MODEL ARCH/GARCH

Dr. Taosige Wau

Volatilitas Data Time Series
• Data variabel ekonomi acapkali mengalami fluktuatif yg tinggi,
seperti Nilai kurs, IHSG, inflasi, suku bunga, nilai perdagangan, dll.
• Fluktuasi data variabel → volatilitas.
• Volatilitas data yg tinggi → rata-rata dan varian yg tidak konstan.
• Volatilitas data yg time series yg tinggi → menyulitkan prediksi
pergerakan data → karena error yg fluktuatif.
• Model estimasi perilaku data dengan volatilitas tinggi → model
ARCH, model GARCH, model ARCH-Mean, model TARCH, dan model
EGARCH.
 Gambar 1
Data Inflasi di Indonesia Tahun 1970-2019
70.00

60.00

50.00

40.00

30.00

20.00

10.00

0.00
 Gambar 2
Data Peresentasi Nilai Pedagangan Internasional Terhadap GDP
Indonesia Tahun 1960-2018
120.00

100.00

80.00

60.00

40.00

20.00

0.00
1960
1962
1964
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
Model ARCH
• Data variabel yg memiliki volatilitas → varian residual data
time series tidak konstan atau berubah setiap waktu atau
heteroskedastisitas.
• Menurut Robert Engle, varian residual yg tidak konstan
karena → varian residual fungsi dari variabel bebas dan
residual di masa lalu.
• Model yg mengasumsikan bahwa varian residual tidak
konstan → model Autregressive Condisitional
Heteroscedastisity (ARCH).
Model ARCH
• Misal, model regresi sederhana
𝑌𝑡 = 𝑏0 + 𝑏1 𝑋𝑡 +𝑒𝑡 (1)
• Kasus heteroskedastisitas → berhubungan langsung dgn variabel
bebas.
• Pada model ARCH, kasus heteroskedastisitas → karena adanya
volatilitas pada data time series.
• Varian residual model ditentukan oleh volatilitas variabel residual
periode sebelumnya → varian residual sangat dipengaruhi oleh
residual periode sebelumnya.
Model ARCH
• Varian residual model ARCH:
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 (2)
• Komponen varian residual, 𝜎𝑡2 → konstanta (𝛼0 ) dan kuadrat
2
residual sebelumnya (𝑒𝑡−1 ).
• Model variabel residu 𝑒𝑡 adalah heteroskedastisitas bersyarat
(conditional heteroscedasticity) pada variabel residual sebelumnya
𝑒𝑡−1 .
• Persamaan (1) disebut persamaan rata-rata (conditional mean) dan
persamaan (2) disebut persamaan varian (conditional variance).
Model ARCH
• Jika varian residual hanya ditentukan oleh volatilitas
kuadrat residual 1 periode kelambanan → model ARCH(1)
→ lihat persamaan (2)
• Varian residual yg ditentukan oleh volatilitas kuadrat
residual 𝑝 periode kelambanan → model ARCH(𝑝):
2 2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 + 𝛼2 𝑒𝑡−2 2
+ ⋯ + 𝛼𝑝 𝑒𝑡−𝑝 (3)
• Model persamaan (3) diestimasi dgn metode: maximum
likelihood (ML).
Deteksi ARCH
• Menurut Engle, data time series umumnya
mengandung autocorelation dan heteroscedasticity.
• Alat uji deteksi heteroskedastisitas atau ARCH pada
data time series:
1. Uji correlogram; dan
2. Uji ARCH-LM.
Uji Correlogram
• Uji Correlogram → menggunakan uji statistik ACF dan
PACF.
• Jika ACF dan PACF adalah nol pada semua kelambanan atau
tidak signifikan secara statistik → tidak ada unsur ARCH.
• Alat uji lain adalah uji statistik Ljung-Box:
2
𝑚 𝜌
𝐿𝐵 = 𝑛(𝑛 + 2) 𝑘=1 𝑘
σ (4)
𝑛−𝑘
2
• Jika 𝐿𝐵 < 𝜒 tabel pada 𝑑𝑓 = 𝑚 → tidak ada unsur ARCH.
Uji Correlogram
Langkah pengujian correlogram
1. Bentuk modelnya dgn teknik Box-Jenkin:
a. Identifikasi model;
b. Estimasi parameter;
c. Uji diagnosis.
2. Model yg terpilih lakukan uji correlogram → untuk melihat apakah
model yg terpilih mengandung unsur ARCH.
3. Jika ada unsur ARCH, estimasi model ARCH
Uji ARCH-LM
• Varian residual 𝜎𝑡2 selain fungsi variabel bebas juga
dipengaruhi residual sebelumnya, atau
2 2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 + 𝛼2 𝑒𝑡−2 2
+ ⋯ + 𝛼𝑝 𝑒𝑡−𝑝 (5)

• Untuk menguji ada tidaknya unsur ARCH, hipotesisnya:

𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑝 = 0 → varian residu konstan (𝛼0 )
Jika menolak 𝐻0 → model mengandung unsur ARCH.
Uji ARCH-LM
Langkah uji ARCH
1. Estimasi model persamaan (1) dengan metode OLS untuk
mendapatkan 𝑒Ƹ𝑡 .
2. Hitung varian residu dan kuadratkan dan bentuk model seperti
persamaan (5).
3. Estimasi model persamaan (5) dgn metode ML untuk
mendapatkan 𝑅2 .
4. Hitung nilai nilai 𝑛𝑅2
5. Jika 𝑛𝑅2 > 𝜒 2 tabel pada 𝑑𝑓 = 𝑝 pada 𝛼 tertentu → menolak
𝐻0 → ada unsur ARCH.
Contoh: Variabel Nilai Perdagangan Indonesia Tahun 1960-2018
Nilai Trade Nilai Trade Nilai Trade Nilai Trade
Tahun Tahun Tahun Tahun
(%) (%) (%) (%)
1960 24.09 1976 43.01 1992 57.43 2008 58.56
1961 24.68 1977 43.57 1993 50.52 2009 45.51
1962 10.56 1978 42.71 1994 51.88 2010 46.70
1963 18.42 1979 53.66 1995 53.96 2011 50.18
1964 25.32 1980 52.65 1996 52.26 2012 49.58
1965 11.01 1981 53.18 1997 55.99 2013 48.64
1966 34.85 1982 48.68 1998 96.19 2014 48.08
1967 25.64 1983 56.56 1999 62.94 2015 41.94
1968 26.45 1984 50.11 2000 71.44 2016 37.42
1969 23.84 1985 44.72 2001 69.79 2017 39.36
1970 28.68 1986 41.01 2002 59.08 2018 43.02
1971 31.06 1987 46.97 2003 53.62 2019 ?
1972 35.41 1988 47.25 2004 59.76 2020 ?
1973 39.53 1989 49.08 2005 63.99 2021 ?
1974 50.42 1990 52.89 2006 56.66 2022 ?
1975 44.52 1991 54.84 2007 54.83 2023 ?
Model GARCH
• Model GARCH merupakan penyempurnaan model ARCH, oleh
Bollerslev (1986).
• Menurut Bollerslev, penentu varian residual ( 𝜎𝑡2 ) adalah: (1)
2
residual periode sebelumnya 𝑒𝑡−1 ; dan (2) varian residual periode
2
sebelumnya (𝜎𝑡−1 ).
• Model Bollerslev → Generalized Autoregressive Condisional
Heteroscedasticity (GARCH).
• Model ARCH adalah adalah kasus khusus model GARCH.
Model GARCH
• Misal, model regresi linear sederhana:
𝑌𝑡 = 𝑏0 + 𝑏1 𝑋𝑡 + 𝑒𝑡 (1)
Dimana 𝑌𝑡 adalah variabel terikat, 𝑋𝑡 adalah variabel bebas, dan 𝑒𝑡
adalah residual.
• Model GARCH(1,1):
2 2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 + 𝜆1 𝜎𝑡−1 (2)
• Model umum GARCH(p,q):
2 2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 2
+ ⋯ + 𝛼𝑝 𝑒𝑡−𝑝 + 𝜆1 𝜎𝑡−1 2
+ ⋯ + 𝜆𝑞 𝜎𝑡−𝑞 (3)
• Model GARCH bisa diestimasi dengan metode ML.
Contoh: Variabel Nilai Perdagangan Indonesia Tahun 1960-2018
Nilai Trade Nilai Trade Nilai Trade Nilai Trade
Tahun Tahun Tahun Tahun
(%) (%) (%) (%)
1960 24.09 1976 43.01 1992 57.43 2008 58.56
1961 24.68 1977 43.57 1993 50.52 2009 45.51
1962 10.56 1978 42.71 1994 51.88 2010 46.70
1963 18.42 1979 53.66 1995 53.96 2011 50.18
1964 25.32 1980 52.65 1996 52.26 2012 49.58
1965 11.01 1981 53.18 1997 55.99 2013 48.64
1966 34.85 1982 48.68 1998 96.19 2014 48.08
1967 25.64 1983 56.56 1999 62.94 2015 41.94
1968 26.45 1984 50.11 2000 71.44 2016 37.42
1969 23.84 1985 44.72 2001 69.79 2017 39.36
1970 28.68 1986 41.01 2002 59.08 2018 43.02
1971 31.06 1987 46.97 2003 53.62 2019 ?
1972 35.41 1988 47.25 2004 59.76 2020 ?
1973 39.53 1989 49.08 2005 63.99 2021 ?
1974 50.42 1990 52.89 2006 56.66 2022 ?
1975 44.52 1991 54.84 2007 54.83 2023 ?
Hasil Estimasi
• Data stasioner pada diferensi 1
Dependent Variable: D(TRADE)
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/21/20 Time: 02:13
Sample (adjusted): 1968 2018
Included observations: 51 after adjustments
• Output Eviews
Convergence achieved after 100 iterations
Presample variance: backcast (parameter = 0.7)

• Model Autoregressive yg dipilih

GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

adalah AR(1) dan AR(7) C -0.452432 0.486577 -0.929825 0.3525

• Hasil uji ARCH-LM, ternyata pada AR(1)

AR(7)
-0.289480
0.180746
0.001528
0.114792
-189.4806
1.574557
0.0000
0.1154

model AR(1) dan AR(7) tidak ada Variance Equation

unsur ARCH. C -0.511029 2.004223 -0.254976 0.7987

RESID(-1)^2 -0.089972 0.018308 -4.914319 0.0000

• Apabila dianggap ada unsur ARCH GARCH(-1) 1.174299 0.093952 12.49891 0.0000

pada model AR(1) dan AR(7), R-squared

Adjusted R-squared
0.161552
0.126617
Mean dependent var
S.D. dependent var
0.340784
8.915477
maka hasil estimasi dengan S.E. of regression
Sum squared resid
8.331957
3332.232
Akaike info criterion
Schwarz criterion
6.672702
6.899976
model GARCH adalah sebagai Log likelihood
Durbin-Watson stat
-164.1539
2.407852
Hannan-Quinn criter. 6.759550

berikut. Inverted AR Roots .75 .45+.61i .45-.61i -.22-.76i

-.22+.76i -.75-.34i -.75+.34i
Model ARCH-M
• Pada banyak kasus (terutama di pasar keuangan) volatilistas
residual yg tinggi mempengaruhi variabel terikat.
• Sehingga, persamaan rata-rata:
𝑌𝑡 = 𝑏0 + 𝑏1 𝑋𝑡 + 𝑏2 𝑒𝑡2 + 𝑒𝑡 (4)
• Maka, model ARCHnya di sebut ARCH-in-mean (ARCH-M):
2 2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 2
+ ⋯ + 𝛼𝑝 𝑒𝑡−𝑝 + 𝜆1 𝑒𝑡−1 2
+ ⋯ + 𝜆𝑞 𝑒𝑡−𝑞 (5)
Contoh: Variabel Nilai Perdagangan Indonesia Tahun 1960-2018
Nilai Trade Nilai Trade Nilai Trade Nilai Trade
Tahun Tahun Tahun Tahun
(%) (%) (%) (%)
1960 24.09 1976 43.01 1992 57.43 2008 58.56
1961 24.68 1977 43.57 1993 50.52 2009 45.51
1962 10.56 1978 42.71 1994 51.88 2010 46.70
1963 18.42 1979 53.66 1995 53.96 2011 50.18
1964 25.32 1980 52.65 1996 52.26 2012 49.58
1965 11.01 1981 53.18 1997 55.99 2013 48.64
1966 34.85 1982 48.68 1998 96.19 2014 48.08
1967 25.64 1983 56.56 1999 62.94 2015 41.94
1968 26.45 1984 50.11 2000 71.44 2016 37.42
1969 23.84 1985 44.72 2001 69.79 2017 39.36
1970 28.68 1986 41.01 2002 59.08 2018 43.02
1971 31.06 1987 46.97 2003 53.62 2019 ?
1972 35.41 1988 47.25 2004 59.76 2020 ?
1973 39.53 1989 49.08 2005 63.99 2021 ?
1974 50.42 1990 52.89 2006 56.66 2022 ?
1975 44.52 1991 54.84 2007 54.83 2023 ?
Hasil Estimasi Dependent Variable: D(TRADE)
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/21/20 Time: 02:37
Sample (adjusted): 1968 2018

• Data stasioner pada diferensi 1 Included observations: 51 after adjustments

Convergence achieved after 107 iterations
Presample variance: backcast (parameter = 0.7)
• Model Autoregressive yg dipilih GARCH = C(5) + C(6)*RESID(-1)^2

adalah AR(1) dan AR(7) Variable Coefficient Std. Error z-Statistic Prob.

• Hasil uji ARCH-LM, ternyata pada @SQRT(GARCH)

C
-11.83141
86.17667
28.04866
199.7991
-0.421817
0.431317
0.6732
0.6662

model AR(1) dan AR(7) tidak ada AR(1)

AR(7)
-0.018387
-0.033060
0.052285
0.081762
-0.351662
-0.404346
0.7251
0.6860

unsur ARCH. Variance Equation

• Apabila dianggap ada unsur C

RESID(-1)^2
51.04277
0.033753
6.891971
0.093936
7.406121
0.359323
0.0000
0.7194
ARCH pada model AR(1) dan R-squared 0.339732 Mean dependent var 0.340784
AR(7), maka hasil estimasi Adjusted R-squared
S.E. of regression
0.297587
7.472069
S.D. dependent var
Akaike info criterion
8.915477
7.034680
dengan model ARCH-M adalah Sum squared resid
Log likelihood
2624.095
-173.3844
Schwarz criterion
Hannan-Quinn criter.
7.261954
7.121528
sebagai berikut. Durbin-Watson stat 2.024081
Model TARCH
• Asumsi model ARCH dan GARCH → gejolak yg terjadi bersifat
simetris terhadap volatilitas residual (symmetric shock to volatility).
• Pada banyak kasus keuangan, gejolak yg terjadi bersifat tidak
simetris terhadap volatilitas (asymmetric shock to volatility).
• Artinya, penurunan tajam (efek negatif) tidak selalu diikuti kenaikan
(efek positif) dalam ukuran yg sama di periode berikutnya.
• Modelnya → TARCH dan EGARCH.
Model TARCH
• Misal, model regresi linear sederhana:
𝑌𝑡 = 𝑏0 + 𝑏1 𝑋𝑡 + 𝑒𝑡 (6)
• Karena varian residual bersifat asimetris (efek negatif atau efek
positif) maka, pesamaan conditional variance:
2 2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 2
+ ⋯ + 𝛼𝑝 𝑒𝑡−𝑝 + 𝜙𝑒𝑡−1 𝑑𝑡−1 + 𝜆1 𝜎𝑡−1 + ⋯+
2
𝜆𝑞 𝜎𝑡−𝑞 (7)
• Keterangan: 𝑑𝑡−1 adalah variabel dummy, 𝑑𝑡−1 = 1 jika 𝑒𝑡−1 < 0
dan 𝑑𝑡−1 =0 jika 𝑒𝑡−1 > 0.
• Jika 𝜙 = 0 artinya tidak terjadi efek asimetris.
Contoh: Variabel Nilai Perdagangan Indonesia Tahun 1960-2018
Nilai Trade Nilai Trade Nilai Trade Nilai Trade
Tahun Tahun Tahun Tahun
(%) (%) (%) (%)
1960 24.09 1976 43.01 1992 57.43 2008 58.56
1961 24.68 1977 43.57 1993 50.52 2009 45.51
1962 10.56 1978 42.71 1994 51.88 2010 46.70
1963 18.42 1979 53.66 1995 53.96 2011 50.18
1964 25.32 1980 52.65 1996 52.26 2012 49.58
1965 11.01 1981 53.18 1997 55.99 2013 48.64
1966 34.85 1982 48.68 1998 96.19 2014 48.08
1967 25.64 1983 56.56 1999 62.94 2015 41.94
1968 26.45 1984 50.11 2000 71.44 2016 37.42
1969 23.84 1985 44.72 2001 69.79 2017 39.36
1970 28.68 1986 41.01 2002 59.08 2018 43.02
1971 31.06 1987 46.97 2003 53.62 2019 ?
1972 35.41 1988 47.25 2004 59.76 2020 ?
1973 39.53 1989 49.08 2005 63.99 2021 ?
1974 50.42 1990 52.89 2006 56.66 2022 ?
1975 44.52 1991 54.84 2007 54.83 2023 ?
Hasil Estimasi Dependent Variable: D(TRADE)
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/21/20 Time: 02:56
Sample (adjusted): 1968 2018
Included observations: 51 after adjustments

• Data stasioner pada diferensi 1 Convergence achieved after 21 iterations

Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-1)^2*(RESID(-1)<0) +

• Model Autoregressive yg dipilih C(7)*GARCH(-1)

adalah AR(1) dan AR(7) Variable Coefficient Std. Error z-Statistic Prob.

C 0.083553 1.138333 0.073400 0.9415

• Hasil uji ARCH-LM, ternyata pada AR(1)

AR(7)
-0.157488
0.064403
0.148616
0.094000
-1.059697
0.685143
0.2893
0.4933

model AR(1) dan AR(7) tidak ada Variance Equation

unsur ARCH. C
RESID(-1)^2
6.307425
0.101848
5.235358
0.064624
1.204774
1.576020
0.2283
0.1150

• Apabila dianggap ada unsur ARCH RESID(-1)^2*(RESID(-1)<...

GARCH(-1)
-0.377573
0.945964
0.147773
0.062687
-2.555094
15.09023
0.0106
0.0000

pada model AR(1) dan AR(7), R-squared

Adjusted R-squared
0.114767
0.077882
Mean dependent var
S.D. dependent var
0.340784
8.915477
maka hasil estimasi dengan S.E. of regression
Sum squared resid
8.561260
3518.169
Akaike info criterion
Schwarz criterion
6.867088
7.132240
model TARCH adalah sebagai Log likelihood
Durbin-Watson stat
-168.1107
2.573158
Hannan-Quinn criter. 6.968410

berikut. Inverted AR Roots .66 .40-.53i .40+.53i -.17+.66i

-.17-.66i -.63+.29i -.63-.29i
Model EGARCH
• Model exponential GARCH (EGARCH) → model ARCH yg
mengakomodir gejolak asimetris terhadap volatilitas secara
eksponen.
𝑌𝑡 = 𝑏0 + 𝑏1 𝑋𝑡 + 𝑒𝑡 (8)
• Sehingga, persamaan conditional variance adalah:
𝑒𝑡−1 𝑒𝑡−1 𝑒𝑡−𝑝 𝑒𝑡−𝑞
ln 𝜎𝑡2 = 𝜎2 + 𝛼1 + 𝜙1 + ⋯+ 𝛼𝑝 + 𝜙𝑞 +
𝜎𝑡−1 𝜎𝑡−1 𝜎𝑡−𝑝 𝜎𝑡−𝑞
2 2
𝜆1 ln 𝜎𝑡−1 + ⋯ + 𝜆𝑞 ln 𝜎𝑡−𝑞 (9)
• Penggunaan ln pada persaaman (9) menunjukkan conditional
variance yg bersifat eksponensial.
Model EGARCH
• Efek asimetris terjadi jika 𝜙 = 0.
• Persamaan (9) terdiri dari dua unsur:
𝑒𝑡−𝑝
• Magnitude effect, → menunjukkan besarnya pengaruh
𝜎𝑡−𝑝
volatilitas pada periode t-p terhadap varian saat ini.
𝑒𝑡−𝑞
• Sign effect, → menunjukkan perbedaan pengaruh shock positif
𝜎𝑡−𝑞
dan negatif pada periode t terhadap varian saat ini.
Contoh: Variabel Nilai Perdagangan Indonesia Tahun 1960-2018
Nilai Trade Nilai Trade Nilai Trade Nilai Trade
Tahun Tahun Tahun Tahun
(%) (%) (%) (%)
1960 24.09 1976 43.01 1992 57.43 2008 58.56
1961 24.68 1977 43.57 1993 50.52 2009 45.51
1962 10.56 1978 42.71 1994 51.88 2010 46.70
1963 18.42 1979 53.66 1995 53.96 2011 50.18
1964 25.32 1980 52.65 1996 52.26 2012 49.58
1965 11.01 1981 53.18 1997 55.99 2013 48.64
1966 34.85 1982 48.68 1998 96.19 2014 48.08
1967 25.64 1983 56.56 1999 62.94 2015 41.94
1968 26.45 1984 50.11 2000 71.44 2016 37.42
1969 23.84 1985 44.72 2001 69.79 2017 39.36
1970 28.68 1986 41.01 2002 59.08 2018 43.02
1971 31.06 1987 46.97 2003 53.62 2019 ?
1972 35.41 1988 47.25 2004 59.76 2020 ?
1973 39.53 1989 49.08 2005 63.99 2021 ?
1974 50.42 1990 52.89 2006 56.66 2022 ?
1975 44.52 1991 54.84 2007 54.83 2023 ?
Hasil Estimasi Dependent Variable: D(TRADE)
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/21/20 Time: 03:07
Sample (adjusted): 1968 2018
Included observations: 51 after adjustments

• Data stasioner pada diferensi 1

Failure to improve Likelihood after 16 iterations
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(4) + C(5)*ABS(RESID(-1)/@SQRT(GARCH(-1))) + C(6)

• Model Autoregressive yg dipilih

*RESID(-1)/@SQRT(GARCH(-1)) + C(7)*LOG(GARCH(-1))

Variable Coefficient Std. Error z-Statistic Prob.

adalah AR(1) dan AR(7) C 0.253602 0.140737 1.801963 0.0716

• Hasil uji ARCH-LM, ternyata pada AR(1)

AR(7)
-0.279510
0.127247
0.089394
0.086368
-3.126704
1.473319
0.0018
0.1407

model AR(1) dan AR(7) tidak ada Variance Equation

unsur ARCH. C(4)

C(5)
0.788944
-0.338625
2.40E-06
0.087239
329312.8
-3.881600
0.0000
0.0001

• Apabila dianggap ada unsur C(6)

C(7)
0.589638
0.844483
0.249652
0.012194
2.361840
69.25244
0.0182
0.0000

ARCH pada model AR(1) dan R-squared

Adjusted R-squared
0.167307
0.132612
Mean dependent var
S.D. dependent var
0.340784
8.915477
AR(7), maka hasil estimasi S.E. of regression
Sum squared resid
8.303312
3309.359
Akaike info criterion
Schwarz criterion
6.834211
7.099363
dengan model EGARCH adalah Log likelihood
Durbin-Watson stat
-167.2724
2.406709
Hannan-Quinn criter. 6.935533

sebagai berikut. Inverted AR Roots .71 .43-.58i .43+.58i -.21+.72i

-.21-.72i -.72+.32i -.72-.32i
TERIMA KASIH