ESTIMASI PERUBAHAN NILAI TUKAR RUPIAH TERHADAP
DOLAR AMERIKA TAHUN 2005 MENGGUNAKAN
ESTIMASI MODEL ARCH-GARCH
SKRIPSI
SUSI IRMAYANI
020803048
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2007
ESTIMASI PERUBAHAN NILAI TUKAR RUPIAH TERHADAP
DOLAR AMERIKA TAHUN 2005 MENGGUNAKAN
ESTIMASI MODEL ARCH-GARCH
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Sains
SUSI IRMAYANI
020803048
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul
: ESTIMASI VOLATILITAS NILAI TUKAR
RU-PIAH TERHADAP DOLAR AMERIKA TAHUN
2005 MENGGUNAKAN ESTIMASI MODEL
ARCH-GARCH
Kategori
: SKRIPSI
Nama
: SUSI IRMAYANI
Nomor Induk Mahasiswa
: 020803048
Program Studi
: SARJANA (S1) MATEMATIKA
Departemen
: MATEMATIKA
Fakultas
: MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Medan, September 2007
Komisi Pembimbing :
Pembimbing 2
Pembimbing 1
Dra. Rahmawati Pane, M.Si
Dr. Sutarman, M.Sc
NIP.131474682
NIP. 131945359
Diketahui oleh
Departemen Matematika FMIPA USU
Ketua,
Dr. Saib Suwilo, MSc
NIP. 131796149
i
PERNYATAAN
ESTIMASI PERUBAHAN NILAI TUKAR RUPIAH TERHADAP
DOLAR AMERIKA TAHUN 2005 MENGGUNAKAN
ESTIMASI MODEL ARCH-GARCH
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan,
September 2007
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan
Ma-ha Penyayang, dengan limpah karunia-Nya kertas kajian ini berMa-hasil diselesaikan
dalam waktu yang telah ditetapkan.
Ucapan terima kasih saya sampaikan kepada Bapak Dr. Sutarman, M.Sc
dan Ibu Dra. Rahmawati Pane, M.Si selaku pembimbing pada penyelesaian tugas
akhir ini yang telah memberikan panduan dan penuh kepercayaan kepada saya
untuk menyempurnakan kajian ini. Panduan ringkas, padat dan profesional telah
diberikan kepada saya agar penulis dapat menyelesaikan tugas ini. Ucapan terima
kasih juga ditujukan kepada Ketua dan Sekretaris Departemen Matematika, Dr.
Saib Suwilo, M.Si dan Drs. Henri Rani Sitepu, M.Si, Dekan dan Pembantu Dekan
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara,
semua dosen pada Departemen Matematika FMIPA USU, pegawai di FMIPA USU
dan rekan-rekan kuliah. Akhirnya, tidak terlupakan kepada bapak, ibu dan semua
ahli keluarga yang selama ini memberikan bantuan dan dorongan yang diperlukan.
Semoga Tuhan Yang Maha Esa akan membalasnya.
Medan, September 2007
Penulis,
Susi Irmayani
iii
ABSTRAK
ABSTRACT
This thesis discusses about United State dolar exchange rate estimation and
mod-el using ARCH-GARCH in 2005. Exchange rate volatility can be explained by
ARCH-GARCH because the nature of the variabel can fluctuate on certain period
with followed by the stabilization of the next period. According to the result of
the estimation, we know that data have heteroscedasticity, stationerity and do not
have otocorelation.
vi
DAFTAR ISI
Halaman
PERSETUJUAN
i
PERNYATAAN
ii
PENGHARGAAN
iii
ABSTRAK
v
ABSTRACT
vi
DAFTAR ISI
vii
BAB
1. PENDAHULUAN
1
1.1. Latar Belakang
1
1.2. Perumusan Masalah
3
1.3. Tinjauan Pustaka
3
1.4. Batasan Masalah
3
1.5. Tujuan Penelitian
3
1.6. Manfaat Penelitian
4
1.7. Metode Penelitian
4
2. LANDASAN TEORI
5
2.1. Heteroskedastisitas
5
2.2. Stasioner
11
2.3. Model ARCH dan GARCH
16
3. PEMBAHASAN
21
3.1. Deskripsi Data
21
3.2. Uji Heteroskedastisitas
22
3.3. Otokorelasi (Autokorelasi)
22
3.4. Model ARCH-GARCH
22
3.5. Estimasi Parameter-parameter Dengan Estimasi
Maximum
Likelihood
23
4. KESIMPULAN DAN SARAN
25
4.1. Kesimpulan
25
4.2. Saran
26
ABSTRAK
Skripsi ini membahas pemodelan dan estimasi volatilitas nilai tukar rupiah
ter-hadap dolar Amerika tahun 2005 menggunakan estimasi ARCH-GARCH.
Da-ta volatiliDa-tas nilai tukar rupiah dapat diterangkan oleh model ARCH-GARCH
karena sifat variabel tersebut berfluktuasi (naik-turun) dari satu periode tertentu
keperiode berikutnya. Berdasarkan hasil estimasi yang diperoleh melalui program
eviews
dapat diketahui bahwa data tersebut mengandung heteroskedastisitas,
sta-sioner dan tidak mengandung otokorelasi.
v
ABSTRACT
ESTIMASI PERUBAHAN NILAI TUKAR RUPIAH TERHADAP
DOLAR AMERIKA TAHUN 2005 MENGGUNAKAN
ESTIMASI MODEL ARCH-GARCH
SKRIPSI
SUSI IRMAYANI
020803048
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2007
ESTIMASI PERUBAHAN NILAI TUKAR RUPIAH TERHADAP
DOLAR AMERIKA TAHUN 2005 MENGGUNAKAN
ESTIMASI MODEL ARCH-GARCH
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Sains
SUSI IRMAYANI
020803048
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul
: ESTIMASI VOLATILITAS NILAI TUKAR
RU-PIAH TERHADAP DOLAR AMERIKA TAHUN
2005 MENGGUNAKAN ESTIMASI MODEL
ARCH-GARCH
Kategori
: SKRIPSI
Nama
: SUSI IRMAYANI
Nomor Induk Mahasiswa
: 020803048
Program Studi
: SARJANA (S1) MATEMATIKA
Departemen
: MATEMATIKA
Fakultas
: MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Medan, September 2007
Komisi Pembimbing :
Pembimbing 2
Pembimbing 1
Dra. Rahmawati Pane, M.Si
Dr. Sutarman, M.Sc
NIP.131474682
NIP. 131945359
Diketahui oleh
Departemen Matematika FMIPA USU
Ketua,
Dr. Saib Suwilo, MSc
NIP. 131796149
i
PERNYATAAN
ESTIMASI PERUBAHAN NILAI TUKAR RUPIAH TERHADAP
DOLAR AMERIKA TAHUN 2005 MENGGUNAKAN
ESTIMASI MODEL ARCH-GARCH
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan,
September 2007
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan
Ma-ha Penyayang, dengan limpah karunia-Nya kertas kajian ini berMa-hasil diselesaikan
dalam waktu yang telah ditetapkan.
Ucapan terima kasih saya sampaikan kepada Bapak Dr. Sutarman, M.Sc
dan Ibu Dra. Rahmawati Pane, M.Si selaku pembimbing pada penyelesaian tugas
akhir ini yang telah memberikan panduan dan penuh kepercayaan kepada saya
untuk menyempurnakan kajian ini. Panduan ringkas, padat dan profesional telah
diberikan kepada saya agar penulis dapat menyelesaikan tugas ini. Ucapan terima
kasih juga ditujukan kepada Ketua dan Sekretaris Departemen Matematika, Dr.
Saib Suwilo, M.Si dan Drs. Henri Rani Sitepu, M.Si, Dekan dan Pembantu Dekan
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara,
semua dosen pada Departemen Matematika FMIPA USU, pegawai di FMIPA USU
dan rekan-rekan kuliah. Akhirnya, tidak terlupakan kepada bapak, ibu dan semua
ahli keluarga yang selama ini memberikan bantuan dan dorongan yang diperlukan.
Semoga Tuhan Yang Maha Esa akan membalasnya.
Medan, September 2007
Penulis,
Susi Irmayani
iii
ABSTRAK
ABSTRACT
This thesis discusses about United State dolar exchange rate estimation and
mod-el using ARCH-GARCH in 2005. Exchange rate volatility can be explained by
ARCH-GARCH because the nature of the variabel can fluctuate on certain period
with followed by the stabilization of the next period. According to the result of
the estimation, we know that data have heteroscedasticity, stationerity and do not
have otocorelation.
vi
DAFTAR ISI
Halaman
PERSETUJUAN
i
PERNYATAAN
ii
PENGHARGAAN
iii
ABSTRAK
v
ABSTRACT
vi
DAFTAR ISI
vii
BAB
1. PENDAHULUAN
1
1.1. Latar Belakang
1
1.2. Perumusan Masalah
3
1.3. Tinjauan Pustaka
3
1.4. Batasan Masalah
3
1.5. Tujuan Penelitian
3
1.6. Manfaat Penelitian
4
1.7. Metode Penelitian
4
2. LANDASAN TEORI
5
2.1. Heteroskedastisitas
5
2.2. Stasioner
11
2.3. Model ARCH dan GARCH
16
3. PEMBAHASAN
21
3.1. Deskripsi Data
21
3.2. Uji Heteroskedastisitas
22
3.3. Otokorelasi (Autokorelasi)
22
3.4. Model ARCH-GARCH
22
3.5. Estimasi Parameter-parameter Dengan Estimasi
Maximum
Likelihood
23
4. KESIMPULAN DAN SARAN
25
4.1. Kesimpulan
25
4.2. Saran
26
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Metode kuadrat terkecil
(Ordinary Least Square/OLS)
telah banyak digunakan
dalam berbagai kesempatan. Pada umumnya metode ini digunakan untuk
menge-tahui hubungan antarvariabel. Dalam metode kuadrat terkecil, Teorema Gauss
Markov, salah satunya mensyaratkan agar varians dari residu bersifat konstan atau
tidak berubah-ubah. Hal ini agar estimator yang didapat adalah BLUE
(Best
Lin-ier Unbiased Estimater)
atau mempunyai sifat yang linier, tidak bias dan varians
minimum. Data yang digunakan dalam metode ini dapat berupa data penampang
(
cross section
) dan data runtun waktu (
time series
). Data penampang adalah data
yang diperoleh dari pengamatan yang berbeda pada waktu yang sama, sedangkan
data runtun waktu adalah data yang diperoleh dari pengamatan yang sama
pa-da waktu yang berbepa-da. Contohnya besarnya kompensasi yang diberikan kepapa-da
karyawan industri makanan, tekstil, pakaian, percetakan dan lain-lain berdasarkan
jumlah karyawan. Semakin besar industri (makin banyak jumlah karyawannya),
maka kompensasi yang diberikan semakin besar. Data penampang sering
memu-nculkan varians dan residu yang berubah-ubah, namun bukan berarti data runtun
waktu terhindar dari permasalahan tersebut.
Ada beberapa alasan mengapa variansi kesalahan pengganggu
e
iselalu
berubah-ubah, antara lain sebagai berikut:
1. Mengikuti model berbuat kesalahan dalam belajar, yaitu kalau orang belajar
terus, kesalahan untuk melakukan apa yang dipelajari semakin menurun,
sebab ketrampilan semakin meningkat. Dalam hal ini diharapkan variansi
σ
2i
diharapkan menurun nilainya.
2
2. Kalau pendapatan tumbuh/berkembang, makin banyak orang menerima
pen-dapatan yang sangat berbeda jumlahnya, kemungkinan mempunyai lebih
banyak alternatif untuk mengeluarkan/menggunakan pendapatan itu,
se-hingga variansi makin membesar dengan kenaikan pendapatan.
3. Kalau teknik pengumpulan data semakin membaik, nilai
σ
2cenderung
menge-cil.
Data runtun waktu terutama data finansial seperti data harga indeks
sa-ham, tingkat bunga, nilai tukar sering kali berubah-ubah (volatilitas). Akibat
data yang bervolatilitas adalah varians dan residu tidak konstan. Dengan kata
lain data semacam itu mengalami heteroskedastisitas. Adanya heteroskedastisitas
menyebabkan perkiraan (estimasi) parameter berdasarkan OLS menjadi tidak
efe-sien baik dalam sampel kacil maupun sampel besar sehingga estimasi varians akan
bias dan menyebabkan pengujian hipotesis tentang parameter tidak tepat.
Bagaimana cara mendeteksi dan mengatasi adanya heteroskedastisitas akan
dibahas pada bab berikutnya. Heteroskedastisitas dipandang bukan sebagai
su-atu masalah, tetapi justru memanfaatkan kondisi tersebut untuk membuat model.
Bahkan dengan memanfaatkan heteroskedastisitas dalam residu dengan tepat,
ma-ka ama-kan diperoleh varians yang lebih efisien. Model ini dikenal dengan nama
Auto
Regressive Conditional Heteroskedasticity (ARCH) dan General Auto Regressive
Conditional Heteroskedasticity (GARCH)
.
Volatilitas diperlukan dalam penukaran mata uang untuk menganalisis
re-siko pemegang aset dari investasi pilihan, meramalkan interval keyakinan sehingga
dapat diperoleh interval yang lebih tepat dengan memodelkan varians, residu dan
estimasi yang lebih efesien bila heteroskedastisitas digunakan dengan tepat.
Berdasarkan uraian di atas, maka penulis memilih judul skripsi ini
Ameri-3
ditional Heteroskdastisitas-General Auto Regressive Conditional
Het-eroskdastisitas
(ARCH-GARCH).
1.2 Perumusan Masalah
Adapun yang menjadi permasalahan dalam tulisan ini adalah bagaimana membuat
dan mengestimasi parameter model ARCH-GARCH pada data volatilitas nilai
tukar rupiah terhadap dolar Amerika tahun 2005 menggunakan estimasi model
ARCH-GARCH.
1.3 Tinjauan Pustaka
Engle (2001) menyatakan bahwa ARCH adalah variabel yang dipengaruhi oleh
variabel itu sendiri berdasarkan informasi masa lalu dan variansnya berubah-ubah
pada periode-periode sebelumnya.
Sumargono dan Laksono (2004) menyatakan bahwa GARCH telah secara
luas dipakai sebagai pendekatan pada variabel ekonomi khususnya volatilitas.
J.Supranto (2004) Heteroskedastisitas ialah suatu keadaan dimana variansi
dari kesalahan pengganggu
e
itidak konstan untuk semua variabel bebas.
Surya dan Hariadi (2003) telah melakukan pemodelan volatilitas beberapa
saham menggunakan model GARCH(1,1).
1.4 Batasan Masalah
Untuk menyelesaikan masalah pemodelan dan estimasi volatilitas, penulis
mem-batasi orde/derajat pada ARCH-GARCH, yaitu GARCH(1,1).
1.5 Tujuan Penelitian
Tulisan ini bertujuan untuk membuat dan mengestimasi model ARCH-GARCH
4
menjadi lebih efesien yaitu mempunyai varians yang minimum.
1.6 Manfaat Penelitian
Memperkaya literatur tentang model dan estimasi ARCH-GARCH untuk data
volatilitas dan hasil penelitian ini juga dapat menambah wawasan sebagai
pen-dekatan pada variabel ekonomi khususnya volatilitas.
1.7 Metode Penelitian
Metode yang digunakan dalam menganalisis data adalah estimasi ARCH-GARCH
bila data berbentuk heteroskedastisitas. Bila data berbentuk homoskedastisitas,
maka data diestimasi menggunakan estimasi OLS.
Langkah-langkah untuk membuat model dan estimasinya adalah sebagai
berikut:
1. Pengumpulan data.
2. Uji korelasi dan uji heteroskedastisitas menggunakan uji
white noise
.
3. Menghilangkan otokorelasi (jika ada). Untuk mengetahui ada atau tidaknya
otokorelasi dilakukan dengan uji
Durbin Watson
.
d
=
Σ
ni=2
(e
i−
e
i−1)
2Σ
n i=1e
2i4. Membuat model sederhana ARCH-GARCH.
σ
2i
=
α
0+
α
1e
2i−1+
βσ
2
i−1
5. Estimasi menggunakan metode kemungkinan terbesar.
logℓ
= Σ
n i=1(
−
1
ABSTRAK
Skripsi ini membahas pemodelan dan estimasi volatilitas nilai tukar rupiah
ter-hadap dolar Amerika tahun 2005 menggunakan estimasi ARCH-GARCH.
Da-ta volatiliDa-tas nilai tukar rupiah dapat diterangkan oleh model ARCH-GARCH
karena sifat variabel tersebut berfluktuasi (naik-turun) dari satu periode tertentu
keperiode berikutnya. Berdasarkan hasil estimasi yang diperoleh melalui program
eviews
dapat diketahui bahwa data tersebut mengandung heteroskedastisitas,
sta-sioner dan tidak mengandung otokorelasi.
v
ABSTRACT
DAFTAR ISI
Halaman
PERSETUJUAN
i
PERNYATAAN
ii
PENGHARGAAN
iii
ABSTRAK
v
ABSTRACT
vi
DAFTAR ISI
vii
BAB
1. PENDAHULUAN
1
1.1. Latar Belakang
1
1.2. Perumusan Masalah
3
1.3. Tinjauan Pustaka
3
1.4. Batasan Masalah
3
1.5. Tujuan Penelitian
3
1.6. Manfaat Penelitian
4
1.7. Metode Penelitian
4
2. LANDASAN TEORI
5
2.1. Heteroskedastisitas
5
2.2. Stasioner
11
2.3. Model ARCH dan GARCH
16
3. PEMBAHASAN
21
3.1. Deskripsi Data
21
3.2. Uji Heteroskedastisitas
22
3.3. Otokorelasi (Autokorelasi)
22
3.4. Model ARCH-GARCH
22
3.5. Estimasi Parameter-parameter Dengan Estimasi
Maximum
Likelihood
23
4. KESIMPULAN DAN SARAN
25
4.1. Kesimpulan
25
4.2. Saran
26
DAFTAR PUSTAKA
27
vii
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Metode kuadrat terkecil
(Ordinary Least Square/OLS)
telah banyak digunakan
dalam berbagai kesempatan. Pada umumnya metode ini digunakan untuk
menge-tahui hubungan antarvariabel. Dalam metode kuadrat terkecil, Teorema Gauss
Markov, salah satunya mensyaratkan agar varians dari residu bersifat konstan atau
tidak berubah-ubah. Hal ini agar estimator yang didapat adalah BLUE
(Best
Lin-ier Unbiased Estimater)
atau mempunyai sifat yang linier, tidak bias dan varians
minimum. Data yang digunakan dalam metode ini dapat berupa data penampang
(
cross section
) dan data runtun waktu (
time series
). Data penampang adalah data
yang diperoleh dari pengamatan yang berbeda pada waktu yang sama, sedangkan
data runtun waktu adalah data yang diperoleh dari pengamatan yang sama
pa-da waktu yang berbepa-da. Contohnya besarnya kompensasi yang diberikan kepapa-da
karyawan industri makanan, tekstil, pakaian, percetakan dan lain-lain berdasarkan
jumlah karyawan. Semakin besar industri (makin banyak jumlah karyawannya),
maka kompensasi yang diberikan semakin besar. Data penampang sering
memu-nculkan varians dan residu yang berubah-ubah, namun bukan berarti data runtun
waktu terhindar dari permasalahan tersebut.
Ada beberapa alasan mengapa variansi kesalahan pengganggu
e
iselalu
berubah-ubah, antara lain sebagai berikut:
1. Mengikuti model berbuat kesalahan dalam belajar, yaitu kalau orang belajar
terus, kesalahan untuk melakukan apa yang dipelajari semakin menurun,
2
2. Kalau pendapatan tumbuh/berkembang, makin banyak orang menerima
pen-dapatan yang sangat berbeda jumlahnya, kemungkinan mempunyai lebih
banyak alternatif untuk mengeluarkan/menggunakan pendapatan itu,
se-hingga variansi makin membesar dengan kenaikan pendapatan.
3. Kalau teknik pengumpulan data semakin membaik, nilai
σ
2cenderung
menge-cil.
Data runtun waktu terutama data finansial seperti data harga indeks
sa-ham, tingkat bunga, nilai tukar sering kali berubah-ubah (volatilitas). Akibat
data yang bervolatilitas adalah varians dan residu tidak konstan. Dengan kata
lain data semacam itu mengalami heteroskedastisitas. Adanya heteroskedastisitas
menyebabkan perkiraan (estimasi) parameter berdasarkan OLS menjadi tidak
efe-sien baik dalam sampel kacil maupun sampel besar sehingga estimasi varians akan
bias dan menyebabkan pengujian hipotesis tentang parameter tidak tepat.
Bagaimana cara mendeteksi dan mengatasi adanya heteroskedastisitas akan
dibahas pada bab berikutnya. Heteroskedastisitas dipandang bukan sebagai
su-atu masalah, tetapi justru memanfaatkan kondisi tersebut untuk membuat model.
Bahkan dengan memanfaatkan heteroskedastisitas dalam residu dengan tepat,
ma-ka ama-kan diperoleh varians yang lebih efisien. Model ini dikenal dengan nama
Auto
Regressive Conditional Heteroskedasticity (ARCH) dan General Auto Regressive
Conditional Heteroskedasticity (GARCH)
.
Volatilitas diperlukan dalam penukaran mata uang untuk menganalisis
re-siko pemegang aset dari investasi pilihan, meramalkan interval keyakinan sehingga
dapat diperoleh interval yang lebih tepat dengan memodelkan varians, residu dan
estimasi yang lebih efesien bila heteroskedastisitas digunakan dengan tepat.
Berdasarkan uraian di atas, maka penulis memilih judul skripsi ini
3
ditional Heteroskdastisitas-General Auto Regressive Conditional
Het-eroskdastisitas
(ARCH-GARCH).
1.2 Perumusan Masalah
Adapun yang menjadi permasalahan dalam tulisan ini adalah bagaimana membuat
dan mengestimasi parameter model ARCH-GARCH pada data volatilitas nilai
tukar rupiah terhadap dolar Amerika tahun 2005 menggunakan estimasi model
ARCH-GARCH.
1.3 Tinjauan Pustaka
Engle (2001) menyatakan bahwa ARCH adalah variabel yang dipengaruhi oleh
variabel itu sendiri berdasarkan informasi masa lalu dan variansnya berubah-ubah
pada periode-periode sebelumnya.
Sumargono dan Laksono (2004) menyatakan bahwa GARCH telah secara
luas dipakai sebagai pendekatan pada variabel ekonomi khususnya volatilitas.
J.Supranto (2004) Heteroskedastisitas ialah suatu keadaan dimana variansi
dari kesalahan pengganggu
e
itidak konstan untuk semua variabel bebas.
Surya dan Hariadi (2003) telah melakukan pemodelan volatilitas beberapa
saham menggunakan model GARCH(1,1).
1.4 Batasan Masalah
Untuk menyelesaikan masalah pemodelan dan estimasi volatilitas, penulis
mem-batasi orde/derajat pada ARCH-GARCH, yaitu GARCH(1,1).
1.5 Tujuan Penelitian
4
menjadi lebih efesien yaitu mempunyai varians yang minimum.
1.6 Manfaat Penelitian
Memperkaya literatur tentang model dan estimasi ARCH-GARCH untuk data
volatilitas dan hasil penelitian ini juga dapat menambah wawasan sebagai
pen-dekatan pada variabel ekonomi khususnya volatilitas.
1.7 Metode Penelitian
Metode yang digunakan dalam menganalisis data adalah estimasi ARCH-GARCH
bila data berbentuk heteroskedastisitas. Bila data berbentuk homoskedastisitas,
maka data diestimasi menggunakan estimasi OLS.
Langkah-langkah untuk membuat model dan estimasinya adalah sebagai
berikut:
1. Pengumpulan data.
2. Uji korelasi dan uji heteroskedastisitas menggunakan uji
white noise
.
3. Menghilangkan otokorelasi (jika ada). Untuk mengetahui ada atau tidaknya
otokorelasi dilakukan dengan uji
Durbin Watson
.
d
=
Σ
ni=2
(e
i−
e
i−1)
2Σ
n i=1e
2i4. Membuat model sederhana ARCH-GARCH.
σ
2i
=
α
0+
α
1e
2i−1+
βσ
2
i−1
5. Estimasi menggunakan metode kemungkinan terbesar.
logℓ
= Σ
n i=1(
−
1
2
log2π
−
1
2
logσ
2 i−
1
2
e
2 iσ
2 i)
6. Kesimpulan.
BAB 2
LANDASAN TEORI
Pada bab ini akan dipaparkan mengenai materi-materi yang berhubungan dan
mendukung untuk mendapatkan model dan bagaimana mengestimasi model
terse-but.
Materi-materi tersebut antara lain: heteroskedastisitas, stasioner model
ARCH-GARCH. Dengan demikian, akan mempermudah dalam hal pembahasan
hasil utama pada bab berikutnya.
2.1 Heteroskedastisitas
Heteroskedastisitas adalah suatu kondisi dimana varians dari kesalahan/pengganggu
tidak konstan untuk semua nilai variabel bebas.
2.1.1 Dampak Heteroskedastsitas.
Beberapa akibat yang ditimbulkan heteroskedastisitas adalah sebagai berikut:
(i) Estimasi OLS menjadi tidak bias.
(ii) Varians dari parameter OLS tidak minimum.
(iii) Estimasi OLS menjadi tidak konsisten.
2.1.2 Teknik Mendeteksi Heteroskedastisitas.
Untuk mendeteksi heteroskedastisitas dapat diketahui dengan dua cara, yaitu
6
1.
Metode Grafik
Heteroskedastisitas merupakan suatu kondisi dimana varians tidak konstan.
Dengan demikian pada suatu nilai variabel bebas akan mempunyai nilai
var-ians yang berbeda dengan variabel bebas lainnya. Oleh karena itu, bila
nilai-nilai varians diplot dengan nilai-nilai-nilai-nilai variabel bebas akan ditemui suatu pola
atau bentuk yang sistematis.
2.
Uji Formal
Salah satu kelemahan pengujian secara grafik adalah tidak jarang kita ragu
terhadap pola yang ditunjukkan grafik. Keputusan secara subyektif
tentun-ya dapat mengakibatkan berbedantentun-ya keputusan antara satu orang dengan
orang lainnya. Oleh karena itu, kadang-kadang dibutuhkan uji formal untuk
memutuskannya. Uji formal tersedia cukup banyak, seperti uji
P ark
dan
Goldfeld
−
Quandt, uji
Breusch-Pagan Godfrey
(uji BPG), uji
white
dan
lain-lain. Pada bagian ini hanya akan membahas uji BPG dan uji
white
karena uji ini telah tersedia dalam program
eviews.
(a) Uji
Breusch-Pagan Godfrey
(BPG)
Pada prinsipnya uji ini tidak jauh berbeda dengan uji lainnya, yaitu
men-coba mengukur varians akibat perubahan nilai-nilai variabel bebasnya.
Per-hatikan model regresi ganda pada persamaan (2.1) berikut:
Y
i=
β
0+
β
1X
1i+
β
2X
2i+
...
+
β
kX
ki+
e
i(2.1)
dengan
i
= 1, 2, 3, ...,
n.
k
= 0, 2, 3, ...,
n.
n
= Banyak pengamatan.
Diasumsikan
var(e
2i
) =
σ
i2merupakan fungsi linier.
Adapun langkah-langkah yang perlu dilakukan untuk menguji ini adalah:
1. Buat hipotesis
H
0: Varians
e
ihomoskedastisitas
H
1: Varians
e
iheteroskedastisitas
7
2. Estimasi model regresi dan cari ˆ
e
i.
3. Cari :
˜
σ
2=
e
ˆ
2
i
n
4. Uji BPG dilambangkan dengan
p, dengan rumus:
p
i=
ˆ
e
2i
˜
σ
25. Regresikan
p
idengan
X
sehingga didapat:
p
2i
=
γ
0+
γ
1X
1i+
γ
2X
2i+
...
+
γ
mX
mi+
e
idengan
e
iadalah residual.
6. Hitung jumlah kuadrat regresi
(Sum Of Square Regression/SSR)
dan
cari:
Θ =
1
2
SSR
7. Bandingkan dengan tabel
Chi Square
dengan derajat bebas (m
−
1)
dimana
m
adalah jumlah parameter yang digunakan.
Jika Θ
> χ
2(m−1)
, maka tolak hipotesis yang menyatakan homoskedastisitas.
(b)
Uji White noise
(White General Heteroscedastisity Test)
Model ini lebih mudah digunakan dibandingkan dengan uji-uji lainnya.
Per-hatikan persamaan regresi ganda berikut:
Y
i=
β
0+
β
1X
1i+
β
2X
2i+
...
+
β
kX
ki+
e
ik
= Banyaknya variabel yang tercakup dalam persamaan regresi.
Berdasarkan persamaan regresi ganda di atas kita dapat melakukan
uji white noise
dengan beberapa tahap, yaitu:
1. Hasil estimasi dari model di atas akan menghasilkan residu, yaitu: ˆ
e
28
H
0: Varians
e
ihomoskedastisitas.
H
1: Varians
e
iheteroskedastisitas.
Sampel berukuran
n
dan koefesien determinasi
R
2yang didapat dari
regresi akan mengikuti distribusi
Chi Square
dengan derajat bebas,
jumlah variabel bebas atau jumlah parameter regresi di luar intercept.
Dengan demikian, rumus
uji white noise
adalah sebagai berikut:
nR
2∼
χ
23. Jika nilai penghitungan melebihi nilai kritis dengan
α
yang dipilih,
dipu-tuskan bahwa tidak terdapat heteroskedastisitas. Hal ini disebabkan
α
1=
α
2=
α
3=
...
=
α
k= 0, sehingga ˆ
e
2i=
α
0(konstan).
2.1.3 Teknik Mengatasi Heteroskedastisitas.
Menurut Nachrowi dan Usman (2006) ada beberapa teknik yang dapat digunakan
untuk mengatasi heteroskedastisitas, yaitu:
(a) Metode Kuadrat Terkecil Tertimbang
Metode ini hanya dapat diterapkan jika
σ
2i
diketahui. Perhatikan model
berikut:
Y
i=
β
0+
β
1X
i+
e
idengan
var(e
i) =
σ
i2(2.3)
Jika persamaan tersebut masing-masing dikalikan
σ1i
, maka:
Y
iσ
i=
β
0(
1
σ
i) +
β
1(
X
iσ
i) + (
e
iσ
i)
(2.4)
Jika
σ1idisubstitusi dengan * maka model tersebut dapat dituliskan sebagai:
Y
∗i
=
β
0∗+
β
1X
i∗+
e
∗i(2.5)
Dapat dibuktikan bahwa model (2.4) telah homoskedastisitas.
9
E(e
∗2i
) =
E(
e
2i
σ
2i
) =
1
σ
2i
E(e
2i) =
1
σ
2i
=
σ
2(2.6)
Oleh karena residu telah homoskedastisitas karena mempunyai varians yang
konstan, maka model (2.4) dapat diduga dengan OLS, dan penduga yang
diperoleh akan bersifat BLUE, sedangkan model awal (2.3) yang belum
di-transformasikan bila diestimasi dengan OLS, estimasi tidak bersifat BLUE.
(b) Transformasi dengan
1Xi
Dalam banyak pembuatan model regresi, ternyata nilai-nilai
σ
2i
hampir tidak
pernah diketahui. Untuk menanggulangi kendala tersebut maka digunakan
asumsi untuk menentukan nilai
σ
2i
. Asumsikan bahwa:
E(e
2i
) =
σ
2X
i2(2.7)
Dengan asumsi demikian, maka transformasi dilakukan dengan membagi
model awal (2.3) dengan
X
i. Maka model menjadi:
Y
iX
i=
β
0(
1
X
i) +
β
1+ (
e
iX
i)
(2.8)
Jika
X1i
disubstitusi dengan * maka model tersebut dapat ditulis sebagai:
Y
∗i
=
β
0∗+β
1+e
∗i(2.9)
Apakah sudah homoskedastisitas? Perhatikan bukti berikut:
E(e
∗2i
) =
E(
e
2i
X
2i
) =
1
X
2i
E(e
2i) =
1
X
2i
(σ
2X
i2) =
σ
2(2.10)
Ternyata hasil transformasi tersebut telah menyebabkan residual konstan,
dan berarti residual telah homoskedastisitas. Mengingat hal tersebut, maka
sekarang OLS dapat digunakan dengan meregresikan
YiXi
dengan
1Xi
. Lihat
kembali persamaan (2.8). Persamaan hasil transformasi menunjukkan bahwa
10
(c) Transformasi dengan
√1 XiPada transformasi ini diasumsikan bahwa
E
(e
2i
) =
σ
2X
i. Setelah
ditransfor-masikan persamaan (2.3) menjadi:
Y
i√
X
i=
β
0(
1
√
X
i) +
β
1p
X
i+ (
e
i√
X
i)
(2.11)
Atau dapat ditulis dengan:
Jika
1√
Xi
disubstitusi dengan * maka model tersebut dapat ditulis sebaga:
Y
∗i
=
β
0∗+
β
1+
e
∗iPembuktian bahwa hasil transformasi konstan adalah:
E(e
∗2i
) =
E(
e
2i
√
X
i2
) =
1
X
iE(e
2i) =
1
X
i(σ
2X
i) =
σ
2(2.12)
(d) Transformasi dengan
E(Y
i)
Transformasi ini dilandasi dengan asumsi bahwa:
E(e
2i
) =
σ
2[E(Y
i)]
2Hasil transformasi adalah:
Y
iE(Y
i)
=
β
0(
1
E(Y
i)
) +
β
1(
X
iE(Y
i)
) + (
e
iE(Y
i)
)
(2.13)
Atau dapat ditulis dengan:
Y
∗i
=
β
0∗+
β
1X
1∗+
e
iKembali akan dibuktikan, apakah residu telah homoskedastisitas?
E(e
∗2i
) =
E
(
e
2i
[E(Y
i)]
2) =
1
[E(Y
i)]
2E(e
2i) =
1
[E(Y
i)]
2(σ
2[E(Y
i)]
2) =
σ
2(2.14)
Permasalahan dalam transformasi ini adalah tidak diketahuinya nilai
β
0dan
β
1, sehingga [E(Y
i)] juga tidak dapat diketahui. Oleh karena itu,
trans-formasi dapat dilakukan dengan memanfaatkan model regresi yang diduga,
11
yaitu:
Y
i=
b
0+
b
1X
i, yang sekaligus merupakan penduga [E
(Y
i)], atau sering
dinotasikan dengan ˆ
Y
. Persamaan hasil transformasinya adalah:
Y
iˆ
Y
i=
β
0(
1
ˆ
Y
i) +
β
1(
X
iˆ
Y
i) + (
e
iˆ
Y
i)
(2.15)
2.2 Stasioner
Sekumpulan data dinyatakan stasioner jika nilai rata-rata dan varians dari data
runtun waktu tidak mengalami perubahan (rata-rata dan varians konstan).
Data runtun waktu sangat banyak digunakan, ternyata data runtun waktu
menyimpan berbagai permasalahan. Salah satunya adalah otokorelasi. Otokorelasi
adalah penyebab yang mengakibatkan data menjadi tidak stasioner, sehingga bila
data distasionerkan maka otokorelasi akan hilang dengan sendirinya, karena itu
transformasi data untuk membuat data yang tidak stasioner menjadi stasioner
sama dengan transformasi data untuk menghilangkan otokorelasi.
Mengapa data harus stasioner? Hal ini berkaitan dengan metode estimasi
yang digunakan. Misalnya regresi, tidak stasionernya data mengakibatkan kurang
baiknya model yang diestimasi akibat heteroskedastisitas.
Proses yang stasioner mempunyai sifat-sifat sebagai berikut:
1.
P
(Y
i, ..., Y
(i+k)) =
P
(Y
(i+m), ..., Y
(i+k+m)),
∀
k, m, i
2.
EY
i=
µ
ytidak tergantung pada
i.
3.
V ar(Y
i) =
σ
y2=
E[Y
i−
µ
i2] tidak tergantung pada
i.
4.
γ
k=
cov(Y
i, Y
(i+k)) : tidak tergantung pada =
cov(Y
(i+m), Y
(i+k+m))
12
dengan
k
= Beda waktu (lag) dan
m
= Panjang lag.
2.2.1 Uji Kestasioneran Data.
Uji yang sangat sederhana untuk melihat stasioner data adalah dengan analisis
grafik, yang dilakukan dengan membuat plot antara nilai observasi (Y
) dan waktu
(i). Akan tetapi analisis grafik mempunyai kelemahan karena keputusan
diam-bil secara subyektif, sehingga memungkinkan terjadinya perbedaan pengamdiam-bilan
keputusan. Untuk itulah digunakan uji formal dalam menentukan stasioner
da-ta. Ada beberapa macam pengujian yang dapat dilakukan yaitu Uji Bartlett, Uji
Box-Pierce, Uji Ljung-Box(LB) dan
Unit Root Test
.
(a) Uji Bartlett
Uji ini dilakukan untuk melihat signifikan
r
ksatu per satu. Bartlett menunjukkan
bahwa jika suatu runtun waktu dibentuk melalui proses
white noise
, maka sampel
otokorelasinya akan memiliki distribusi normal dengan rata-rata nol dan standar
deviasi
n11/2, di mana
n
banyaknya pengamatan, atau dinotasikan dengan
r
k∼
N(0,
n11/2). Oleh karena itu, bila ada
r
k>
0.2 (dua kali standar deviasi), maka
kita yakin dengan kepercayaan 95% bahwa
ρ
6
= 0 dan berarti runtun waktu yang
sedang kita analisis bukan berasal dari proses
white noise
. Atau secara sistematis
dapat ditulis:
r
k±
Z
a2s.e
Di mana: s.e = standar error.
H
0: Homoskedastisitas
H
1: Lainnya.
Jika interval
r
ktidak mengandung nilai nol, maka
H
0diterima, akan tetapi
13
(b) Uji Box-Pierce
Uji ini digunakan untuk mengetahui apakah nilai
ρ
kpada sekumpulan waktu secara
nyata berbeda dengan nol. Dengan demikian hipotesisnya adalah:
H
0: Semua
ρ
k= 0
H
1: Paling sedikit ada satu
ρ
k6
= 0
Untuk menguji hipotesis tersebut, kita gunakan uji
Q
yang dikenalkan oleh
Box
dan
Pierce, dengan formulasi:
Q
=
nΣ
m k=1r
k2Dengan:
n
= Banyaknya pengamatan.
m
= Panjangnya lag.
Nilai uji
Q
ini dibandingkan dengan Tabel
Chi-Square
dengan derajat bebas
sama dengan
m. jika
Q > χ
2(m,5)
, maka kita dapat menolak hipotesis, atau dapat
juga dikatakan, kita yakin dengan tingkat kepercayaan 95% bawha tidak semua
ρ
k= 0. Bila ini terjadi, runtun waktu tidak berasal dari proses
white noise
.
(c) Uji Ljung-Box (LB)
Fungsi uji ini sesungguhnya sama dengan Uji
Q, tetapi untuk sampel yang
beruku-ran kecil, teknik yang merupakan pengembangan dari Statistik
Q
ini lebih
”pow-erfull”
.
Rumus dari pengujian ini adalah sebagai berikut:
LB
=
n(n
+ 2)Σ
m k=1(
r
214
Sama pula dengan Uji
Q, nilai
LB
dibandingkan dengan tabel
Chi Square
dengan
derajat bebas sama dengan
m.
(d) Uji
Unit Root
Selain membuat korelogram, stasioner juga dapat dilihat dengan menggunakan
uji formal yang dikenal dengan uji
Unit Root
. Pengujian ini merupakan uji yang
sangat populer, dan dikenalkan oleh
David Dickey
dan
Wayne Fuller. Untuk
memudahkan pengertian mengenai
Unit Root
, perhatikan model berikut:
Y
i=
ρY
i−1+
e
iJika
ρ
k= 1, maka model menjadi acak tanpa trend. Disini kita akan
meng-hadapi masalah dimana varian
Y
itidak stasioner. Dengan demikian
Y
idapat
disebut mempunyai
unit root
atau data tidak stasioner.
Bila persamaan tersebut dikurangi pada
Y
i−1sisi kanan dan kiri, maka
persamaannya menjadi:
Y
i−
Y
i−1=
ρY
i−1+
e
i−
Y
i−1Y
i−
Y
i−1= (ρ
−
1)Y
i−1+
e
iAtau dapat ditulis dengan:
∆Y
i=
δY
i−1+
e
iDari persamaan tersebut dapat dibuat hipotesis:
H
0:
δ
= 0
H
1:
δ
6
= 0
Jika kita menolak hipotesis
δ
= 0, maka
ρ
= 1. Artinya kita memiliki
unit
root
, dimana data runtun waktu
Y
itidak stasioner.
15
2.2.2 Transformasi Data Tidak Stasioner Menjadi Stasioner.
Teknik transformasi yang digunakan adalah proses pembedaan stasioner
(Difference Stasionarity Process/DSP)
. Untuk keperluan tersebut, perhatikan
mod-el berikut:
Y
i=
α
+
ρY
i−1+
e
idengan memasukkan variabel bebas waktu(i), maka model menjadi:
Y
i=
α
+
βi
+
ρY
i−1+
e
iAndaikan
α
= 0,
β
= 0, dan
ρ
6
= 0, maka modelnya menjadi:
Y
i=
Y
i−1+
e
iAtau dapat ditulis dengan:
Y
i−
Y
i−1=
e
iatau
∆Y
i=
e
iSehingga,
E(∆Y
i) = 0, dan
var(∆Y
i) =
σ
2, maka model tersebut menjadi
stasioner. Proses inilah yang disebut proses pembedaan stasioner. Andaikan
α
6
=
0,
β
= 0, dan
ρ
6
= 0, maka modelnya menjadi:
Y
i=
α
+
Y
i−1+
e
iModel tersebut adalah
Random Walk
dengan intercep yang tidak stasioner.
Bila model ditulis dengan:
Y
i−
Y
i−1=
α
+
e
iatau
16
maka:
E(∆Y
i) =
E(α
+
e
i) =
α
dan
var(∆Y
i) =
var(α
+
e
i) =
σ
2Kita lihat bahwa rata-rata maupun varians telah konstan, yang berarti ∆Y
itelah stasioner. Berarti persamaan ini juga merupakan proses pembedaan
stasion-er, karena ketidakstasioneran
Y
idapat dieliminasi pada pembedaan pertama.
Andaikan
α
6
= 0,
β
6
= 0, dan
ρ
= 0, maka modelnya menjadi:
Y
i=
α
+
βi
+
e
iDengan rata-rata adalah sebagai berikut:
E(Y
i) =
α
+
βi
dan
E(Y
i) =
σ
2Dari persamaan rata-rata dan varians di atas dapat kita lihat bahwa rata-rata
berubah sesuai waktu, sehingga tidak stasioner.
2.3 Model ARCH dan GARCH
2.3.1 Model ARCH.
Model ARCH yang sangat sederhana dan mudah digunakan adalah model linier
orde pertama (I). Andaikan
{
e
i}
adalah nilai riil dan
{
a
i}
adalah sebuah
white
noise
dengan
ψ
iadalah kumpulan semua informasi yang diperoleh pada waktu
i.
Pada intinya, model ARCH dapat dijelaskan sebagai berikut:
17
y
i=
b
0+
b
1x
1i+
b
2x
2i
+
e
iσ
2i
atau varians
e
iheteroskedastisitas, dan mengikuti persamaan berikut:
σ
2i
=
α
0+
α
1e
2i−1;
σ
2
i
=
var(e
i)
Perhatikan bahwa
var(e
i) dijelaskan oleh dua komponen:
(a) Komponen konstanta:
α
0(b) Komponen variabel:
α
1e
2i−1; yang disebut komponen ARCH
Pada model ini,
e
iheteroskedastisitas, tergantung (conditional) pada
e
i−1.
Dengan menambahkan informasi ”conditional” ini estimator dari
b
0,
b
1dan
b
2menjadi lebih efesien.
Model ARCH di atas, dengan
var(e
i) tergantung hanya pada volatilitas satu
periode lalu, seperti pada
σ
2i
=
α
0+
α
1e
2i−1, disebut model ARCH(1). Sedangkan
secara umum, bila
var(e
i) tergantung hanya pada volatilitas beberapa periode lalu,
seperti
σ
2i
=
α
0+
α
1e
2i−1+
α
2e
2
i−2
+
α
3e
2
i−3
+
...
+
α
pe
2
i−p
disebut model ARCH(p)
dengan
α
0>
0 dan
α
1, α
2, α
3, ..., α
p≥
0.
p
= Orde/derajat model.
= 0, 1, ...,
∞
Atau ditulis dengan:
σ
2i
=
α
0+ Σ
pi=1α
ie
2i−1Pada model ini, agar varians menjadi positif (var(e
2)
>
0), maka harus
dibuat pembatasan, yaitu:
α
0>
0 dan 0
< α
1<
1. Sebuah proses ARCH(p)
stasioner jika:
0
≤
Σ
pi=1α
i<
1
be-18
sar akan mengakibatkan banyaknya parameter yang harus diestimasi sehingga
ketelitian dari estimator tersebut berkurang. hal semacam ini sering dijumpai
pada analisis data harian.
Untuk mengatasi estimasi parameter yang terlalu banyak,
var(e
i) dapat
dijadikan model berikut:
σ
2i
=
α
0+
α
1e
2i−1+
βσ
i−2 1Model ini disebut model GARCH(1,1), karena
σ
2i
tergantung pada
e
2i−1dan
σ
2i−1
yang masing-masing mempunyai beda waktu satu hari, maksudnya waktu
yang diperlukan variabel tak bebas terhadap perubahan-perubahan variabel bebas
adalah satu hari. Sama halnya dengan model ARCH, agar varians menjadi positif
(var(e
2i
)
>
0), maka pada model ini juga harus dibuat pembatasan, yaitu:
α
0>
0;
α
1, β
≥
0; dan
α
1+
β <
1 untuk menjamin bahwa data mempuyai varians yang
stationer.
Sebagaimana model ARCH, maka model GARCH ini juga dapat diestimasi
dengan teknik
maximum likelihood
. Secara umum,
var(e
i) dapat ditulis:
σ
2i
=
α
0+
α
1e
i2−1+
...
+
α
pe
2
i−p
+
β
1σ
2
i−1
+
...
+
β
qσ
2
i−q
Model di atas disebut model GARCH(p, q). Dari model di atas terlihat
bahwa besaran
var(e
i) selain diduga tergantung pada
e
2juga tergantung pada
σ
2pada masa lalu. Parameter dari model GARCH memberi informasi seberapa erat
pengaruh masa lalu terhadap perubahan nilai volatilitas.
2.3.1.1 Sifat-sifat Model ARCH(1) Linier.
Dengan menggunakan persamaan
E(e
i) =
E
{
E(e
i|
ψ
i−1)
}
, sifat dari ARCH(1)
linier dapat ditunjukkan. Sifat-sifatnya adalah sebagai berikut:
(i) Varians
E(e
i) = 0,
α
0>
0 dan 0
≤
α
1<
1
19
(iii)
cov(e
i, e
i−k) = 0,
∀
k6
= 0
(iv)
E(e
4i
) = [
3 α0(1−α1)2
][
1−α21
1−3α21
],
α
0>
0 dan 0
≤
α
1<
1
Teorema 2.3.1
Asumsikan bahwa
e
iadalah proses ARCH(1) dengan variabel
(e
i) =
σ
2<
∞
. Maka
e
iadalah white noise.
Bukti. Dari
E(e
i|
ψ
i−1) sedemikian sehingga
E(e
i) = 0, dan
cov(e
i, e
i−k) =
E
(e
i|
ψ
i−1)
=
E
[E(e
ie
i−k|
ψ
i−1)]
=
E
[e
i−kE(e
i|
ψ
i−1)]
=
E
[e
i−k,
0]
=
E
[0]
= 0.
Teorema 2.3.2
(Ketidakkondisionalan varians dari ARCH(1)) Asumsikan proses
e
iadalah proses ARCH(1) dengan
var(e
i) =
σ
2<
∞
sedemikian sehingga
σ
2=
α0
1−α1
.
Bukti
σ
2=
E(e
2i)
=
E[E(e
2i|
ψ
i−1)]
=
α
0+
αE(e
2i−1)
=
α
0+
α
1σ
2σ
2(1
−
α
1) =
α
0σ
2=
α
01
−
α
120
2.3.2 Estimasi Model ARCH(p) Linier.
Estimasi dari model ARCH adalah berdistribusi normal menggunakan metode
maximum likelihood
. Asumsikan bahwa
e
iberdistribusi normal.
ℓ(e
i|
ψ
i−1) =
1
p
2πσ
2 1e
− 1 2e21
σ21
.
1
p
2πσ
2 2e
− 1 2e22
σ22
.
1
p
2πσ
2 3e
− 1 2e23
σ32
...
1
p
2πσ
2 ie
− 1 2e2i σ2
i
logℓ
=
log(
p
1
2πσ
2 1e
− 1 2 e2 1σ12
.
1
p
2πσ
2 2e
− 1 2 e2 2σ22
.
1
p
2πσ
2 3e
− 1 2 e2 3σ23
...
1
p
2πσ
2 ie
− 1 2e2i σ2
i
)
logℓ
=
log(
p
1
2πσ
2 1e
− 1 2e21
σ12
) +
log(
1
p
2πσ
2 2e
− 1 2e22
σ22
) +
log(
1
p
2πσ
2 3e
− 1 2e23
σ32
) +
...
+
log(
1
p
2πσ
2 ie
− 1 2e2i σ2
i
)
logℓ
= Σ
n i=1log(
1
p
2πσ
2 ie
− 1 2e2i σ2
i
)
logℓ
= Σ
n i=1(
−
1
2
log2π
−
1
2
logσ
2 i−
1
2
e
2 iσ
2 i)
n
= Jumlah pengamatan dari
Y
i.
BAB 3
PEMBAHASAN
3.1 Deskripsi Data
Data yang digunakan dalam penelitian ini adalah data nilai tukar rupiah terhadap
dolar Amerika tahun 2005 yang diperoleh dari Bank Sentral Republik Indonesia
melalui internet pada tanggal 28 agustus 2006 pukul 10.00 WIB dengan alamat:
http
:
//www.bi.go.id/biwb/templates/Dynamic/Kurs ID.aspx?NRMODE
=
P
−
ublished&NRORIGIN ALU RL
= %2fweb%2fid%2fIn.
Data terdiri dari dua model, yaitu model untuk nilai tukar jual dan model
nilai tukar beli. Data terlampir pada lapiran A dan B.
Adapun model yang digunakan adalah model ARCH-GARCH yang terdiri
dari dua persamaan, yaitu persamaan regresi dan persamaan varians
Peramaan regresi:
Y
i=
γX
i+
e
iY
i= Tingkat penurunan rupiah terhadap dolar Amerika pada waktu
i.
X
i= Nilai tukar rupiah terhadap dolar Amerika pada waktu
i.
e
i= Residu pada waktu
i
i
= 1, 2, 3, ..., 246.
Persamaan varians:
σ
2i
=
α
0+α
1e
2i−1+βσ
2
22
Data terdiri dari dua variabel, yaitu variabel
X
dan variabel
Y
. Persamaan (3.1)
menunjukkan
conditional
varians dan peramalan varians dari satu periode ke
de-pan,
σ
2i
berdasarkan informasi masa lalu.
Conditional
varians merupakan fungsi
tiga hal, yaitu (1) rata-rata,
α
0; (2) Volatilitas masa lalu yang diukur dari residu
kuadrat masa lalu,
e
2i−1
dan merupakan bentuk ARCH; dan (3) varians masa lalu
σ
2i−1
yang merupakan bentuk GARCH. Parameter-parameter yang akan diestimasi
adalah
γ,
α
0,
α
1dan
β. Untuk mengestimasi parameter model GARCH digunakan
perangkat lunak, yaitu
eviews.
3.2 Uji Heteroskedastisitas
Untuk menentukan adanya heteroskedastisitas dilakukan
Uji White
. Baik nilai
tukar jual maupun beli, hasilnya menunjukkan bahwa probabilitas statistik
Obs*R-Squared
sangat tinggi bila dibandingkan dengan
F
Statistik, yaitu 8,
636584
>
4,
421271 untuk nilai tukar jual, sedangkan untuk nilai tukar beli 8,
701900
>
4,
455939. Atau dapat disimpulkan bahwa residu dari model regresi yang dibuat
mengandung heteroskedastisitas.
3.3 Otokorelasi (Autokorelasi)
Untuk mengetahui apakah data otokorelasi digunakan uji
Durbin Watson (
DW
)
Statistik
. Untuk nilai tukar jual diperoleh nilai
DW
=1.626662 (mendekati dua),
maka
ρ
akan benilai nol, yang berarti tidak ada otokorelasi. Begitu juga untuk
nilai tukar beli,
DW
=1.626850. Berarti baik nilai tukar jual maupun beli tidak
ada otokorelai
3.4 Model ARCH-GARCH
Berdasarkan output pada lampiran diperoleh persamaan sebagai berikut:
per-samaan regresi dan varians untuk nilai tukar jual:
Y
i= 481.4049371
−
0.04854932027
∗X
i23
σ
i2= 888.2988 + 0.913962e
2i−1+ 0.026251σ
2
i−1
X
ibertanda negatif (- 0.04854932027), artinya semakin tinggi nilai tukar jual
rupiah terhadap dolar, maka semakin rendah tingkat penurunan rupiah terhadap
dolar.
Persamaan regresi dan varians untuk nilai tukar beli:
Y
i= 432.4236279
−
0.04841952591
∗X
iσ
2i
= 903.410 + 0.905105e
2i−1+ 0.030720σ
i−2 1X
ibertanda negatif (- 0.04841952591), artinya semakin tinggi nilai tukar beli
rupiah terhadap dolar, maka semakin rendah tingkat penurunan rupiah terhadap
dolar.
3.5 Estimasi Parameter-parameter Dengan Estimasi
Maximum
Likeli-hood
Untuk mengestimasi model ARCH-GARCH digunakan estimasi
likelihood. Fungsi
likelihoodnya adalah:
logℓ
= Σ
n i=1(
−
1
2
log2π
−
1
2
logσ
2 i−
1
2
e
2 iσ
2 i)
Berdasarkan
output, maka diperoleh model sebagai berikut:
Estimasi
likelihood
untuk nilai tukar jual adalah sebagai berikut:
logℓ
=
−
1
2
log2(3.14)
−
1
2
log(0.026251)
−
1
2
1.113962
0.026251
=
−
20.823644
Estimasi
likelihood
untuk nilai tukar beli adalah sebagai berikut:
ℓ
i=
−
1
2
log2(3.14)
−
1
2
log(0.030720)
−
1
2
1.095105
0.030720
24
Melalui pendekatan estimasi
maximum likelihood
parameter-parameter yang
diperoleh dapat dilihat dari tabel berikut ini:
Tabel 3.1
:
Hasil estimasi
γ,
α
dan
β
menggunakan metode estimasi
maximum likelihood
Variabel
γ
α
β
(StandaarError(SE)
Nilaitukarjual
888.2988
0.913962
0.026251
81.40337
Nilaitukarbeli
903.410
0.905105
0.030720
81.36871
Koefesien regresi yang dihasilkan ternyata untuk
γ
hasilnya paling besar
yaitu 903.410 pada nilai tukar beli sedang untuk
α
hasil yang paling besar pada
nilai tukar jual, yaitu sebesar 0.913962. Untuk
β
hasil yang paling besar adalah
pada nilai tukar jual, yaitu sebesar 0.030720, sedangkan untuk
Standart Error
yang paling besar adalah pada nilai tukar beli, yaitu sebesar 81.40337.
Dari hasil estimasi terlihat bahwa estimasi ARCH terdiri dari dua bagian,
bagian atas untuk persamaan rata-rata (mean) dan bagian bawah untuk
per-samaan varians.
α
ditunjukkan oleh koefesien ARCH, sedangkan
β
ditunjukkan
oleh koefesien GARCH. Koefesien ARCH-GARCH memberi informasi seberapa
besar pengaruh masa lalu terhadap perubahan nilai volatilitas nilai tukar.
Pa-da
output
terbawah menunjukkan sekumpulan satistik regresi yang menggunakan
residu dari persamaan rata-rata.
Jumlah parameter ARCH dan GARCH hampir mendekati satu tepatnya
0.940213 untuk nilai tukar jual, sedangkan untuk nilai tukar beli 0.935825.
Apa-bila jumlah parameter ARCH dan GARCH mendekati 1 (satu) maka volatilitas
bersifat tetap. Model ARCH-GARCH membutuhkan 198 iterasi, untuk nilai tukar
jual dan 123 iterasi untuk nilai tukar beli untuk mencapai fungsi
likelihood
yang
maksimum.
BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Dari hasil dan pembahasan di atas dapat diambil kasimpulan sebagai berikut:
1. Dari
uji white
diketahui bahwa nilai tukar jual dan beli mengandung
het-eroskedastsitas.
2. Dari
uji Durbin Watson Statistik
diketahui bahwa nilai tukar jual dan beli
tidak mengandung otokorelasi.
3. Persamaan regresi dan varians nilai tukar jual:
Y
i= 481.4049371
−
0.04854932027
∗X
iσ
2i
= 888.2988 + 0.913962e
2i−1+ 0.026251σ
2
i−1
Persamaan regresi dan varians nilai tukar beli:
Y
i= 432.4236279
−
0.04841952591
∗X
iσ
2i
= 903.410 + 0.905105e
2i−1+ 0.030720σ
2
i−1
i
= 1, 2, 3, ..., 246.
4. Data mempunyai varians yang stasioner, karena jumlah koefesien ARCH
dan GARCH lebih kecil dari satu, yaitu 0.940213 untuk nilai tukar jual dan
26
4.2 Saran
Model GARCH(1,1) yang dikembangkan masih terlalu sederhana yaitu data
Y
ihanya mempertimbangkan variabel
e
i, hal ini bisa dikembangkan lebih lanjut
misalnya dengan menyertakan data
Y
i−1atau dengan meningkatkan derajat/orde
GARCH.
DAFTAR PUSTAKA
Asokan, M.V. Chenouri, S. dan Mahmoodabadi, A.K. 2001. ARCH and GARCH
Models. Dept Of Statistics and Actuarial Science University. Waterloo On
Canada.
Engle, Robert. 2001. GARCH 101: The Use Of ARCH/GARCH Model in Applied
Econometrics. Journal Of Econometric Presvektive, Vol.15. Num. 4.
Gujarati, D. 1995. Ekonometri Dasar. Erlangga. Ciracas, Jakarta.
Hasibuan, Nurimandjah. 1982. Pengantar Ekonometrika. Bagian Penerbitan Fakultas
Ekonomi, UGM. Yogyakarta.
Nachrowi, D.N. dan Usman, Hardius. 2006. Ekonometrika. Fakultas Ekonomi
Universitas Indonesia. Jakarta.
Pornchaiwiseskul, P. ARCH Models. Faculty Of Economics Chulalongkorn
University.
Sugiarto, Harijono. 2000. Peramalam Bisnis. PT Gramedia Pustaka Utama. Jakarta.
Sumargono, B. dan Laksono, Y.G. 2004. Pemodelan Volatilitas Nilai Tukar Yen
Dengan Model ARCH-GARCH. Jurnal Mat Stat, Vol. 4. No. 2.
Sumodiningrat, Gunawan. 2001. Ekonometrika Pengantar. BPFE. Yogyakarta.
Supranto, J. 2004. Ekonometrika. Ghalia Indonesia. Jakarta.