i
PEMODELAN NEURO-GARCH PADA
RETURN
NILAI TUKAR RUPIAH TERHADAP DOLLAR
AMERIKA
D susun O
:
UMI SULISTYORINI ADI
24010212140082
Diajukan Sebagai Salah Satu Syarat Memperoleh Gelar
Sarjana Sains pada Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
iv
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah
memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan
Tugas Akhir yang berjudul
Pemodelan Neuro-GARCH pada
R
eturn
Nilai
Tukar Rupiah terhadap Dollar Amerika
.
Tugas Akhir ini disusun sebagai salah satu syarat untuk memperoleh gelar
Sarjana pada Departemen Statistika Universitas Diponegoro. Tanpa bantuan dan
dukungan dari berbagai pihak, penulis tidak akan mampu menyelesaikan Tugas
Akhir ini. Penulis menyampaikan terima kasih kepada:
1. Ibu Dra. Dwi Ispriyanti, M.Si. selaku Ketua Departemen Statistika
Fakultas Sains dan Matematika Universitas Diponegoro.
2. Bapak Budi Warsito, S.Si., M.Si. selaku dosen pembimbing I dan Ibu Dra.
Suparti, M.Si. selaku dosen pembimbing II yang telah memberikan
bimbingan dan pengarahan dalam penulisan Tugas Akhir ini.
3. Bapak dan Ibu dosen Departemen Statistika Universitas Diponegoro yang
telah memberikan ilmu yang bermanfaat.
4. Semua pihak yang tidak dapat disebutkan satu per satu yang telah
membantu penulis dalam menyelesaikan Tugas Akhir ini.
Penulis berharap Tugas Akhir ini bermanfaat bagi civitas akademika di
Universitas Diponegoro khususnya Departemen Statistika dan masyarakat umum.
v
BS
K
u
u
y
u
y
y
y
Generalized Autoregressive Conditional
Heteroskedasticity
(GARCH). Model lain yang biasa digunakan sebagai alternatif
yaitu
Artificial Neural Network
(ANN). Namun kedua model tersebut mempunyai
kelemahan. Model ARIMA yang linier, residualnya masih memungkinkan
terdapat hubungan non-linier, sedangkan model ANN yang digunakan untuk
memodelkan hubungan non-linier ada kesulitan dalam menentukan
inputnya.
Dalam penelitian ini dilakukan penggabungan dari kedua model tersebut yaitu
model Neuro-GARCH, dengan model GARCH berfungsi sebagai
input
dari model
ANN
.
Tujuan dari penelitian ini adalah untuk mengetahui model varian
Neuro-GARCH terbaik dari data
return
nilai tukar rupiah terhadap dollar Amerika. Data
yang digunakan adalah data
return
harian nilai tukar Rupiah (Rp) terhadap dollar
Amerika (USD) dari tanggal 27 Agustus 2012 sampai dengan 31 Maret 2016.
Dalam penelitian ini, model
mean
yang diperoleh adalah MA (1) dan model
variannya GARCH (1,1). Model terbaik yaitu Neuro-GARCH (2-10-1) dengan
MSE lebih kecil daripada model GARCH (1,1).
vi
%BS
& '%(&/00
1234 25 6 76
89:9 ;9<
=> ?>@>ABC DC?EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE 0 => ?>@>AFGAH GI>=> AJEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE 0 0 => ?>@>AFGAH GI>=> AJJ EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE 00 0 K>L>FGAH> AL>MEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE 0
v
QEQE ?R
t
R SNTURV RW X EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE Q QEY E MZ[ Z\RW@R\RUR]EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE ^ QE^E NRt
Rs
RW@R\RUR] EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE _ QE_E LZ` ZRWF TWTU0t
0RW Y EQEQE A0UR 0LZVR S@Rt
RCRW X(
KZSs)
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE b Y EQEY EReturn
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE c Y EY E >WRU0\0s
MZW dZWe RV du
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE c Y EY EQE KTst
R\0fWT SRWDRt
R EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE g Y EY EY E >OPhRWF>OP EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE i Y E^E @fhTUMZW dZWeRV du
Nfj BTWV 0W\EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE QQ Y E^EQE @fhTUAutoregressive
(
>M)
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEQQ Y E^EY E @fhTUMoving Average
(
@>)
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEQY Y E^E^E @fhTUAutoregresive Moving Average
(
>M@>)
EEEEEEEEEEEEQY Y E^E_E @fhTUAutoregressive Integrated Moving Average
kl ll
mn~n l
Lagrange Multiplier
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn | mnn { stquAutoregressive Conditional Heteroskedasticity
(
xy)
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn |mnn { stqu
Generalized
Autoregressive
Conditional
Heteroskedasticity
(
xy)
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn |mn n
Artificial Neural Network
(
x )
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mn n | qlwllx nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mn nm p qr stquvwx nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m } mn n } xlt
q x nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m } mnn { qt
stqp qr quvvv wx nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m~ mnn | qwls
p qr quvvv wx nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m~ mnnm w lxlkvlnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mnn } zwllv ulvls snnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mn |n xu slt
rv p quvt
lv w nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mn ||n xu slt
rvu
vlqwt
sw nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }| mn |mn p qr stquvw q s xynnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }m mn |}nMean Square Error
(
{)
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }} xzzz {zpzzx}n |n qwl
s
tv w r qvt
v nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }~ }nmn vlv qup qw qu lt
lv w nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }~ }n }n vvv wxwv ulls
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }~ }non lv vrxulxwv ulls
vt
v nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn } xz xzxp{xxx
x
¡¢£¢²¢ ¤ ¥«³´µ ª«¶·¥¸¬ ®¯° ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ¡ ± ¡¢£¢£¢ ¹¨ ¥«º · ¸ª» ¼§¨¥©¬® ¯° ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ¡ ½ ¡¢£¢¾¢ ¤ ¥«¨´³ª ª«¤ ª¿ª¦ ¥
t
¥¿¼§¨¥©¬®¯° ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ¡ ½ ¡¢£¢¡¢ ¤ ¥¦ © Àª «¼§¨¥©¬ ® ¯°Á¥¿Âª ¸ ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ¡ à ¡¢¾¢ ¤ ¥¦ §¨¥©ª«Ä¥´ ¿§Å¬ ®¯°¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢x
ÚÛÜÛ ÝÛÞ
ßÛà áÜ
1
â ãä åäæçäåäè éê åät
äs
ëã ìíî ïðë ã ìñ ïòñ óôê íéõöt
î÷ä ê ïéå øøøøøøøøøøøøøøøøø ùú ßÛà áÜûâ ð éïéïò ñ îïü îïy
îóïy
îýéñ åê ï þÿn
Layer
øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøßÛà áÜ
3
âDefault
íîåäôë èëüu
ïòñ óð éõît
ä îïè ëýüì øøøøøøøøøøøøøøøøøøøøøøø úù ßÛà áÜ â äAugmented Dickey Fuller
øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøßÛà áÜ
5
â äöä ïää óîï÷äð îåî ét
éåôê íéõëôë øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø úßÛà áÜ
6
â äïíé éïíéï÷äé÷ä íñîõôéïñ ïîóîï äLjung Box
øøøøøøøøøøøøøøøøøøßÛà áÜâ î÷äõ ä
Jarque Bera
øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøßÛà áÜâ ýä õ îäôö øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø
ßÛà áÜâ ÷òäî÷äð îåî é
t
éåôê í éõëãæ ë ã øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ßÛà áÜ1
â äöä ïää óîï÷äð îåî ét
éåôê íéõëã æ ë ãøøøøøøøøøøøøøøøøøøøøøøøøøøøßÛà áÜ
11
âð éä õäîïôê íéõ ë ãè éåîäóøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøßÛà áÜ
1
ûâöt
åñ óòñ åInput
ît
î øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ùx
%&'& (&)
*&(
b
&+1
, -./012345 467.16 8/ 99999999999999999999999999999999999999999999999999999999999999999999 :;*&(
b
&+<, =8>.?@61 4/A.B1 4CD7799999999999999999999999999999999999999999999999999999999999 :E*&(
b
&+3
, F46/G4/Ay
46 4H>./ G4/-4/y
42I4J5 4/ 99999999999999999999999999999999999999 :K *&(b
&+L, 34G6 4MD?6D/ 4?5s
99999999999999999999999999999999999999999999999999999999999999999999 EN *&(b
&+5
, O?8034t
4P16s
F 1 4? 99999999999999999999999999999999999999999999999999999999999999999999999 KQx
V Vabcb dbe
fb dg h ibe
1
j klt
lReturn
mu
ns
opqVlrs tnr lulqkvw wl nx y tnVzl {{{{{{{{{{{{{{{{{ |} fb dg h ibe~j Vxpyts tukVz ty
pww tnklt
lReturn
{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{fb dg h ibe
3
j vnntw v nlyx ul x{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibej sVylV lnlyt
t
tnvu twx o xqlulk lt
lReturn
{{{{{{{{{{{{{ fb dg h ibe5
j V utqt ut VotVup lw{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibe
6
j V vny lwVt
ls
{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibej VLagrange Multiplier
vutwxo x {{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ ÛÜ ÝÞ
tu
ßà á â áÜßát
ÝÞßr
ãßt
ßu
ßâä åÞÝrs
ær
Ýç áßèt
ér
è ßê ßç êëÜÜßr
ê ßçßt
ãé ãëêéÜÞßâ Þëâê áàá áâ á ßê ßÜßè
Autoregressive Conditional Heteroskedasticity
åýþ æ ê ßâ çßê ß
t
ßè Ýât
éÜßè ê áÞé ãí ßâ äÞ ßâ à Ýßtu
ãëêéÜy
ßátu
Generalized Autoregressive Conditional Heteroskedasticity
åý þæ ëÜ éèëÜÜ éà Üé
r
v
ê ßâ ßÜ ëîy
ÿ ëêéÜ ýþ ãé ãßâßßt
Þßâ Þét
áê ßÞ Þëâà ì ßâßâ ßr
á ßâr
éàáê ÝßÜ ê ß
r
á ê ßt
ßr
Ýâìu
âw
ßÞìu y
ßâä ê ßçßt
ã éâ äèßàáÜ Þßâ â áÜßár
ßãßÜßâ ê ßâ[\] ^_`_a_ b
M
_a _c_ de fgf hijikllfj
t
ljlm gft
fy
f jn glnoj fpfj fg f k fq r stur v jl kflt
o pfr
wohl fq xwh yt
ir
qfgfh gzk kfr
{|ir
lpf x }~ y g fr
lt
fjnn f k {nustus
f |hfl fr
it
gi j nfj|ijnnojf pfjqflr
fpl x~ ijl j f|hfl o |ft
y gfj|ij nffl pfjf pql
r
hi pf jx~ f u
gfjl j nnyu
irt
fqfr
lklo [\
j
_ b b c a_ boofjgf
r
lhij i klt
l fjl jlfgf kf q ij nl gi j llpf l |zgi k f
r
l fj iur
z {w g fr
l gft
f r stur v jl kflt
o pf
r
wohl fqir
qfg fh zk kfr
{|ir
lpf x }~ y ijgo nfhf