commit to user
iPEMODELAN SMOOTH TRANSITION AUTOREGRESSIVE
(STAR) PADA KURS THAI BATH TERHADAP RUPIAH
oleh
RAHMA NUR CAHYANI
M0105059
SKRIPSI
ditulis dan diajukan untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Sains Matematika
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET SURAKARTA
commit to user
ii
ABSTRAK
Rahma Nur Cahyani, 2010. PEMODELAN
SMOOTH TRANSITION
AUTOREGRESSIVE (STAR) PADA KURS THAI BATH TERHADAP
RUPIAH. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas
Maret
Runtun waktu finansial dan perekonomian suatu negara, termasuk kurs
mempunyai kecenderungan nonlinier sehingga diperlukan suatu uji nonlinieritas. Jika
asumsi nonlinier dipenuhi maka diperlukan model yang nonlinier untuk memodelkan
runtun waktu tersebut. Runtun waktu nonlinier dapat dimodelkan menggunakan
model Smooth Transition Autoregressive (STAR). Terdapat dua tipe model STAR,
yaitu Logistic Smooth Transition Autoregressive (LSTAR) dan Exponential Smooth
Transition Autoregressive (ESTAR).
Tujuan skripsi ini adalah menentukan model runtun waktu nonlinier yang
sesuai untuk kurs thai bath terhadap rupiah kemudian menggunakan model tersebut
untuk meramalkan kurs dolar thai bath terhadap rupiah pada satu periode ke depan.
Metode yang digunakan dalam skripsi ini adalah studi kasus. Data yang digunakan
adalah kurs thai bath terhadap rupiah periode 1 Januari 2005 sampai 9 April 2010
sebagai in-sample dan periode 12 April 2010 sampai 9 Juli 2010 sebagai out-of
sample.
Hasil pemodelan nonlinier yang diperoleh adalah model LSTAR (2,2).
Berdasarkan nilai standar deviasi dan Akaike Info Criterion (AIC) pada pembentukan
model data in-sample, model LSTAR (2,2) berhasil memodelkan kenonlinearan
runtun waktu kurs thai bath terhadap rupiah dengan cukup baik. Akan tetapi
berdasarkan mean squared error (MSE) dan mean percentage error (MAPE),
evaluasi peramalan pada out-of sample menunjukkan bahwa hasil ramalan model
LSTAR (2,2) kurang akurat.
commit to user
iiiABSTRACT
Rahma Nur Cahyani, 2010. SMOOTH TRANSITION AUTOREGRESSIVE
(STAR) MODELLING IN THAI BATH EXCHANGE RATE OF THAILAND
TO THE INDONESIAN RUPIAH. Faculty of Mathematics and Natural Sciences.
Sebelas Maret University
During the past years investigators have found evidence indicating that
financial and economic time series, such as exchange rate may be nonlinear. In this
final project it is assumed that the time series is nonlinear, then it can be adequately
described by a Smooth Transition Autoregressive (STAR) model. The STAR-type
nonlinearities are Logistic Smooth Transition Autoregressive (LSTAR) and
Exponential Smooth Transition Autoregressive (ESTAR).
The purpose of this final project is to determine nonlinear time series model
that appropriate for thai bath exchange rate of Thailand to the Indonesian rupiah and
then use the model to forecast the thai bath exchange rate of Thailand to the
Indonesian rupiah in one period to the future. The method applied in this final project
is case study. Data applied for modelling this nonlinear time series is thai bath
exchange rate of Thailand to the Indonesian rupiah between 1 Januari 2005 to 9 April
2010 periods as in-sample and 12 April 2010 to 9 July 2010 as out-of sample.
The result of modelling nonlinearity is LSTAR (2,2) model. Based on the
value of standarized deviation and Akaike Info Criterion (AIC), the model described
the nonlinearity of thai bath exchange rate of Thailand to the Indonesian rupiah
succesfully. Nevertheless, forecast evaluation to the out-of sample showed less
forecast accuracy.
commit to user
ivMOTO
“… dan tiada sehelai daun pun yang gugur melainkan Dia mengetahuinya (pula)....” (Al-An’aam: 59)
”Aku sesuai dengan prasangka hambaKu kepadaKu, maka Berprasangkalah ia kepadaKu sesukanya.”
commit to user
vPERSEMBAHAN
Karya ini kupersembahkan untuk:
♥ Orang tuaku tercinta
Yang selalu melimpahkan kasih sayang, mendidik, mendoakan, dan memberikan dukungan. Terima kasih untuk semuanya.
♥ Kakak dan adikku tersayang
Yang selalu memberikan kebahagiaan, keceriaan, dan semangat. Kalian membuat hariku lebih berwarna.
♥ Sahabat-sahabatku
Untuk setiap waktu, semangat, dukungan, dan perhatian kalian. Tetaplah menjadi sahabat-sahabat terbaikku.
commit to user
viKATA PENGANTAR
Bismillahirohmanirrohim. Alhamdulillahirobbil’alamin, puji syukur penulis
panjatkan kehadirat Allah SWT, atas rahmat dan hidayah-Nya penulis dapat
menyelesaikan skripsi ini.
Penulis menyadari bahwa dalam menyelesaikan skripsi ini banyak pihak yang
telah membantu. Untuk itu, pada kesempatan ini penulis ingin mengucapkan terima
kasih kepada
1. Drs. Sugiyanto, M.Si., sebagai Pembimbing I yang telah dengan sabar dan
teliti memberikan bimbingan dalam penulisan skripsi ini.
2. Supriyadi Wibowo, M.Si., sebagai Pembimbing II yang telah dengan sabar
dan teliti memberikan bimbingan dalam penulisan skripsi ini.
3. Winita Sulandari, M.Si., selaku pembimbing akademik yang dengan sabar
membimbing dan memotivasi penulis.
4. Bapak dan ibu, atas doa, dukungan, kasih sayang, perhatian, dan pengorbanan
yang diberikan selama ini.
5. Kakak dan adikku, atas keceriaan yang diberikan, kalian membuat hariku
lebih berwarna.
6. Sahabat-sahabatku, untuk setiap waktu, semangat, dukungan, dan perhatian
kalian.
7. Semua pihak yang telah membantu dalam penyusunan skripsi ini.
Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi seluruh
pembaca.
Surakarta,
Juli
2010
commit to user
viiDAFTAR ISI
Halaman
HALAMAN JUDUL ………....
i
HALAMAN PENGESAHAN ………..
ii
ABSTRAK………... iii
ABSTRACT………... iv
MOTO……… v
PERSEMBAHAN………. vi
KATA PENGANTAR ………...
vii
DAFTAR ISI ……….
viii
DAFTAR GAMBAR..………..
x
DAFTAR TABEL….……….
xi
DAFTAR NOTASI DAN SIMBOL………...
xii
BAB I PENDAHULUAN
1.1 Latar Belakang……….……….…………
1.2 Perumusan Masalah………..………....
1.3 Batasan Masalah………..……….
1.4 Tujuan Penelitian………..………
1.5 Manfaat……….………..…………..
1
2
2
2
3
BAB II LANDASAN TEORI
2.1 Tinjauan Pustaka……….
2.1.1 Return………...………..
2.1.2 Stasioneritas Proses Autoregresif Linear ………
2.1.3 Estimasi Parameter AR Linear………
2.1.4 Model Smooth Transition Autoregressive (STAR) …..……..…
2.1.5 Uji Nonlinearitas………..
2.1.6 Pemilihan Variabel Transisi…………..………..
4
4
4
7
9
11
14
commit to user
viii2.1.7 Pemilihan Fungsi Transisi……….………..
2.1.8 Estimasi Parameter Model STAR………
2.1.9 Pemeriksaan diagnostik………...………
2.1.10 Kriteria Pemilihan Model………
2.1.11 Peramalan………
2.1.12 Evaluasi Hasil Peramalan………
2.2 Kerangka Pemikiran……….………...
BAB III METODE PENELITIAN……….………
14
14
17
19
19
20
21
22
BAB IV PEMBAHASAN
4.1 Deskripsi Data………
4.2 Stasioneritas Data……….………
4.3 Identifikasi Model AR LInear………..………
4.4 Estimasi dan Evaluasi Model AR Linear……..………...
4.5 Uji Nonlinearitas………...………
4.6 Identifikasi Model STAR……….
4.7 Estimasi dan Evaluasi Model LSTAR (2,1) ………
4.8 Estimasi dan Evaluasi Model LSTAR (2,2).………
4.8.1
Uji Autokorelasi Residu………..…..
4.8.2
Uji Efek Heteroskedastisitas……...………...
4.8.3
Distribusi Residu……….………..
4.9 Peramalan dan Evaluasi………...……….………
BAB V PENUTUP
5.1 Kesimpulan………..……….……
5.2 Saran……….…………
DAFTAR PUSTAKA………..………
LAMPIRAN………
23
24
24
25
27
27
29
31
32
33
34
35
38
38
39
40
commit to user
ixDAFTAR GAMBAR
Gambar 4.1 Plot Kurs Thai Bath terhadap Rupiah Periode 1 Januari 2005 sampai
9 April 2010………..…
23
Gambar 4.2 Plot Log Return Kurs Thai Bath terhadap Rupiah Periode 1 Januari
2005 sampai 9 April 2010………...……….…………
24
Gambar 4.3 Plot ACF dan PACF Log Return Kurs Thai Bath terhadap Rupiah
Periode 1 Januari 2005 sampai 9 April 2010……….…...………
25
Gambar 4.4 Plot Log Return, Hasil Estimasi, dan Residu Model LSTAR (2,2) ….
32
Gambar 4.5 Histogram dan Ringkasan Statistik Residu Model LSTAR (2,2) …… 34
Halaman
commit to user
x
DAFTAR TABEL
Tabel 4.1
Ringkasan Statistik Data Kurs Thai Bath terhadap Rupiah Periode 1
Januari 2005 sampai 9 April 2010………..
23
Tabel 4.2
Hasil Estimasi Model AR(2) Tanpa Konstanta pada Data Log
Return……….……….…………
26
Tabel 4.3
Hasil Uji Breusch-Godfrey sampai Lag-5 Residu Model AR(2)……
26
Tabel 4.4
Uji Nonlinearitas pada Data Log Return ………...…… 27
Tabel 4.5
Model Regresi Bantu dengan Variabel Transisi
X
t−1pada Uji
Nonlinearitas pada Data Log Return……….……….
28
Tabel 4.6
Hasil Estimasi Model LSTAR (2,1) ……….………. 29
Tabel 4.7
Hasil Uji Breusch-Godfrey sampai Lag-5 Residu LSTAR (2,1) …... 30
Tabel 4.8
Model Regresi Bantu dengan Variabel Transisi
X
t−2pada Uji
Nonlinearitas pada Data Log Return………..……
31
Tabel 4.9
Hasil Estimasi Model LSTAR (2,2)………..…………. 31
Tabel 4.10
Hasil Uji Breusch-Godfrey sampai Lag-5 Residu LSTAR (2,2) …... 33
Tabel 4.11
Uji Lagrange Multiplier sampai lag-1 untuk Residu Model LSTAR
(2,2) ………
34
Tabel 4.12
Evaluasi Peramalan Model LSTAR (2,2) dan AR (2)……… 37
Halaman
commit to user
xiDAFTAR NOTASI DAN SIMBOL
t
X
:
log return pada waktu t
T
: jumlah
observasi
( )
E
: harga
harapan
k
γ
: autokovariansi
pada
lag-k
k
c
:
estimasi autokovariansi pada lag-k
k
ρ
:
autokorelasi pada lag-k
k
r
: estimasi
autokorelasi
pada
lag-k
kk
φ
:
autokorelasi parsial pada lag-k
k
φ
ˆ:
estimator autokorelasi parsial pada lag-k
B
: operator
Backward Shift
φ
: parameter
autoregresif
θ
: parameter
STAR
φ
ˆ
: estimasi
parameter
autoregresif
θ
ˆ:
estimasi parameter STAR
p
:
order parameter autoregresif
µ
: rata-rata
2
σ
: variansi
*
SSR
:
jumlah kuadrat residu
2
R
: koefisien
determinasi
t
ε
: residu
model
autoregresif pada waktu t
{ }
ε
t: deret
white noise
t
Ω
:
himpunan semua informasi
X pada saat sampai di waktu t
tcommit to user
xiic
:
parameter lokasi pada STAR
d t
X
−:
variable transisi pada STAR
d
:
delay
)
,
,
(
c
X
t eG
γ
−: fungsi
transisi
)
,
,
(
c
X
t dR
•γ
−: fungsi
remainder
)
,
,
(
c
X
t dT
•γ
−: pendekatan
Taylor
untuk fungsi transisi
Xˆ
: estimasi
log
return
β
:
parameter regresi bantu
e
:
residu model regresi bantu
b
:
estimasi parameter regresi bantu
r
: jumlah
observasi
out-of sample
(
Xt h t)
E + Ω
:
harga harapan bersyarat dari
X
t+hdiberikan
Ω
t( )
D
: turunan
pertama
l
: fungsi
log
likelihood
2
χ
: statistik
uji
Breusch-Godfrey
M
: jumlah
parameter
n
: jumlah
rasidu
*
ξ
: statistik
uji
Lagrange Multiplier
2
p
χ
: distribusi
Chi-Squared dengan derajat bebas p
commit to user
BAB I PENDAHULUAN 1.1 Latar Belakang
Globalisasi dalam bidang ekonomi menyebabkan berkembangnya sistem perekonomian dan perdagangan ke arah yang lebih terbuka antar negara. Hal ini membawa suatu dampak ekonomis terjadinya perdagangan internasional antar negara-negara di dunia. Perbedaan mata uang yang digunakan oleh negara-negara yang bersangkutan baik negara pengekspor maupun pengimpor menimbulkan suatu perbedaan nilai tukar mata uang (kurs). Perubahan nilai tukar disebut fluktuasi nilai tukar, dengan adanya perbedaan nilai tukar ini memberikan kesempatan bagi pihak-pihak tertentu untuk mengambil keuntungan. Kurs juga dapat dijadikan alat untuk mengukur kondisi perekonomian suatu negara.
Mata uang Thailand (thai bath) dianggap sebagai salah satu mata uang regional yang mempengaruhi perekonomian Asia. Krisis ekonomi yang terjadi di kawasan Asia, termasuk Indonesia pada tahun 1997 berawal dari devaluasi nilai thai bath (www.wikipedia.com). Mengingat besarnya dampak dari fluktuasi kurs terhadap perekonomian maka diperlukan suatu manajemen kurs yang baik. Fluktuasi dapat diprediksi menggunakan analisis runtun waktu finansial karena deretan observasi dari variabel random kurs thai bath terhadap rupiah dapat dinyatakan sebagai data runtun waktu.
Dalam analisis runtun waktu, nilai masa kini dipengaruhi oleh nilai sejenis di masa lalu. Jika hanya nilai data masa lalu yang berpengaruh maka proses yang terjadi dinamakan proses autoregresif. Dengan metode Box-Jenkins dapat disusun model autoregresif untuk proses tersebut. Model yang dihasilkan dalam metode ini adalah model-model linear, sementara tidak semua runtun waktu finansial adalah linear (Tsay, 2002). Menurut Derek (2007), kurs termasuk runtun waktu finansial yang memiliki kecenderungan nonlinear. Jika uji nonlinearitas menunjukkan bahwa asumsi nonlinearitas dipenuhi maka kurang sesuai jika digunakan model linear konvensional seperti metode Box-Jenkins. Oleh karena itu, diperlukan model baru yang nonlinear terhadap data tersebut. Model Smooth
commit to user
2
Transition Autoregressive (STAR) merupakan model nonlinear yang sesuai untuk
pemodelan kurs (Derek, 2007). Model STAR terbagi menjadi model Logistic
Smooth Transition Autoregressive (LSTAR) dan Exponential Smooth Transition Autoregressive (ESTAR).
Sejak adanya artikel dari Terasvirta dan Anderson (1992) dan Terasvirta (1994), model STAR telah menjadi pemodelan nonlinear yang populer dalam terapan bidang ekonomi modern. Model STAR telah diterapkan dalam pemodelan dinamik dari berbagai macam runtun waktu finansial dan ekonomi, seperti produksi industri oleh Terasvirta dan Anderson (1992), suku bunga oleh Van Dijk dan Franses (2000), nilai tukar mata uang oleh Taylor, Peel, dan Sarno (2001), dan tingkat pengangguran oleh Skalin dan Terasvirta (2002). Oleh karena itu, pada penelitian ini akan diterapkan pemodelan STAR pada kurs thai bath terhadap rupiah.
1.2 Perumusan Masalah
Berdasarkan latar belakang, masalah yang akan dibahas dalam penelitian ini adalah
1. bagaimana model kurs thai bath terhadap rupiah menggunakan model STAR, 2. bagaimana ramalan kurs thai bath terhadap rupiah pada periode selanjutnya
menggunakan model STAR.
1.3 Batasan Masalah
Peramalan dalam penelitian ini dibatasi hanya pada ramalan untuk satu periode selanjutnya.
1.4 Tujuan Penelitian
Tujuan yang akan dicapai dalam penelitian ini adalah
1. menentukan model yang sesuai untuk kurs thai bath terhadap rupiah menggunakan model STAR,
2. menentukan ramalan kurs thai bath terhadap rupiah pada periode selanjutnya dengan menggunakan model STAR.
commit to user
1.5 Manfaat
Manfaat yang dapat diperoleh adalah
1. mengetahui lebih mendalam tentang penerapan model STAR sebagai salah
satu model alternatif nonlinear dalam runtun waktu finansial,
2. mendapatkan informasi tentang hasil ramalan kurs thai bath terhadap rupiah pada satu periode selanjutnya.
commit to user
4
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka
Untuk mencapai tujuan penulisan skripsi, diperlukan beberapa pengertian dan teori yang relevan dengan pembahasan yang akan dilakukan. Oleh karena itu pada sub bab ini akan disajikan beberapa teori yang berhubungan dengan pembahasan.
2.1.1 Return
Sebagian besar studi mengenai ekonomi dan finansial lebih menitikberatkan pada return daripada nilai sebenarnya. Hal ini disebabkan karena untuk data finansial, yang menjadi pusat perhatian adalah fluktuasi harga yang terjadi. Pendekatan untuk fluktuasi harga adalah perubahan relatif atau return yang sering didefinisikan sebagai log return. Menurut Tsay (2002), log return dirumuskan sebagai 1 ln − = t t t P P X ,
dengan P adalah observasi pada waktu t. t
2.1.2 Stasioneritas Proses Autoregresif (AR) Linear
Menurut Box dan Jenkins (1976), data runtun waktu adalah himpunan observasi yang terurut terhadap dimensi waktu. Observasi pada waktu t dapat
dituliskan sebagai P . Barisan T observasi runtun waktu dapat dinyatakan dengan t
T
P P P
P1, 2, 3,..., . Menurut Tsay (2002), apabila suatu log return diperlakukan
sebagai kumpulan dari variabel random terhadap waktu t , maka terdapat runtun waktu
{ }
P . tPola stasioner terjadi jika data berfluktuasi di sekitar nilai rata-rata konstan, data runtun waktu seperti ini adalah stasioner terhadap nilai rata-ratanya (Makridakis dkk, 1995).
commit to user
Autocorrelation Function (ACF)
Kovariansi antara observasi pada saat t yaitu X , dengan observasi pada t
saat t+ yaitu k Xt+k, didefinisikan sebagai
(
)
[
(
µ)(
µ)
]
γk =cov X ,t Xt+k =E Xt − Xt+k − , yang diestimasi oleh
( )
T(
X)(
X)
k , , , ... K ck = 1∑
tk=1 t−µ t+k −µ , =0 1 2 ,dengan k adalah nilai lag.
Autokorelasi antara X dengan t Xt+k didefinisikan sebagai
( ) (
t t k)
k t t k X X X X + + = var var ) , cov( ρ .Karena var
( )
Xt =var(
Xt+k)
, maka(
)(
)
[
]
( )
0 var γ γ µ µ ρ k t k t t k X X X E − − = = + .Autokorelasi antara X dengan t Xt+k diestimasi oleh
(
)(
)
(
)
∑
∑
= + = + − − − = T t t T k t t t k k X X X X X X 1 2 1 ˆ ρ , k =0,1,2,...,K,dengan X adalah observasi dari suatu runtun waktu pada waktu t dan X adalah t
rata-rata dari deret runtun waktu. Himpunan dari ρk,
{
ρk;k=1,2,...}
untuk berbagai lag k disebut Autocorrelation Function (ACF) (Wei, 1990).Menurut Pankratz (1983), jika suatu runtun waktu dengan rata-rata stasioner maka estimasi nilai dari ACF turun secara cepat mendekati nol dengan semakin bertambahnya lag, tetapi jika rata-ratanya tidak stasioner maka estimasi nilai dari ACF turun secara perlahan mendekati nol.
Partial Autocorrelation Function (PACF)
Autokorelasi parsial pada lag k dapat dipandang sebagai korelasi antara observasi X dan t Xt+k setelah menghilangkan hubungan dari Xt+1,Xt+2,...,Xt+k−1 (Wei, 1990).
commit to user
6
Autokorelasi parsial dari
{ }
X pada lag k didefinisikan sebagai t1 1 1 1 1 1 3 2 1 2 3 1 1 1 2 2 1 1 3 2 1 2 3 1 1 1 2 2 1 ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ φ K M M K K K M M K K − − − − − − − − − − − − = k k k k k k k k k k k k k kk .
Himpunan dari φkk,
{
φkk;k =1,2,...}
, disebut sebagai Partial AutocorrelationFunction (PACF). Fungsi φkk menjadi notasi standar untuk autokorelasi parsial
antara observasi X dan t Xt+k dalam analisis runtun waktu. Fungsi φkk akan
bernilai nol untuk lag k > p. Sifat ini dapat digunakan untuk identifikasi model AR, yakni pada model autoregresif berlaku ACF akan meluruh secara eksponensial menuju nol sedangkan nilai PACF φkk = ,0 k > p (Wei, 1990).
Proses White Noise
Proses
{ }
εt dikatakan White Noise dengan rata-rata nol dan variansi σ2 dapat ditulis εt~WN(0,σ2) jika dan hanya jika mempunyai mean nol dan fungsi autokovariansi ⎩ ⎨ ⎧ ≠ = = , 0 jika , 0 0 jika , 2 k k k σ γ fungsi autokorelasi ⎩ ⎨ ⎧ ≠ = = , 0 jika , 0 0 jika , 1 k k k ρdan fungsi autokorelasi parsial
⎩ ⎨ ⎧ ≠ = = . 0 jika , 0 0 jika , 1 k k kk φ
Menurut definisi di atas, suatu proses
{ }
εt disebut White Noise jika proses tersebut merupakan variabel random yang tidak berkorelasi dari suatu distribusicommit to user
tertentu dengan mean konstan E
( )
εt =µ biasanya diasumsikan nol, variansi σ2 , dan γ( )
k =Cov(
εt,εt+k)
=0 untuk setiap k ≠0 (Wei, 1990).Proses Autoregresif Orde p
Menurut Wei (1990), proses AR(p) dapat didefinisikan sebagai
t p t p t t t X X X X =φ1 −1+φ2 −2+...+φ − +ε ,
dengan AR(p) adalah proses autoregresif sampai lag ke-p dan εt adalah nilai
residu sampai waktu ke-t dari model AR(p), atau dapat ditulis dalam bentuk
( )
B Xt εtφ = ,
di mana
φ
( )
B =1−φ
1B−φ
2B2−...−φ
pBp dan operator backward-shift (lag operator) didefinisikan sebagai(
BjX)
t = Xt−j, j,t∈Z.2.1.3 Estimasi Parameter AR Linear
Menurut Cryer (1983), estimasi dari parameter model dapat diperoleh dengan menggunakan metode kuadrat terkecil (least square method), yaitu dengan meminimumkan jumlah kuadrat residu (sum squared error) berikut
(
)
2 2 2 2 1 1 2 ...∑
∑
= − − − − − − − = = T t p t p t t t t SSE X φX φ X φ X ε .Jumlah kuadrat residu pada persamaan (2.1) di atas akan minimum jika turunan parsial pertama terhadap φ1,φ2,...,φp sama dengan nol.
Misal dipunyai model AR(1) sebagai berikut
t t
t X
X =φ −1+ε ,
dengan t=1, 2, ...,T dan εt~WN(0,σ2). Nilai estimasi dari φ dapat diperoleh dengan meminimumkan jumlah kuadrat residu berikut
(
)
2 2 1 2∑
∑
= − − = = T t t t t SSE X φX ε .Jumlah kuadrat residu pada persamaan (2.3) di atas akan minimum jika turunan parsial terhadap φ sama dengan nol,
(2.3) (2.2) (2.1)
commit to user
8(
)
. 0 0 2 2 2 1 2 1 2 2 1 2 1 2 1 1∑
∑
∑
∑
∑
= − = − = − = − = − − = ⇔ = − ⇔ = − − = ∂ ∂ T t t T t t t T t t T t t t T t t t t X X X X X X X X X SSE φ φ φ φEstimasi dari φ dapat dinyatakan sebagai
∑
∑
= − = − = T t t T t t t X X X 2 2 1 2 1 ˆ φ .Untuk model AR(p)
t p t p t t t X X X X =
φ
1 −1+φ
2 −2+...+φ
− +ε
,dengan t=1,...,T, φ1,φ2,...,φp∈R, dan εt~WN(0,σ2) diperoleh sistem persamaan linear dengan p parameter sebagai berikut
(
...)
0 2 2 2 2 1 1 1 1 = − − − − − = ∂ ∂∑
= − − − − T t p t p t t t t X X X X X SSE φ φ φ φ(
)
(
...)
0. 2 0 ... 2 2 2 2 1 1 2 2 2 1 1 2 2 = − − − − − = ∂ ∂ = − − − − − = ∂ ∂∑
∑
= − − − − = − − − − T t p t p t t t p t p T t p t p t t t t X X X X X SSE X X X X X SSE φ φ φ φ φ φ φ φ MDari persamaan (2.4) diperoleh
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
= − = − = − − − = − = − = − − = − − = − = − = − − = − − = −=
+
+
+
=
+
+
+
=
+
+
+
T t t p t T t p t p T t t p t p t T t t T t t t T t p t t p T t t t T t t T t t t T t p t t p T t t t T t tX
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
2 2 2 2 2 2 2 1 1 2 2 2 2 2 2 2 2 2 2 1 1 2 1 2 1 2 2 1 2 2 2 1 1...
...
...
φ
φ
φ
φ
φ
φ
φ
φ
φ
M
(2.5) (2.4)commit to user
Jika direpresentasikan ke dalam bentuk matriks maka persamaan (2.5) dapat disederhanakan menjadi ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
= − = − = − = − = − − = − − = − − = − = − − = − − = − − = − T t t p t T t t t T t t t p T t p t T t t p t T t t p t T t p t t T t t T t t t T t p t t T t t t T t t X X X X X X X X X X X X X X X X X X X X X 2 2 2 2 1 2 1 2 2 2 2 2 1 2 2 2 2 2 2 1 2 2 1 2 2 1 2 2 1 M M L M O M M L L φ φ φatau dapat dituliskan menjadi
= x'xφ x'X, dengan ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) 1 1 1 2 1 2 2 2 3 2 1 1 t t t p t t t p n t p n t p n t n X X X X X X X X X − − − − − − − − − − − ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ = ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ ⎦ x L L M M O M L , 1 2 t t nt X X X ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ =⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ ⎦ X M , dan 1 2 p φ φ φ ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ =⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ ⎦ M φ .
Estimasi parameter dari ˆφ dalam bentuk vektor menjadi sebagai berikut
( )
-1= x'x x'X
)
φ .
2.1.4 Model Smooth Transition Autoregressive (STAR)
Model STAR merupakan pemodelan nonlinear perluasan dari model autoregresif di mana dalam modelnya terdapat dua rezim dan nilai dari parameternya dimuluskan dengan pemulusan transisi.
Menurut Terasvirta (1994), model STAR(p,d) untuk runtun waktu univariat yang diobservasi pada saat t=1,…,T-1,T dimodelkan sebagai
(
)
(
)
(
)
1' 1 , , 2' , , t t t d t t d t X =φ X −G γ c X− +φ XG γ c X − +ε , denganSTAR(p,d) : model STAR dengan orde p dan variabel transisi Xt−d,
( )
'' 1,
t = t
X X% di mana X%t =
(
Xt−1,Xt−2,,...,Xt p−)
' : log return saat periode ke-t, '1= ⎣⎡φ φ φ1,0, 1,1, 1,2,...,φ1,p⎤⎦
φ : parameter pada rezim 1,
commit to user
10
' 2= ⎣⎡φ φ φ2,0, 2,1, 2,2,...,φ2,p⎤⎦
φ : parameter pada rezim 2,
d t
X − : variabel transisi di mana 1≤d ≤ p,
(
c Xt d)
G γ, , − : fungsi transisi bernilai [0,1], c : parameter lokasi,
γ : slope, dan
t
ε : nilai residu sampai waktu ke-t dari model STAR (p,d).
Persamaan (2.6) di atas dapat dijabarkan sebagai
(
)
(
(
)
)
(
)
(
, ,)
, ... , , 1 ... 1, 2,0 2,1 1 2, 1 1 , 1 0 , 1 t d t p t p t d t p t p t t X c G X X X c G X X X ε γ φ φ φ γ φ φ φ + + + + + − + + + = − − − − − −atau dapat dituliskan menjadi
(
)
(
)
(
t d)
t p j j t j d t p j j t j t X G c X X G c X X φ φ γ φ φ ⎟⎟ γ +ε ⎠ ⎞ ⎜⎜ ⎝ ⎛ + + − ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ + = − = − − = −∑
∑
1 , , , , 1 , 2 0 , 2 1 , 1 0 , 1 .Fungsi transisi G
(
γ,c,Xt−d)
bergantung pada nilai variabel transisi (Xt−d),slope (γ), dan parameter lokasi (c). Besarnya parameter slope (γ) menentukan kemulusan antar rezim, sedangkan nilai dari parameter lokasi (c) mengindikasikan lokasi transisi.
Menurut Terasvirta (1994), model STAR terbagi dalam dua tipe berdasarkan fungsi transisinya, yaitu logistik dan eksponensial. Jika fungsi transisi pada persamaan (2.6) berupa fungsi logistik
(
)
(
(
)
)
, 0 exp 1 1 , , > − − + = − − γ γ γ c X X c G d t d tmaka disebut model Logistic Smooth Transition Autoregressive (LSTAR). Jika fungsi transisi pada persamaan (2.6) berupa fungsi eksponensial
(
γ,c,X −)
=1−exp(
−γ(
X − −c)
2)
, γ >0G t d t d
maka disebut model Exponential Smooth Transition Autoregressive (ESTAR). Sifat dari fungsi transisi logistik dan eksponensial yaitu pada saat parameter slope
0
commit to user
2.1.5 Uji Nonlinearitas
Diketahui model STAR dari persamaan (2.6) sebagai berikut
(
)
(
)
(
)
1' 1 , , 2' , ,
t t t d t t d t
X =φ X −G γ c X− +φ XG γ c X− +ε .
Hipotesis nol dari nonlinearitas dapat diekspresikan sebagai persamaan dari parameter AR dalam dua rezim sebagai berikut
0: 1 2
H φ =φ (model linear),
1: 1,i 2,i,
H φ ≠φ untuk minimalsatu i∈
{
0,1,...p}
(model nonlinear).Menurut Van Dijk (1999), pada masalah uji nonlinearitas untuk alternatif dari tipe STAR dianjurkan sejumlah solusi untuk mengganti fungsi transisi
(
c Xt d)
G γ, , − dengan pendekatan Taylor yang sesuai. Nonlinearitas dapat diuji
dengan statistik Lagrange Multiplier (LM), di mana statistik uji ini memiliki distribusi asimtotis standar Chi-Squared
( )
χ2 di bawah H . 0Uji terhadap LSTAR
Model STAR pada persamaan (2.6) dapat ditulis dalam bentuk
(
)
'(
)
'
1 2 1 , ,
t t t t d t
X =φ X + φ −φ XG γ c X− +ε .
Menurut Van Dijk (1999), fungsi transisi G
(
γ,c,Xt−d)
diganti dengan pendekatan Taylor orde tiga di sekitar γ =0,(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
, ,)
, 48 1 4 1 2 1 , , , , 6 1 , , 2 1 , , , 0 , , , 3 3 3 3 0 3 3 3 0 2 2 2 0 3 c X R c X c X c X R c X G c X G c X G c X G c X T d t d t d t d t d t d t d t d t d t γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ − − − − = − = − = − − − + − + − + = + ∂ ∂ + ∂ ∂ + ∂ ∂ + =di mana R3
(
Xt−d,γ,c)
merupakan fungsi remainder. Dengan mensubstitusikan(
X c)
T3 t−d,γ, dalam persamaan (2.8) pada G
(
γ,c,Xt−d)
dalam persamaam (2.7)didapatkan model bantuan,
2 3 0,0 0 1 2 3 ' ' ' ' t t t t d t t d t t d t X =β +β X% +β X% X− +β X% X− +β X% X − +e, (2.7) (2.9) (2.8)
commit to user
12
di mana et = +εt
(
φ2−φ1)
'XtR X3(
t d− , ,γ c)
, dan β ,0 β di mana i=1,2,3 i merupakan fungsi parameter dari φ φ1, , 2 γ , dan c.Uji hipotesisnya menunjukkan H'0:γ =0 berhubungan dengan
''
0: 1 2 3 0
H β = β = β = , yang dapat diuji menggunakan uji LM. Uji statistik tersebut
disebut sebagai LM , di bawah hipotesis nol linear dan memiliki distribusi 3
asimtotis Chi-Squared dengan derajat bebas 3p (χ3 p2 ) (Van Dijk, 1999).
Uji terhadap ESTAR
Menurut Van Dijk (1999), nonlinearitas dapat diuji melalui alternatif ESTAR yang diberikan oleh persamaan (2.7) dengan mengganti fungsi transisi
eksponensial dengan pendekatan Taylor orde pertama di sekitar γ =0,
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
(
)
)
(
)
( )
(
) (
)
(
)
(
)
(
, ,)
, , , 0 exp 1 , , exp exp 1 , , , , , 0 , , , 1 2 1 2 1 2 2 1 0 1 c X R c X c X R c X c X R c X c X c X c X R c X G c X G c X T d t d t d t d t d t d t d t d t d t d t d t d tγ
γ
γ
γ
γ
γ
γ
γ
γ
γ
γ
γ
γ − − − − − − − − − = − − − + − = + − + − = + − − − + − − − = + ∂ ∂ + =di mana R1
(
Xt−d,γ,c)
merupakan fungsi remainder. Dengan mensubstitusikan(
)
1 t d, ,
T X− γ c dalam persamaan (2.10) pada G
(
γ,c,Xt−d)
dalam persamaan (2.7)didapatkan model bantuan,
2
0,0 0 1 2
' ' '
t t t t d t t d t
X =
β
+β X% +β X% X − +β X% X − +e ,di mana et = +εt
(
φ φ2− 1)
'XtR X1(
t d− , ,γ c)
, dan β , 0 β di mana i=1,2,3 i merupakan fungsi parameter dari φ φ1, , 2 γ , dan c. Ekspresi dari β0,0 dan, 1, 2, 3
i i=
β menunjukkan bahwa pembatasan γ =0 berhubungan dengan
1= 2 =0
β β dalam persamaan (2.11). Uji statistik untuk hipotesis nol ini adalah
2
LM dengan distribusi asimtotis 2 2 p
χ .
Pada penentuan tipe fungsi transisi model STAR digunakan prosedur dari
Terasvirta yaitu melalui uji LM . Meskipun 3 LM dikembangkan untuk uji 3
(2.11) (2.10)
commit to user
alternatif LSTAR, namun uji ini memiliki kemampuan yang sama untuk alternatif ESTAR. Cara intuitif untuk memahami hal ini adalah dengan membandingkan persamaan (2.9) dan (2.11) yang digunakan untuk menghitung statistik statistik
2
LM dan LM . Terlihat bahwa semua regreser bantuan dalam persamaan (2.11) 3
terkandung dalam persamaan (2.9). Oleh karena itu, statistik LM diduga 3
memiliki kemampuan yang sama baiknya terhadap ESTAR (Van Dijk, 1999).
Statistik LM berdasarkan persamaan (2.9) dapat diperoleh dengan cara 3
1. meregresikan X terhadap t X~t, menghitung residual εˆ , dan jumlah kuadrat t residual
∑
= = T i t SSR 1 2 0 ε , ˆ2. menduga regresi bantuan (auxiliary regression) εˆ terhadap t
( )
1,X%t dan, 1, 2,3 i tXt d− i= X% , 2 3 0,0 0 1 2 3 ˆt β ' t ' tXt d ' tXt d ' tXt d et ε = +β X% +β X% − +β X% − +β X% − + , kemudian menghitung jumlah residual kuadrat
∑
= = T i t e SSR 1 2 1 ˆ , 3. dengan hipotesis 0 ... ... ... : 1,1 1, 2,1 2, 3,1 3, 0 = p = = p = = p = H β β β β β β (model linear), nol dengan sama tidak yang satu ada minimal : 1β
H (model nonlinear),statistik uji LM dapat dihitung berdasarkan 3
(
)
0 1 0 3 SSR SSR SSR T LM = − ,di mana distribusinya mengikuti distribusi 2
3 p
χ .
2.1.6 Pemilihan Variabel Transisi
Variabel transisi dapat ditentukan lebih dahulu tanpa menspesifikasikan
bentuk alternatif dari fungsi transisi. Dengan menghitung statistik uji LM untuk 3
commit to user
14
terkecil atau statistik uji LM terbesar. Dasar pemikiran di balik prosedur ini 3
adalah bahwa uji harus memiliki kekuatan maksimum dalam hal model alternatif telah dispesifikasikan dengan benar.
2.1.7 Pemilihan Fungsi Transisi
Jika uji nonlinearitas ditolak, dan variabel transisi yang tepat telah dipilih maka langkah selanjutnya adalah memilih bentuk dari fungsi transisi G
(
γ,c,Xt−d)
berdasarkan statistik uji LM (Van Dijk, 1999). 3Berdasarkan model regresi bantuan pada persamaan (2.9) ,
2 3
0,0 0 1 2 3
' ' ' '
t t t t d t t d t t d t
X =β +β X% +β X% X− +β X% X− +β X% X − +e, uji hipotesisnya adalah
linear), (model 0 ... ... ... : 1,1 1, 2,1 2, 3,1 3, 0 = p = = p = = p = H
β
β
β
β
β
β
0 dengan sama tidak yang satu ada minimal : 1β
H (nonlinear).Pemilihan fungsi transisi G
(
γ,c,Xt−d)
dilakukan dengan menguji urutan hipotesis nol berikut( )
( )
( )
0,3 3 0,2 2 3 0,1 1 3 2 i : 0 , ii : 0 0, iii : 0 0, H H H = = = = = = β β β β β β yaitu(i) jikaβ3≠0 maka model adalah LSTAR,
(ii) jika β3=0, tetapi β2≠0 maka model adalah ESTAR,
(iii) jika β3=0 dan β2 =0, tetapi β1≠0 maka model adalah LSTAR dan jika 1=0,
β maka model adalah ESTAR.
2.1.8 Estimasi Parameter Model STAR
Van Dijk (1999) menggunakan metode nonlinear least square (NLS) untuk mengestimasi parameter dari model STAR(p,d). Estimasi parameter pada
commit to user
metode NLS ditentukan dengan memiminimumkan jumlah kuadrat residu yang didefinisikan sebagai
( )
(
(
)
)
21
ˆ arg min arg min T ,
T t t t Q X F X = = =
∑
− θ θ θ , dengan(
)
1,0 1,(
(
)
)
2,0 2,(
)
1 1 , 1 , , , , , p p t j t j t d j t j t d j j F X φ φ X− G γ c X− φ φ X − G γ c X− = = ⎛ ⎞ ⎛ ⎞ =⎜ + ⎟ − +⎜ + ⎟ ⎝∑
⎠ ⎝∑
⎠ θ di mana(
)
(
(
)
)
, 0 exp 1 1 , , > − − + = − − γ γ γ c X X c G d t dt untuk model LSTAR, dan
(
γ,c,X −)
=1−exp(
−γ(
X − −c)
2)
, γ >0G t d t d untuk model ESTAR.
Proses pencarian nilai parameter pada metode NLS ini dilakukan dengan menggunakan metode numerik untuk melakukan estimasi secara iterasi.
Metode Gauss-Newton
Metode Gauss-Newton merupakan suatu algoritma untuk meminimumkan jumlah kuadrat residu. Konsep yang mendasari teknik tersebut adalah uraian deret
Taylor yang digunakan untuk menyatakan persamaan nonlinear semula dalam
suatu bentuk pendekatan yang linear. Dengan demikian, teori NLS dapat digunakan untuk memperoleh estimator-estimator baru dari parameter yang bergerak ke arah yang meminimumkan jumlah kuadrat residu tersebut.
Secara umum iterasi Gaus-Newton dinyatakan sebagai
( ) ( )
( )
( ) '( )
( ) 1( )
( ) '(
)
1 , i i i i i t t D D D X F X − + = −⎡ ⎤ ⎡ − ⎤ ⎣ ⎦ ⎢ ⎥ ⎣ ⎦ θ θ θ θ θ θ , dengan ( )( )
( 1, ( )), ( 2, ( )), , ( , ( )) ' i i i i F X F X F XT D = ⎢⎡∂ ∂ ∂ ⎤⎥ ∂ ∂ ∂ ⎣ ⎦ θ θ θ θ θ θ L θ .Misal dipunyai model STAR(p,d) sedemikian hingga
(
)
(
)
(
t d)
t p j j t j d t p j j t j t X G c X X G c X X φ φ γ φ φ ⎟⎟ γ +ε ⎠ ⎞ ⎜⎜ ⎝ ⎛ + + − ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ + = − = − − = −∑
∑
1 , , , , 1 , 2 0 , 2 1 , 1 0 , 1 ,commit to user
16 dengan(
)
(
(
)
)
, 0 exp 1 1 , , > − − + = − − γ γ γ c X X c G d t dt untuk model LSTAR,
(
γ,c,X −)
=1−exp(
−γ(
X − −c)
2)
, γ >0G t d t d untuk model ESTAR, dan
t
ε adalah nilai residu dari model.
Oleh karena itu, dimiliki vektor parameter θ sebagai
(
)
'1,0
,...,
1,p,
2,0,...,
2,p, ,
c
φ
φ φ
φ
γ
=
θ
.Menurut Nainggolan (2010), langkah awal algoritma Gauss-Newton
adalah menentukan nilai awal dan kemudian didekati dengan F
(
Xt,θ)
untuk Tpengamatan oleh bentuk linear menggunakan ekspansi deret Taylor di sekitar nilai awal g , yaitu ( )0
(
)
(
( )0)
(
)
(
( )0)
, ˆ , , t t t F X F X ≈F X + ⎢⎡∂ ⎤⎥ ∂ ⎣ ⎦θ=g θ θ g θ - g θ , dengan ( ) ( ) ( ) ( ) ' 0 0 0 0 0 1 k g g g ⎡ ⎤ = ⎣ ⎦g K adalah vektor dari parameter nilai awal.
Dengan penyederhanaan notasi
( )0
(
( )0)
, t t F =F X g , ( )0 ( ) 0 = − β θ g , ( )(
)
( )0 ( )0 0 ˆ , t t F X D = ⎡∂ ⎤ = ⎢ ∂ ⎥ ⎣ ⎦θ g θ θ ,pendekatan pada persamaan (2.12) dapat ditulis menjadi
(
)
( )0 ( ) ( )0 0 ,t t t
F X θ ≈F +D β .
Oleh karena itu, diperoleh pendekatan model nonlinear Xt =F X
(
t,θ)
+εtsebagai
( )0 ( ) ( )0 0
t t t t
X ≈F +D β +ε .
commit to user
Karena ( )0 ( )0 t t t X F X ≈ − , maka diperoleh pendekatan model regresi linear( )0 ( ) ( )0 0
t t t
X ≈D β +ε ,
atau dapat dituliskan dalam bentuk matriks sebagai berikut
( )0 ≈ ( ) ( )0 0 + X D β ε , dengan ( ) ( ) ( ) ( ) ' 0 0 0 0 1 1 , 2 2 , , T T X F X F X F ⎡ ⎤ =⎣ − − − ⎦ X K ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) 0 0 0 0 0 0 1 1 1 1 1 1 1,0 1, 2,0 2, 0 0 0 0 0 0 2 2 2 2 2 2 0 1,0 1, 2,0 2, 0 0 0 0 0 0 1,0 1, 2,0 2, p p p p T T T T T T p p
F
F
F
F
F
F
c
F
F
F
F
F
F
c
F
F
F
F
F
F
c
φ
φ
φ
φ
γ
φ
φ
φ
φ
γ
φ
φ
φ
φ
γ
⎡
∂
∂
∂
∂
∂
∂
⎤
⎢
∂
∂
∂
∂
∂
∂
⎥
⎢
⎥
⎢
∂
∂
∂
∂
∂
∂
⎥
⎢
⎥
⎢
⎥
= ∂
∂
∂
∂
∂
∂
⎢
⎥
⎢
⎥
⎢
∂
∂
∂
∂
∂
∂
⎥
⎢
⎥
⎢
∂
∂
∂
∂
∂
∂
⎥
⎣
⎦
D
L
L
L
L
M
M
M
M
M
M
L
L
( ) ( ) ( ) ( ) ' 0 0 0 0 0 , 1 , , k β β β ⎡ ⎤ = ⎣ ⎦ β K .Parameter β dapat di taksir dari persamaan normal pada model regresi ( )0
linear sederhana dan diperoleh
( ) ( ) ( ) ( ) 1 ( ) ( ) 0 0 0 0 0 ' ' i ⎡ ⎤− = − ⎣ ⎦ b θ D D D X ,
di mana b adalah vektor dari koefisien regresi kuadrat terkecil yang ditaksir ( )0 dan dapat digunakan untuk memperoleh taksiran parameter regresi berikutnya dengan koefisien regresi
( )1 = ( )0 + ( )0
commit to user
18
2.1.9 Pemeriksaan Diagnostik
Model yang diperoleh perlu diperiksa lebih lanjut untuk mengetahui ada tidaknya autokorelasi di dalam residu yang dihasilkan, efek heteroskedastisitas, dan distribusi residu (Terasvirta, 1994). Model stasioner yang baik akan memenuhi asumsi bahwa tidak ada autokorelasi dan efek heteroskedastisitas di dalam residu yang dihasilkan serta residu yang berdistribusi normal.
Bentuk Distribusi Residu
Bentuk distribusi residu dari model dapat dilihat melalui nilai kurtosis dan
skewness yang dimiliki. Pada distribusi normal, kurtosis bernilai 0 dan skewness
bernilai 3.
Uji Autokorelasi Residu
Salah satu uji yang dapat digunakan untuk menguji autokorelasi adalah uji
Breusch-Godfrey. Langkah-langkah uji Breusch-Godfrey adalah
1. meregresikan suatu model, sehingga diperoleh nilai residunya εt,
2. meregresikan εt terhadap seluruh variabel independen dalam model, ditambah
dengan εt−1,εt−2,K,εt−p, yaitu q t q p p p t p t t =λ X − + +λ X − +λ +ε + +λ + ε − ε 1 1 ... 1 K ,
dengan p adalah orde model dan q adalah lag yang diinginkan, kemudian dihitung koefisien nilai determinasi R nya. 2
3. menguji hipotesis
H0: tidak terdapat autokorelasi dalam residu model H1: terdapat autokorelasi dalam residu model,
4. menghitung statistik uji Breusch-Godfrey. Statistik uji yang digunakan adalah
Chi-Squared dengan derajat bebas p yaitu 2 2 =nR
χ ,
dengan n adalah banyaknya residu, dan R adalah koefisien determinasi, 2
5. H0 ditolak jika 2 2
p
commit to user
Uji Efek Heteroskedastisitas
Pengujian efek heteroskedastisitas dilakukan menggunakan uji Lagrange
Multiplier dengan langkah-langkah sebagai berikut
1. menentukan persamaan yang paling sesuai untuk data runtun waktu, dari persamaan tersebut diperoleh residu kuadrat (εt2),
2. meregresikan
ε
t2pada konstanta dan q lag-nya sendiri,2 2 2
0 1 1
t t q t q
ε =α α ε+ − + +K α ε − , kemudian dihitung koefisien nilai determinasi R nya, 2 3. menguji hipotesis dengan
H0 : α α1= 2=K=αq= 0 (tidak ada efek ARCH sampai lag m) H1 : paling sedikit terdapat satu αk ≠0, k=1, 2,K,q,
4. menggunakan asumsi normalitas, statistik uji yang digunakan adalah 2
* =nR
ξ ,
dengan n adalah banyaknya residu dan R adalah koefisien determinasi, 2
5. H0 ditolak jika * 2
q
ξ >χ .
2.1.10 Kriteria Pemilihan Model
Model terbaik dapat dipilih berdasarkan nilai Akaike Info Criterion (AIC) (Wei, 1990). AIC dirumuskan sebagai
AIC = −2l 2+ M,
dengan l adalah fungsi log likelihood, dan M adalah jumlah parameter yang diestimasi.
2.1.11 Peramalan
Misal Xˆt+ht merupakan peramalan dari Xt+h pada waktu t, dengan
prediksi residu sebagai berikut
h t h t t h t X X e+ = + − ˆ + .
commit to user
20
Peramalan Xˆt+ht meminimumkan prediksi residu kuadrat berikut
[ ]
(
)
⎥⎦⎤ ⎢⎣ ⎡ − Ω = + + +ht t h t ht t t E X X e E 2 ˆ 2 ,di mana Ω merupakan himpunan semua informasi dari waktu lampau sampai t
waktu t. Peramalan yang meminimumkan persamaan (2.13) merupakan ekspektasi bersyarat dari Xt+h pada waktu t,
[
t h t]
t h
t E X
Xˆ + = + Ω . Jika terdapat model AR(1) sebagai berikut
t t
t X
X =φ1 −1+ε , maka peramalannya adalah
[
t h t h t]
t h t t h t E X X Xˆ 1 1 1ˆ 1 − + + − + + = φ +ε Ω =φ , dengan Xˆt+ 1h− t = Xt, untuk h=1.Model umum AR nonlinear untuk orde 1 adalah
(
1,)
t t t
X =F X − θ +ε . Jika terdapat model STAR (1,1) sedemikian hingga
(
t1,)
(
1,0 1,1 t 1)
(
1(
, , t1)
)
(
2,0 2,1 t 1)
(
, , t1)
F X − θ = φ +φ X − −G γ c X− + φ +φ X − G γ c X− , dengan asumsi E[
εt+1Ωt]
=0, maka peramalan satu langkah ke depan X dapat t+1 diperoleh sebagai(
)
1 1 ˆ ; t t t t t X + =E X⎡⎣ + Ω =⎤⎦ F X θ .Pada peramalan lebih dari satu periode ke depan (multi-step forecast) berlaku
(
)
(
)
(
)
2 1 1 2 1 ˆ ˆ , t t t t t t t t t t X+ =E X⎡⎣ + Ω =⎦⎤ E F X⎡⎣ + Ω ⎦⎤≠F E X⎡⎣ + Ω ⎤⎦=F X + θsehingga perhitungannya akan lebih rumit.
2.1.11 Evaluasi Hasil Peramalan
Evaluasi hasil peramalan bertujun untuk mengevaluasi kualitas dari hasil peramalan model runtun waktu. Hasil peramalan relatif dapat juga digunakan
commit to user
sebagai kriteria pemilihan model, sebagai alternatif atau pelengkap perbandingan dalam sampel (in-sampel) dari model yang berbeda (Van Dijk, 1999). Ukuran yang digunakan untuk evaluasi hasil peramalan adalah
1. Mean Squared Error (MSE)
(
)
∑
= − = n t t t P P r MSE 1 2 ˆ 1 dengan tP :data asli kurs thai bath terhadap rupiah periode ke-t,
t
Pˆ : ramalan kurs thai bath terhadap rupiah periode ke-t, r : jumlah ramalan.
2. Mean Absolute Percentage Error (MAPE)
∑
= × ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − = n t t t t P P P r MAPE 1 100 ˆ 1 .Model dengan MSE dan atau MAPE yang lebih kecil memiliki hasil peramalan yang lebih baik (Van Dijk, 1999).
2.2 Kerangka Pemikiran
Banyak kasus runtun waktu seperti runtun waktu finansial dan perekonomian suatu negara, termasuk kurs mempunyai kecenderungan nonlinear sehingga diperlukan suatu uji nonlinearitas. Jika asumsi nonlinear dipenuhi maka kurang sesuai jika digunakan model linear konvensional. Oleh karena itu, diperlukan model baru yang nonlinear terhadap runtun waktu tersebut. Pada penelitian ini, akan digunakan model STAR sebagai salah satu alternatif model nonlinear untuk diterapkan pada runtun waktu kurs thai bath terhadap rupiah guna mencari model dan ramalan yang paling tepat untuk satu periode selanjutnya.
commit to user
22
BAB III
METODE PENELITIAN
Metode yang digunakan dalam penelitian ini adalah studi kasus. Data yang digunakan dalam penelitian ini adalah data sekunder berupa data runtun waktu kurs thai bath terhadap rupiah dalam frekuensi harian dari 1 Januari 2005 sampai 9 Juli 2010. Data periode 1 Januari 2005 sampai 9 April 2010 sebanyak 1285 observasi sebagai in-sample dan data selanjutnya sebanyak 63 observasi sebagai
out-of-sample. Analisis data dilakukan dengan bantuan software Eviews.
Langkah-langkah yang ditempuh untuk mencapai tujuan penelitian ini adalah
1. Memodelkan data dengan proses AR.
a. Membuat plot runtun waktu untuk data asli (menggunakan data in-sample) untuk melihat pola data dan stasioneritasnya.
b. Data yang belum stasioner diubah ke dalam bentuk log-return untuk menstasionerkan data terhadap rata-rata.
c. Menentukan model AR(p) yang sesuai berdasarkan plot ACF dan PACF. d. Melakukan estimasi parameter AR(p).
e. Melakukan uji autokorelasi residu model AR yang diperoleh. Orde model AR yang terbentuk akan digunakan dalam pengujian nonlinearitas pada model STAR.
2. Memodelkan data dengan STAR. a. Memeriksa kelinearan data.
b. Jika data terbukti nonlinear, maka dipilih variabel transisi dan bentuk fungsi transisi yang tepat.
c. Melakukan estimasi parameter model STAR.
3. Melakukan pemeriksaan diagnostik tehadap model STAR yang terbentuk dan evaluasi berdasarkan nilai AIC dan standar deviasinya.
4. Modifikasi model jika diperlukan.
5. Menentukan ramalan untuk satu periode berikutnya. 6. Evaluasi peramalan berdasarkan nilai MSE dan MAPE.
commit to user
BAB IV PEMBAHASAN 4.1 Deskripsi Data
Dalam skripsi ini digunakan data runtun waktu finansial berupa nilai tukar mata uang atau kurs yang bersumber dari data Bank Indonesia, yaitu kurs mata uang Thailand (thai bath) terhadap rupiah pada periode 1 Januari 2005 sampai 9 Juli 2010. Data periode 1 Januari 2005 sampai 9 April 2010 sebanyak 1285 observasi digunakan untuk spesifikasi model (in-sample) dan data selanjutnya digunakan untuk evaluasi dalam peramalan (out-of-sample). Plot data dapat dilihat pada Gambar 4.1 dan ringkasan statistiknya dapat dilihat pada Tabel 4.1.
200 220 240 260 280 300 320 340 250 500 750 1000 1250 DATA_ASLI
Gambar 4.1 Plot Kurs Thai Bath terhadap Rupiah Periode 1 Januari 2005 sampai 9 April 2010
Dari plot data terlihat bahwa kurs thai bath terhadap rupiah berfluktuasi dari waktu ke waktu.
Tabel 4.1 Ringkasan Statistik Data Kurs Thai Bath terhadap Rupiah Periode 1 Januari 2005 sampai 9 April 2010
Estimasi Nilai Rata-rata Median Maksimum Minimum Standar Deviasi 254,62 253,29 337,49 217,52 26,81733
commit to user
24
Dalam rentang waktu 1 Januari 2005 sampai 9 April 2010, kurs terendah berada di titik 217,52 yang merupakan data pada tanggal 12 Mei 2006, dan kurs tertinggi berada di titik 337,49 yang merupakan data pada tanggal 25 November 2008. Rata-rata kurs thai bath terhadap rupiah dalam periode tersebut adalah 254,62 dengan median 253,29 dan standar deviasi 26,81733.
4.2 Stasioneritas Data
Pada penelitian ini data kurs thai bath terhadap rupiah diubah ke dalam bentuk log return. Perubahan data ke dalam fungsi log return menyebabkan jumlah observasi berubah menjadi T-1 = 1284 observasi. Perubahan data ke dalam bentuk log return bertujuan untuk menjadikan data lebih stasioner dengan nilai yang mendekati nol. Hal ini dapat dilihat pada plot log return yang tersaji pada Gambar 4.2. -.15 -.10 -.05 .00 .05 .10 .15 250 500 750 1000 1250 RETURN
Gambar 4.2 Plot Log Return Kurs Thai Bath terhadap Rupiah Periode 1 Januari 2005 sampai 9 April 2010
4.3 Identifikasi Model AR Linear
Spesifikasi model STAR diawali dengan identifikasi proses AR linear. Identifikasi awal dalam mencari model AR yang sesuai untuk data log return yang stasioner dapat dilihat dari nilai ACF dan PACF. Pada Gambar 4.3 tampak bahwa nilai ACF meluruh menuju nol dan nilai PACF terpotong menuju nol setelah lag-2 sehingga dapat dikatakan terjadi proses AR(2) dalam data.