasticity (ARCH). Pada tahun 1996,Bollersler mempublikasikan bentuk umum ARCH,yaitu Generalized Autoregressive ConditionalHeterokedasticity (GARCH). Pada perkembanganselanjutnya, model ARCH
 – 
GARCH menjadi alatanalisis yang penting dalam data deret waktu,khususnya aplikasi pada data keuangan. Model
 – 
 model tersebut sangat bermanfaat untuk tujuananalisis dan peramalan volatility (Engle, 1982).1
 
KAJIAN TEORI1.
 
Konsep Dasar Time Series
Deret waktu merupakan serangkaiandata pengamatan yang berasal dari satu sumbertetap yang terjadinya berdasarkan indekswaktu t secara berurutan dan dengan intervalwaktu yang tetap. Beberapa kondisi pentingyang harus dimiliki oleh data time seriesadalah :
 
Deretan pengukuran berasal dari sumberyang sama. Yang membedakan hasilpengukuran tersebut adalah waktumelakukan pengukuran.
 
Antara observasi pada suatu titik waktudengan observasi pada titik waktu lainnyasaling dependen secara statistic atauberkolerasi.
 
Kumpulan observasi memiliki susunan ataupola tertentu.Setiap pengamatan dapat dinyatakansebagai variabel random Z, dengan fungsikepadatan f (
) yang dapat dipasangkandengan indeks waktu t
i
yaitu :Z
1,
Z
2
, Z
3
,… Z
n
t
1
, t
2
, t
3
,.. t
n
Adalah urutan waktu pengamatan, karenaitu data time series yang diamati waktu t
1
, t
2
, t
3
,
….
t
n
dapat dituliskan dalam notasi
1
,
2
,
3
,
,
 
2.
 
Stasioner
Untuk kestasioneran data dapat dibagi menjadi duayakni data sudah stasioner dan data tidak stasioner.Untuk data yang tidak stasioner dibagi menjadi tiga jenis yaitu data yang tidak stasioner dalam rata
 – 
rata (mean), data tidak stasioner dalam varians dandata yang tidak stasioner dalam rata
 – 
rata (mean)dan varians. Tahap untuk menstasionerkan data juga ada beberapa macam, seperti untuk data yangtidak stasioner dalam rata
 – 
rata (mean) harusmelakukan pembedaan atau differencing,sedangkan untuk data yang tidak stasioner dalamvarians maka data harus ditransformasi. Bentuk transformasi pun ada beberapa macam aadatransformasi pangkat, transformasi kuasa dantransformasi pangkat. Transformasi ini digunakanberdasarkan pola yang dibentuk dari data tersebut.Namun untuk data yang tidak stasioner dalam rata
 – 
 rata dan varians harus melakukan differencingterlebih dahulu kemudian ditransformasi hinggadata stasioner.
3.
 
Uji Akar Unit (ADF TEST)
Untuk mengukur kestasioneran data yangsudah dijelaskan diatas dapat dilakukan denganmenggunakan suatu uji. Uji yang biasa digunakanadalah
uji augmented Dickey
 – 
 Fuller
atau uji lainyang serupa yaitu Uji Phillips
 – 
Perron. Perludiketahui bahwa data yang dikatakan stasioneradalah data yang bersifat flat, tidak mengandungkomponen trend, dengan keragaman yang konstan,serta tidak terdapat fluktuasi periodik.Untuk diketahui adanya
akar unit 
, maka dilakukanpengujian
 Dickey-Fuller 
(DF-
test 
) sebagai berikut:Jika variabel Yt sebagai variabel dependen,maka akan diubah menjadiY
t
 
= ρ Y
t-1
+ U
t
 
(1)Jika koefisien Y
t-1
(ρ) adalah = 1 dalam arti
hipotesis diterima, maka variabel mengandung unitroot dan bersifat non-stasioner. Untuk mengubahtrend yang bersifat non-stasioner menjadi stasionerdilakukan uji orde pertama (
 first difference
)
ΔY
t
 
= (ρ
-1) (Y
t
 
 – 
Y
t-1
) (2)
Koefisien ρ akan bernilai 0, dan hipotesis akan
ditolak sehingga model menjadi stasioner.Hipotesis yang digunakan pada pengujian
augmented Dickey Fuller 
adalah:
H0
: ρ =
0
(Terdapat
unit roots
, variabel Y tidak stasioner)
H1 : ρ ≠ 0
(Tidak terdapat
unit roots
, variabel Ystasioner)Kesimpulan hasil
root test 
diperoleh denganmembandingkan nilai t-hitung dengan nilai
α
 kestasioneranstasionerNon stasionerMeanMean&VariansVarians2
 
PERSAMAAN MATEMATIKA1.
 
Model AR
Model AR ini menunjukkan bahwa nilai prediksivariabel
merupakan fungsi linier dari nilai
 sebelumnya. Sebagai contoh, pada model AR(1)nilai variable terikat
hanya dipengaruhi olehnilai variabel tersebut pada satu periodesebelumnya. Model tersebut disebut dengan model
 Autoregressive
orde pertama. Bentuk model AR(1)dapat dinyatakan dalam persamaan sebagai berikut(Wei, 1990):Z
t
 
= Ǿ
1
Z
t-1
 
+ Ǿ
2
Z
t-2
 
+ … + Ǿ
p
Z
t-p
 
+ α
t
(3)Dimana,
=
,
Yt adalah data
time series
yangteramati model
mengikuti proses white noise
dengan mean nol dan varian konstan, var (α
) =
σ
2
 
=
residual waktu ke-t
= orde dari AR
ф
1
,
ф
2
,
,
ф
= koefisien AR orde p
2.
 
Model MA
Model Moving Average (MA) menunjukkan bahwanilai prediksi variable terikat
dipengaruhi olehnilai residual pada periode sebelumnya. Sebagaicontoh, pada proses MA(1) nilai variabel terikat
 hanya dipengaruhi oleh nilai residual pada satuperiode sebelumnya. Model ini disebut denganmodel MA orde pertama. Bentuk model AR(1)dapat dinyatakan dalam persamaan sebagai berikut(Wei, 1990) :Z
t
 
= α
t
 
 – 
 
θ
1
α
t-1
 
 – 
 
θ
2
α
t-2
-
-
θ
q
α
t-q
(4)dimana,
 
θ
1
,
θ
2
,
,
θ
= koefisien MA orde p
3.
 
Model ARMA
Dalam pembentukan model deret waktu, adakemungkinan untuk memasukkan model AR danMA sekaligus. Sebagai contoh, pada modelARMA(1,1) nilai variabel terikat
dipengaruhioleh nilai variabel dan residual tersebut pada satuperiode sebelumnya. Model tersebut dinamakandengan model Autoregressive Moving Averageorde pertama. Bentuk model ARMA(1) dapatdinyatakan dalam persamaan berikut (Wei, 1990)Bentuk model ini adalah
=
ф
1
−
1
+
+
ф
−
+
θ
1
−
1
 
θ
−
(5)
4.
 
Model ARIMA
Model ARIMA (p,d,q). untuk memenuhi syaratstasioner maka data time series dilakukanpembedaan (differencing) untuk menghilangkanketidakstasioneran tersebut. Berikut differencingpertama :(1
 – 
B)
Z
t
= Z
t
=Z
t
- Z
t-1
= W
t
(6)dimana Zt = observasi pada waktu ke-t , t=2,
3, 4,…, n
 Zt-1 = observasi pada periode sebelumnya (t-1)Wt = Data setelah dideferencing ke-dn = orde maksimal dalam differencingbentuk umum model ARIMA (p,d,q) adalahsebagai berikut :
ф
p
(B)(1-B)
d
Z
t
 
= θ
0
 
+ θ
q
(B)α
t
(7)
dimana ф
p
(B) = (1-
ф
1
B-
-
ф
p
B
p
) merupakanoperator AR yang stasioner dan
θ
=(1
θ
1
−⋯−
θ
) merupakan operator MA (Wei,1990)
5.
 
Model ARCH - GARCH
Dalam model-model ekonometrik konvensional,varian dari residual diasumsikan konstan disepanjang waktu. Akan tetapi pada banyak kasusterutama untuk data keuangan terdapat fluktuasiyang tidak wajar pada suatu periode yang diikutioleh periode berikutnya yang mungkin lebih stabil.Dalam kondisi asumsi varian konstan(homoskedastisitas) tidak terpenuhi,banyak pendekatan yang digunakan untuk mengatasinyamisalnya dengan mentrnsformasi datanya supayavariansnya menjadi lebih stabil.Robert Engle adalah ahli ekonometrikayang pertama kali menganalisis adanya masalahheterokedastisitas dari varian residual didalam datatime series. Engle menyatakan varian residual yangberubah-ubah terjadi karena varian residual tidak hanya fungsi dari variabel independen tetapitergantung dari seberapa besar residual dimasa lalu.Heterokedastisitas terjadi karena data time seriesmenunjukkan unsur volatilitas, oleh karena ituvarian residual dari model sangat tergantung darivolatilitas residual sebelumnya. Persamaan varianresidual dalam model ARCH (1) dapat ditulissebagai berikut :Y
t
 
= βx
t
+ e
t
(8)
σ
t2
 
= α
0
 
+ α
1
e
t-12
(9)3

Activity (3)

You've already reviewed this. Edit your review.
1 thousand reads
1 hundred reads

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->