peramalan dengan model arch skripsi - core.ac.uk filei peramalan dengan model arch skripsi diajukan...
TRANSCRIPT
i
PERAMALAN DENGAN MODEL ARCH
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains (S.Si)
Program Studi Matematika
Oleh:
SUHARTINI
NIM : 003114038
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2007
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
MOTTO
Serahkanlah perbuatanmu kepada Tuhan, maka terlaksanalah segala
rencanamu. (Amsal 16:3).
Do not dwell in the past, do not dream of the future, concentrate the mind on the
present moment. ( Budha )
Our greatest glory is not in never falling, but in rising every time we fall. (Budha).
Dengan penuh kasih karya ini kupersembahkan untuk :
Bapak dan Ibukku,
Mas Arno, mas Ardi, mbak yanti, wandi,
“bee”, all family,
Teman-temanku serta almamaterku tercinta
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
ABSTRAK
Model ARCH (Autoregressive Conditional Heteroscedastic) merupakan
model autoregresif dalam keadaan variansi tidak konstan. Model ini akan diguna-
kan untuk menentukan, meramalkan dan memperbaharui nilai parameter dari data
runtun waktu yang variansinya tidak konstan. Nilai parameter dari model ARCH
dapat diperoleh dengan menggunakan metode maksimum likelihood.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
ABSTRACT
ARCH (Autoregressive Conditional Heteroscedastic) model is inconstant vari-
ance autoregressive model. Variance is a variable in statistic that illustrate how far
the changes of the data to mean. This model will be used to fit, to forecast, and to
update renew parameter from inconstant variance of time series data. ARCH
model parameter value can be obtained by using likelihood maximum method.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
KATA PENGANTAR
Puji dan syukur kepada Hati kudus Tuhan Yesus dan bunda Maria, karena
berkat karunia dan rahmatnya yang telah mereka berikan penulis dapat menyele-
saikan skripsi ini.
Banyak hambatan dan kesulitan yang ditemui penulis dalam menyusun dan
menulis skripsi ini. Namun, berkat bantuan dan dorongan dari berbagai pihak,
baik langsung maupun tidak langsung, akhirnya skripsi ini dapat terselesaikan.
Oleh karena itu penulis ingin mengucapkan terima kasih kepada :
1. Ibu Ch. Enny Murwaningtyas, S.Si, M.Si , selaku dosen pembimbing
yang telah meluangkan waktu, pikiran, memimjamkan buku, serta
kesabaran membimbing penulis dalam menyusun skripsi ini.
2. Bapak YG. Hartono, S.Si, M.Sc, selaku ketua program studi mate-
matika FMIPA USD Yogyakarta.
3. Ibu Mv. Any Herawati, S.Si, M.Si, selaku dosen pembimbing
akademik.
4. Bapak Ir. Ig. Aris Dwiatmoko, M.Sc dan Ibu Lusia Krismiyati Budi-
asih, S.Si, M.Si, selaku dosen penguji yang telah memberikan masu-
kan-masukan dan koreksi.
5. Bapak dan ibu dosen FMIPA yang telah memberikan ilmu yang ber-
guna kepada penulis selama dibangku kuliah.
6. Bapak Gunardi, S.Si, M.Si, yang telah memberikan judul skripsi dan
masukan-masukan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
7. Mas Tukijo yang telah memberikan pelayanan administrasi dalam
urusan-urusan perkuliahan kepada penulis.
8. Kedua orangtuaku yang tak henti-hentinya memberikan dukungan
baik moral, spiritual, maupun materi sehingga penulis dapat menye-
lesaikan skripsi ini.
9. Kakak-kakakku, mas Ardi, mas Arno dan adiku yang selalu mem-
berikan dukungan, doa, bantuan materi serta kesabarnya selama ini.
10. Keluarga mbak Yanti dan keponakan-keponakanku Angela, Jepin
yang selalu memberi semangat, doa, bantuan materi.
11. Teman-temanku Sumi, Vin, Dora, Dewi, Deni, Veri (’01), Anjrah,
Heri (Ndoet), yang selalu setia menemani, memberikan semangat
dan mendengarkan curhatku.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna, oleh karena
itu penulis membuka diri untuk menerima kritik serta saran yang bermanfaat bagi
kesempurnaan skripsi ini. Penulis berharap semoga skripsi ini memberikan man-
faat dan berguna bagi semua pihak.
Yogyakarta, 22 Februari 2007
Penulis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
DAFTAR ISI
Halaman
HALAMAN JUDUL.................................................................................... i
HALAMAN PERSETUJUAN PEMBIMBING .......................................... ii
HALAMAN PENGESAHAN...................................................................... iii
HALAMAN PERSEMBAHAN .................................................................. iv
PERNYATAAN KEASLIAN KARYA ...................................................... v
ABSTRAK ................................................................................................... vi
ABSTRACT................................................................................................. vii
KATA PENGANTAR ................................................................................. viii
DAFTAR ISI................................................................................................ x
BAB I PENDAHULUAN..................................................................... 1
A. Latar Belakang Masalah....................................................... 1
B. Rumusan Masalah ................................................................ 2
C. Tujuan Penulisan.................................................................. 2
D. Pembatasan Masalah ............................................................ 2
E. Manfaat Penulisan................................................................ 3
F. Metode Penulisan ................................................................. 3
G. Sistematika Penulisan .......................................................... 3
BAB II LANDASAN TEORI................................................................ 5
A. Konsep Dasar Runtun Waktu............................................... 11
B. Fungsi Autokovariansi dan Fungsi Autokorelasi................. 15
C. Fungsi Autokorelasi Parsial ................................................. 18
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
D. Autoregresi (AR).................................................................. 19
BAB III MODEL ARCH........................................................................ 32
A. ARCH................................................................................... 32
B. Pengujian Adanya Efek ARCH Dalam Data Runtun Waktu 41
C. Fungsi Kelihood ARCH....................................................... 47
BAB IV PENERAPAN MODEL ARCH PADA DATA HARGA
SAHAM COMPOSITE INDEX ............................................... 53
A. Identifikasi Model ARCH.................................................... 53
B. Uji Efek ARCH.................................................................... 57
C. Pembentukan Model Akhir .................................................. 58
BAB V PENUTUP ................................................................................. 60
A. Simpulan .............................................................................. 60
B. Saran..................................................................................... 60
DAFTAR PUSTAKA .................................................................................. 61
LAMPIRAN.................................................................................................
LAMPIRAN 1 Data Harga Saham Composite Index dari
tanggal 03 Januari 2005 sampai 29 Desem-
ber 2005.......................................................... 62
LAMPIRAN 2 Hasil Analisa Data yang Telah Didifferenc-
ing Satu Kali dengan Menggunakan AR (3) .. 66
LAMPIRAN 3 Hasil Analisa Data yang Telah Didifferenc-
ing Satu Kali dengan Menggunakan AR (1) .. 67
LAMPIRAN 4 Hasil Analisis Uji Efek ARCH ...................... 68
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
LAMPIRAN 5 Hasil Analisis Penentuan Modal Akhir.......... 69
LAMPIRAN 6 Tabel Distribusi Statistik-t ............................. 70
LAMPIRAN 7 Tabl Distribusi Khi-Kuadrat .......................... 71
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Pada kenyataannya data runtun waktu tidak semuanya memiliki variansi kon-
stan. Model Autoregresif (AR) merupakan model yang menganggap bahwa data run-
tun waktu memiliki variansi yang konstan. Variansi merupakan variabel dalam
statistik yang menggambarkan seberapa jauh perubahan data terhadap nilai rata-
ratanya. Persamaan umum AR adalah
tktktt εβββ +Υ++Υ+=Υ −− K110
dengan :
tΥ = deret waktu tunggal
=Υ −it deret waktu tunggal yang ketinggalan i perioda ( )ki ,,3,2,1 K=
β = parameter
ε = galat
Bila variansi galat berubah terhadap waktu maka keadaan ini disebut
heteroskedastisitas. Untuk itulah Robert F. Engle pada tahun 1982 menawarkan
model ARCH (Autoregressive Conditional Heteroscedastic). Model ARCH
merupakan model autoregresif dalam keadaan variansi tidak konstan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
Bentuk model ARCH adalah
ttt hv=ε dengan ∑∞
=−+=
1
20
iitith εαα dan tv berdistribusi normal standar.
Peramalan dengan model ARCH dapat kita lakukan cukup dengan adanya data
runtun waktu tunggal. Peramalan dengan model ini tidak perlu memandang aspek-
aspek lain yang dapat mempengaruhi perubahan data runtun waktu.
B. Rumusan Masalah
Pokok bahasan yang akan dibahas dalam tulisan ini dapat dirumuskan sebagai
berikut:
1. Apa yang dimaksud dengan model ARCH?
2. Bagaimana penerapan model ARCH dalam peramalan dengan
menggunakan data runtun waktu?
C. Tujuan Penulisan
Untuk menjelaskan dan membahas kegunaan model ARCH dalam peramalan
data runtun waktu serta landasan teori yang mendukungnya.
D. Pembatasan Masalah
Dalam tulisan ini peramalan dengan model ARCH hanya akan membahas
1. Model ARCH satu variabel (univariate)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
2. Uji efek ARCH menggunakan pengganda langrange (langrange
multiplier).
3. Estimasi model ARCH menggunakan maksimum likelihood distibusi
normal.
4. Pembuktian distribusi khi-kuadrat tidak dibuktikan.
E. Manfaat Penulisan
Manfaat yang akan diperoleh setelah mempelajari topik ini adalah untuk
semakin memahami dan menguasai penggunaan model ARCH dalam peramalan
khususnya peramalan dengan menggunakan data runtun waktu.
F. Metode Penulisan
Metode yang digunakan dalam penulisan ini menggunakan metode kepustakaan
dan data diolah menggunakan software Eviws dan Minitab.
G. Sistematika Penulisan
BAB I : menjelaskan tentang latar belakang masalah, rumusan masalah, tujuan penu-
lisan, manfaat penulisan, sistematika penulisan.
BAB II : menjelaskan tentang konsep dasar runtun waktu, fungsi autokovariansi dan
fungsi autokorelasi (ACF), fungsi parsial autokorelasi (PACF), autoregresi (AR).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
BAB III : menjelaskan tentang model ARCH, ARCH, pengujian adanya efek ARCH
dalam data runtun waktu, fungsi likelihood ARCH.
BAB IV : menjelaskan Penerapan Model ARCH Pada Data Harga Saham Composite
Index, identifikasi model awal, uji efek ARCH, penentuan model akhir.
BAB V :menjelaskan tentang simpulan dan saran.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
BAB II
LANDASAN TEORI
Dalam peramalan dikenal adanya model deret berkala dan model regresi. Pada
jenis model deret berkala, penduga masa depan dilakukan berdasarkan nilai masa lalu
dari suatu variabel atau kesalahan masa lalu. Sedangkan model regresi
mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu hubungan sebab-
akibat dengan satu atau lebih variabel bebas (variabel independen).
Suatu model regresi yang memiliki satu variabel bebas disebut model regresi
sederhana atau model regresi linear klasik. Model regresi linear klasik dapat
dinyatakan sebagai berikut:
(2.1) 10 iii εββ +Χ+=Υ
dengan:
stokastikgangguan unsur
parameter
)independen (variabel bebas variabel
dependen) (variabel bebas tak variabel
=
=
=Χ
=Υ
ε
β
Model tersebut memiliki beberapa asumsi yaitu:
Asumsi 1:
Nilai harapan unsur gangguan stokastik adalah nol, yaitu ( ) .0=Ε iε
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
Asumsi 2:
Tidak adanya autokorelasi atau tidak terdapat korelasi diantara unsur gangguan sto-
kastik, yaitu
( ) ( )( ) ( )( )( )( )( )( )( )
0
00
,
=
Ε=
−−Ε=
Ε−Ε−Ε=
ji
ji
jjiijiKov
εε
εε
εεεεεε
dengan i dan j adalah indeks untuk dua pengamatan yang berbeda.
Asumsi 3:
Varian iε adalah suatu bilangan konstan positif yang sama dengan 2σ dengan kata
lain asumsi ini menyatakan homoskedastisitas atau variansi sama, yaitu:
( ) ( )( )
( )2
2
2
σ
ε
εεε
=
Ε=
Ε−Ε=
i
iiiVar
Penyimpangan dari asumsi 3 disebut sebagai heteroskedastisitas (variansi yang tidak
konstan), yaitu:
( ) 2iiVar σε =
Asumsi 4:
Variabel bebas Χ tak stokastik atau tetap.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
Untuk menaksir parameterβ digunakan metode kuadrat terkecil biasa ( method
of ordinary least squares (OLS) ). Langkah –langkahnya sebagai beriku :
Persamaan (2.1) dapat ditulis menjadi
(2.2) ˆ
ˆˆ10
ii
iii
ε
εββ
+Υ=
+Χ+=Υ
dengan iΥ̂ merupakan nilai taksiran iΥ . Secara alternatif persamaan (2.2) dapat din-
yatakan sebagai berikut
(2.3) ˆˆ
ˆ
10 ii
iii
Χ−−Υ=
Υ−Υ=
ββ
ε
yang menunjukkan bahwa iε (galat) hanyalah perbedaan antara nilai Υ sebenarnya
dengan yang ditaksir. Untuk sampel berukuran N pasang observasi jumlah kuadrat
galatnya dapat dinyatakan sebagai berikut
( )( ) (2.4) ˆˆ
ˆ
2
10
22
∑
∑ ∑
Χ−−Υ=
Υ−Υ=
ii
iii
ββ
ε
Bila persamaan (2.4) diturunkan terhadap 0β̂ maka diperoleh persamaan
( ) ( ) (2.5) 0ˆˆ2ˆ 100
2
∑∑ =Χ−−Υ−=∂
∂ii
i βββ
ε
Bila persamaan (2.4) diturunkan terhadap 1β̂ maka diperoleh persamaan
( ) ( ) (2.6) 0ˆˆ2ˆ 100
2
∑∑ =ΧΧ−−Υ−=∂
∂iii
i βββ
ε
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
Persamaan (2.5) dapat ditulis menjadi
(2.7) ˆˆ10 ∑∑ Χ+=Υ ii N ββ
Persamaan (2.6) dapat ditulis menjadi
(2.8) ˆˆ 210 ∑∑∑ Χ+Χ=ΧΥ iiii ββ
Dari persamaan (2.7) dan (2.8) diperoleh
( )(2.9) ˆ
221
∑ ∑∑ ∑ ∑
Χ−Χ
ΥΧ−ΥΧ=
ii
iiii
N
Nβ
( )(2.10) ˆ
22
2
0
∑ ∑∑ ∑ ∑ ∑
Χ−Χ
ΥΧΧ−ΥΧ=
ii
iiiii
Nβ
Selain menaksir parameter β kita tentukan koefisien determinasi 2R . Koefisien
determinasi merupakan ukuran ikhtisar yang menyatakan seberapa baik garis regresi
sampel mencocokkan data. Bila persamaan (2.2) kedua sisi dikurangi Υ maka per-
samaannya menjadi
(2.11) ˆiii ε+Υ−Υ=Υ−Υ
Kemudian persamaan (2.11) kedua sisi dikuadratkan sehingga persamaannya menjadi
( ) ( ) ( ) (2.12) ˆ2ˆ 222 ∑∑ ∑ ∑ +Υ−Υ+Υ−Υ=Υ−Υ iiiii εε
Karena persamaan (2.5) ∑ = 0iε dan persamaan (2.6) ∑ =Χ 0iiε maka
( ) ( )
(2.13) 0
ˆˆ
ˆˆˆ
10
10
=
Υ−Χ+=
Υ−Χ+=Υ−Υ
∑∑∑
∑ ∑
iiii
iiii
εεβεβ
εββε
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Sehingga persamaan (2.12) menjadi
( ) ( ) (2.14) ˆ 222 ∑∑ ∑ +Υ−Υ=Υ−Υ iii ε
dengan
( )∑ Υ−Υ 2i = jumlah kuadrat total ( total sum of squares (TSS) )
( )∑ Υ−Υ2ˆ
i = jumlah kuadrat yang dijelaskan ( explined sum of squares (ESS) )
∑ 2iε = jumlah kuadrat galat/residual ( residual sum of squares (RSS) )
Definisi 2.1:
Koefisien determinasi 2R didefinisikan sebagai
( )( )∑
∑Υ−Υ
Υ−Υ== 2
2
2ˆ
i
i
TSSESSR
Teorema 2.1
Bila ( )( )∑
∑Υ−Υ
Υ−Υ= 2
2
2ˆ
i
iNTR dengan T merupakan banyaknya observasi maka sta-
sistik uji 2TR akan berdistribusi khi-kuadrat.
Bukti :
Karena iΥ̂ merupakan nilai taksiran iΥ maka
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
( )( )
2
2
1
ˆˆ S
nVar
i
i =−
Υ−Υ=Υ∑
sedangkan ( )( )
2
2
σ=Υ−Υ
=Υ∑
NVar
i
i
akibatnya
( )( )
( )
( ) 2
2
2
2
2
2
2
1
1
ˆ
σ
σ
Sn
NSnN
NTRi
i
−=
−=
Υ−Υ
Υ−Υ=
∑∑
Jadi terbukti bahwa 2TR berdistribusi 2χ dengan derajat bebas n-1. ■
Sedangkan model regresi yang memiliki lebih dari satu variabel bebas disebut
mode regresi linear berganda. Model regresi linear berganda dapat dinyatakan sebagai
berikut:
(2.15) ...22110 ikikiii εββββ +Χ++Χ+Χ+=Υ
dengan:
parameter
bebas variabel
bebas tak variabel
=
=Χ
=Υ
β
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
1,2,3,...)(i i,-ke observasii
stokastikgangguan unsur
==
=ε
Model tersebut memiliki asumsi yang sama dengan asumsi pada model regresi linear
klasik. Sedangkan untuk menaksir parameter β juga menggunakan metode OLS.
A. Konsep Dasar Runtun Waktu
Suatu runtun waktu (deret waktu/deret berkala) adalah sekumpulan observasi
yang berurutan dalam waktu tertentu. Suatu runtun waktu dinotasikan dengan tΥ
dengan t menunjuk pada perioda waktu yang berturutan. Bila t adalah bilangan asli
maka tΥ merupakan runtun waktu diskrit. Bila t sembarang bilangan real maka tΥ
merupakan runtun waktu kontinu.
Dilihat dari sejarah nilai observasi, runtun waktu dapat dibedakan atas runtun
waktu deterministik dan runtun waktu stokastik. Runtun waktu deterministik adalah
runtun waktu dengan nilai observasi mendatang dapat dihitung atau diramalkan se-
cara pasti melalui suatu fungsi berdasarkan nilai observasi yang lampau. Sedangkan
runtun waktu stokastik adalah runtun waktu yang nilai observasi mendatang hanya
menunjukkan struktur probabilistik yang digambarkan melalui fungsi tertentu ber-
dasarkan observasi yang lampau. Contoh runtun waktu deterministik ( )ftt π2cos=Υ
dengan tΥ merupakan nilai observasi pada saat t . Sedangkan f merupakan fre-
kuensi yang nilainya dapat ditentukan dengan N
f 1= (N adalah banyaknya panga-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
matan). Contoh runtun waktu stokastik adalah ada N observasi yang nilainya dapat
ditentukan sebagai nΥΥΥΥ ,,,, 321 K dengan nΥΥΥΥ ,,,, 321 K merupakan variabel-
variabel random yang memiliki fungsi probabilitas.
Suatu runtun waktu disebut stasioner bila
a. ( ) tt setiapuntuk konstan =ΥΕ
b. ( ) tVar t setiapuntuk konstan =Υ
c. ( ) dan setiapuntuk konstan , tKov ktt =ΥΥ − ( )kttKov −ΥΥ , dependen terhadap
lag k
Dengan demikian, suatu runtun waktu dikatakan stasioner bila rata-rata,
variansi, dan kovariansinya tetap konstan sepanjang waktu. Sedangkan runtun waktu
dikatakan tidak stasioner bila runtun waktu tersebut gagal memenuhi satu bagian atau
lebih dari syarat tersebut. Untuk mencapai asumsi stasioneritas, data yang belum
stasioner harus diubah menjadi stasioner. Hal itu dapat diatasi melalui metode
pembedaan (differencing).
Misal diketahui deret angka sebagai berikut : 20,,8,6,4,2 K yang mengandung
trend linear dan tidak bersifat acak. Dengan mengurangkan nilai-nilai yang berurutan
, 4-2, 6-4, 8-6, ... ,20-18, kita akan mendapatkan nilai-nilai pembedaan pertama (first
differeneces) yang merupakan deret angka 2,2,2,...,2 dan deret ini jelas stasioner. Jadi
untuk mendapatkan kestasioneran dapat dibuat deret baru yang terdiri dari perbedaan
angka antara periode yang berturut-turut:
(2.16) 1−Υ−Υ=Υ′ ttt
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Deret baru ,tΥ′ akan mempunyai 1−n buah nilai dan akan stasioner apabila trend
dari data awal tΥ adalah linear (pada orde pertama).
Apabila autokorelasi dari data yang dibedakan pertama tidak mendekati nol
sesudah lag kedua atau ketiga, berarti data belum bisa dikatakan stasioner. Oleh
karena itu perlu dilakukan pembedaan lagi dari data pembedaan pertama sebagai
berikut:
(2.17) 1−Υ′−Υ′=Υ ′′ ttt
tΥ ′′ dinyatakan sebagai deret pembedaan orde kedua (second order differences).
Deret ini akan mempunyai 2−n buah nilai. Dengan mensubstitusikan (2.16) ke
dalam (2.17) akan diperoleh:
( ) ( )
21
211
2 −−
−−−
Υ+Υ−Υ=Υ ′′
Υ−Υ−Υ−Υ=Υ ′′
tttt
ttttt
Barisan { }tε merupakan proses white noise bila untuk setiap periode waktu t
maka berlaku
I. ( ) tt setiapuntuk 0=Ε ε
II. ( ) tt setiapuntuk 22 σε =Ε
III. ( ) stst ≠=Ε setiapuntuk 0εε
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Teorema 2.2
Bila tε white noise maka tε stasioner.
Bukti:
Pertama karena ( ) 0=Ε tε dan 0 suatu konstanta maka syarat pertama stasioner
dipenuhi.
Kedua karena ( ) 0=Ε tε dan ( ) 22 σε =Ε t maka
( ) ( )( )
( )
( )2
2
2
2
0
σ
ε
ε
εεε
=
Ε=
−Ε=
Ε−Ε=
t
t
tttVar
Yang berarti syarat kedua stasioner dipenuhi.
Ketiga karena ( ) tt setiapuntuk 0=Ε ε dan ( ) stst ≠=Ε setiapuntuk 0εε maka
( ) ( )( ) ( )( )( )( )( )( )
( )
0
00
,
=
Ε=
−−Ε=
Ε−Ε−Ε=
−
−
−−−
ktt
ktt
ktktttkttKov
εε
εε
εεεεεε
Yang berarti syarat ketiga stasioner dipenuhi.
Jadi terbukti bahwa tε stasioner. ■
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
B. Fungsi Autokovariansi dan Fungsi Autokorelasi (ACF)
Definisi 2.2:
Autokovariansi antara tΥ dan kt−Υ didefinisikan sebagai
( ) ( )( ) ( )( )( ) (2.18) , kktktttkttKov γ=ΥΕ−ΥΥΕ−ΥΕ=ΥΥ −−−
Teorema 2.3
Bila tΥ runtun waktu stasioner maka ( )tVar Υ=0γ dan kk −= γγ .
Bukti:
( )( )( ) ( )( )( )
( )( )( )t
tt
tttt
tt
Var
Kov
Υ=
ΥΕ−ΥΕ=
ΥΕ−ΥΥΕ−ΥΕ=
ΥΥ=
,
2
0γ
dengan mengingat syarat ketiga stasioner sehingga
( )
( ) ,
,
ktt
kttk
Kov
Kov
+
−
ΥΥ=
ΥΥ=γ
k−= γ ■
Fungsi autokovariansi merupakan plot dari kγ terhadap lag .k
Fungsi korelasi digunakan untuk mengetahui sejauh mana hubungan antara satu
kelompok data dengan satu kelompok data lainnya. Sedangkan fungsi autokorelasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
merupakan perkembangan lebih lanjut dari fungsi korelasi. Fungsi autokorelasi
digunakan untuk mengetahui apakah suatu data pada waktu tertentu dipengaruhi oleh
data pada waktu sebelumnya dan juga digunakan untuk mengetahui apakah suatu data
stasioner atau tidak stasioner. Stasioneritas sangat diperlukan karena untuk
mempermudah melakukan peramalan.
Definisi 2.3 :
Didalam runtun waktu korelasi antara tΥ dan kt−Υ disebut autokorelasi bila
( ) ( )( ) ( )
( )( ) ( )( )( )( )( )( ) ( )( )( ) (2.19)
,,
22ktkttt
ktkttt
ktt
kttktt VarVar
KovKorr
−−
−−
−
−−
ΥΕ−ΥΕΥΕ−ΥΕ
ΥΕ−ΥΥΕ−ΥΕ=
ΥΥ
ΥΥ=ΥΥ
Karena syarat kedua stasioner dan sifat pertama autokovariansi persamaan (2.19)
menjadi
( ) ( )( ) ( )( )( )( )( )
(2.20)
,
0
2
kk
tt
ktktttkttKorr
ργγ
==
ΥΕ−ΥΕ
ΥΕ−ΥΥΕ−ΥΕ=ΥΥ −−
−
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Teorema 2.4
Bila tΥ runtun waktu stasioner maka 10 =ρ dan kk −= ρρ .
Bukti:
10
00 ==
γγ
ρ
Menggunakan Teorema 2.3 maka diperoleh
00 γγ
γγ
ρ kkk
−==
k−= ρ ■
Fungsi autokorelasi merupakan plot dari kρ terhadap lag .k
Dalam praktek kita bisa menggunakan autokorelasi sampel, dengan
mengasumsikan tΥ stasioner sehingga 1−Υ=Υ=Υ tt dan ( ) ( )ktt VarVar −Υ=Υ
sebagai berikut:
( )( ) ( )
( )( )
( )1
1
,
1
2
1
−
Υ−Υ
−
Υ−ΥΥ−Υ
=
ΥΥ
ΥΥ=
∑
∑
=
+=−
−
−
n
n
VarVarKov
n
tt
n
ktktt
ktt
kttkρ
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
( )( )
( )(2.21)
1
2
1
∑
∑
=
+=−
Υ−Υ
Υ−ΥΥ−Υ= n
tt
n
ktktt
kρ
C. Fungsi Autokorelasi Parsial (PACF)
Fungsi autokorelasi parsial (PACF) digunakan untuk menunjukkan keeratan
hubungan antara .dan ktt −ΥΥ
Definisi 2.4 :
Autokorelasi parsial didefinisikan sebagai berikut:
( )
( )(2.22)
k
kkk Μ
Η=φ
dengan ( ) ( )kk ΗΜ dan adalah matriks autokorelasi kk × , yaitu
( )
=Μ
−−−
−
−
−
1
11
1
321
312
211
121
L
MMMMM
L
L
L
kkk
k
k
k
k
ρρρ
ρρρρρρρρρ
Sedangkan ( )kΗ adalah ( )kΜ yang kolom terakhirnya diganti
kρ
ρρ
M2
1
dapat ditulis
menjadi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
( )
=Η
−−− kkkk
k
ρρρρ
ρρρρρρρρρ
L
MMMMM
L
L
L
321
312
211
121
11
1
Untuk memperoleh kkφ dengan K,3,2,1=k digunakan aturan Cramer akan diperoleh
21
222
21
32121
31
2213
12
11
21
312
21
11
33
21
212
1
1
21
1
22
111
2212
11
1
11
,3
11
1
1
,2
,1
ρρρρρρρρρρρρ
ρρρρρρρρρρρρρ
φ
ρρρ
ρρρρρ
φ
ρφ
−−+−−++
===
−−
===
==
k
k
k
D. Autoregresif (AR)
Model Autoregresif memiliki persamaan umum sebagai berikut:
(2.23) ...22110 tktkttt εφφφφ +Υ++Υ+Υ+=Υ −−−
Persamaan (2.23) juga merupakan persamaan regresi, tetapi berbeda dengan
persamaan (2.15). Pada persamaan (2.15) variabel-variabel sebelah kanan merupakan
faktor-faktor bebas yang lain, sedangkan pada persamaan (2.23) variabel-variabel
sebelah kanan merupakan nilai sebelumnya dari variabel tak bebas tΥ . Asumsi-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
asumsi pada persamaan regresi juga berlaku pada persamaan tersebut dengan tε
merupakan white noise.
Bila persamaan (2.23) variabel sebelah kanan hanya dipengaruhi oleh nilai
sebelumnya dari variabel tak bebas tΥ yang ketinggalan satu perioda maka
persamaannya disebut autoregresif orde satu (AR (1)). Persamaan AR (1) adalah
(2.24) 110 ttt εφφ +Υ+=Υ −
Bila tΥ diketahui maka akan diperoleh
( )
( ) 21102
110
2101010
21102
10101
1
εεφφφφ
εεφφφφ
εφφ
εφφ
++Υ++=
++Υ++=
+Υ+=Υ
+Υ+=Υ
( )( )
( )M
1
1
32112
103
12
110
32112
103
12
10100
321102
11010
32103
εεφεφφφφφ
εεφεφφφφφφφ
εεεφφφφφφ
εφφ
+++Υ+++=
+++Υ+++=
+++Υ+++=
+Υ+=Υ
( ) ( )
( ) ( ) ( )nnnnn
nnn
nnn
nnnnn
n
−−−
−−−
−−−
−−−−
+++
++Υ+++++=Υ
εφεφεφ
εφφφφφφ
133
122
1
11
1011
12
110
1
K
K
Sehingga untuk setiap 0⟩t akan didapatkan
(2.25) 1
0101
1
010 ∑∑
−
=−
−
=
+Υ+=Υt
iit
itt
i
it εφφφφ
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Nilai harapan tΥ pada persamaan (2.25) dapat dicari dengan mengingat syarat
pertama white noise adalah
( )
( )
(2.26)
01
1
010
1
0101
1
010
1
0101
1
010
Υ+=
Ε+ΥΕ+
Ε=
+Υ+Ε=ΥΕ
∑
∑∑
∑∑
−
=
−
=−
−
=
−
=−
−
=
tt
i
i
t
iit
itt
i
i
t
iit
itt
i
it
φφφ
εφφφφ
εφφφφ
Sedangkan nilai harapan dari kt−Υ dengan mengingat syarat pertama white noise
adalah
( )
( )
(2.27)
01
1
010
1
0101
1
010
1
0
1
010110
Υ+=
Ε+ΥΕ+
Ε=
+Υ+Ε=ΥΕ
−−−
=
−−
=−−
−−−
=
−−
=
−−
=−−
−−
∑
∑∑
∑ ∑
ktkt
i
i
kt
iikt
iktkt
i
i
kt
i
kt
iikt
iktikt
φφφ
εφφφφ
εφφφφ
Persamaan (2.26) dan (2.27) keduanya dependen terhadap waktu. Karena
( ) ( )ktt −ΥΕ≠ΥΕ maka { }tΥ tidak stasioner.
Teorema 2.5
bila 11 ⟨φ maka
I. kt−1φ akan konvergen ke nol untuk t mendekati tak hingga ( )∞→t (2.28)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
II. ( )...1 31
2110
1
010 ++++=∑
−−
=
φφφφφφkt
i
i konvergen ke 11 φ
φ−
o (2.29)
Bukti:
I. Karena 11 ⟨φ maka 0lim 1 =−
∞→
kt
tφ
II. Karena ( )...1 31
2110
1
010 ++++=∑
−−
=
φφφφφφkt
i
i merupakan deret geometri yang
konvergen dengan 10 dan φφ == ra maka 1
0
11 φφ−
=− ra ■
Jadi untuk ( )∞→t dan 11 ⟨φ ,
( )
(2.30) 1
limlim
01
1
0
1
0101
1
010
∑
∑∑∞
=−
−
=−
−
=∞→∞→
+−
=
+Υ+=Υ
iit
i
t
iit
itt
i
i
ttt
εφφ
φ
εφφφφ
Nilai harapan tΥ dengan menggunakan persamaan (2.30) dan mengingat syarat
pertama white noise adalah
( )
(2.31) 1
1
1
1
0
01
1
0
01
1
0
φφ
εφφ
φ
εφφ
φ
−=
Ε+
−
Ε=
+
−Ε=ΥΕ
∑
∑
∞
=−
∞
=−
iit
i
iit
it
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Terlihat bahwa rata-rata dari tΥ berhingga dan independen terhadap waktu. Jadi
( ) ( ) . semuauntuk 1 1
0 tktt φφ−
=ΥΕ=ΥΕ −
Nilai variansi tΥ dengan menggunakan persamaan (2.30), (2.31) dan mengingat
syarat kedua white noise adalah
( ) ( )( )
( ) ( ) ( )
(2.32) 1
...
...
11
21
2
241
221
2
22
41
21
21
2
2
01
2
1
0
01
1
0
2
φσ
σφσφσ
εφεφε
εφ
φφ
εφφ
φ
−=
+++=
+Ε+Ε+Ε=
Ε=
−
−+−
Ε=
ΥΕ−ΥΕ=Υ
−−
∞
=−
∞
=−
∑
∑
ttt
iit
i
iit
i
tttVar
yang juga berhingga dan independen terhadap waktu.
Nilai kovariansi tΥ dengan mengingat persamaan (2.30), syarat kedua white noise dan
persamaan (2.31) adalah
( ) ( )( ) ( )( )( )
Ε=
−
−+−
−
−+−
Ε=
ΥΕ−ΥΥΕ−ΥΕ=ΥΥ
∑∑
∑∑
∞
=−−
∞
=−
∞
=−−
∞
=−
−−−
01
01
0 1
01
1
0
0 1
01
1
0
1111
,
iikt
i
iit
i
iikt
i
iit
i
ktktttkttKov
εφεφ
φφ
εφφ
φφ
φεφ
φφ
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
( ) ( )(( ))
( ) ( ) ( )( )K
K
KK
+Ε+Ε+Ε=
+++++
++++++Ε=ΥΥ
−−+
−−+
−
−−+
−−−−−−
−−+
−−−−
22
41
21
21
21
121
12122
111
11
1122
111
,
ktk
ktk
ktk
ktk
ktk
ktktkt
ktk
ktk
tttkttKov
εφεφεφ
εφεφεφεφε
εφεφεφεφε
( )
(2.33) 1
1
21
12
41
211
2
φφσ
φφφσ
−=
+++=
k
k K
Ternyata nilai kovariansinya berhingga dan tidak berubah terhadap waktu. Jadi bila
nilai limit (2.30) digunakan maka deret { }tΥ akan menjadi stasioner.
Fungsi Autokorelasi (ACF) untuk AR (1) dapat dicari dengan menggunakan
persamaan (2.32) dan (2.33) sebagai berikut
( )( )
( )( )
21
21
2
21
221
0
22
1
21
2
21
21
0
11
0
00
1
1 2
1
1 1
1 0
untuk
φ
φσ
φσφ
γγ
ρ
φ
φσ
φσφ
γγ
ρ
γγ
ρ
=
−
−===
=
−
−===
===
k
k
k
M
( )( )
n
n
nnnk 1
21
2
21
21
01
1 φ
φσ
φσφ
γγ
ρ =
−
−===
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Bila . semuauntuk 0 maka 10 1 kk ⟩⟨⟨ ρφ Bila 01 1 ⟨⟨− φ maka kρ akan berubah tanda
dari negatif ke positif untuk semua .1 ≥k
Fungsi Autokorelasi Parsial (PACF) untuk AR (1)
Untuk
,1=k 1111 φρφ ==
,2=k 011 2
1
21
21
21
212
22 =−−
=−−
=φφφ
ρρρ
φ
Karena AR (1) persamaannya hanya berhubungan dengan 1−Υt maka untuk 2≥k
nilai kkφ bernilai nol. Secara umum dapat ditulis menjadi
≥=
2untuk 01untuk 1
kk
kk
φφ
Pada proses ini autokorelasi parsial bernilai tidak nol pada lag pertama, yang juga
merupakan order dari proses, tetapi bernilai nol untuk lag yang lain.
Bila persamaan (2.23) variabel sebelah kanan hanya dipengaruhi oleh nilai
sebelumnya dari variabel tak bebas tΥ yang ketinggalan p perioda maka
persamaannya disebut autoregresif orde p (AR (p)). Persamaan AR (p) adalah
(2.34) 1
0 tit
p
iit εφφ +Υ+=Υ −
=∑
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Nilai harapan tΥ persamaan (2.34) dengan mengingat syarat pertama white noise
adalah
( )
( ) ( )
t1
0
10
εφφ
εφφ
Ε+
ΥΕ+Ε=
+Υ+Ε=ΥΕ
∑
∑
=−
=−
p
iiti
t
p
iitit
(2.35) 1
0 ∑=
−Υ+=p
iitiφφ
sedangkan nilai harapan kt−Υ adalah
( )
( ) ( )
(2.36)
10
kt1
0
10
∑
∑
∑
=−−
−=
−−
−=
−−−
Υ+=
Ε+
ΥΕ+Ε=
+Υ+Ε=ΥΕ
p
iikti
p
iikti
kt
p
iiktikt
φφ
εφφ
εφφ
Persamaan (2.35) dan (2.36) keduanya dependen terhadap waktu. Karena
( ) ( )ktt −ΥΕ≠ΥΕ maka { }tΥ tidak stasioner.
Persamaan (2.34) dapat ditulis menjadi
01
t
p
iitit εφφ +=Υ−Υ ∑
=−
(2.37) 02211 tptpttt εφφφφ +=Υ−−Υ−Υ−Υ −−− K
Apabila persamaan (2.37) ditulis dalam bentuk operator pergeseran mundur dengan
ittiB −Υ=Υ maka persamaannya menjadi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
t
p
i
ii
tt
p
i
iit
ttp
pttt
B
B
BBB
εφφ
εφφ
εφφφφ
+=
Υ
+=Υ
−Υ
+=Υ−−Υ−Υ−Υ
∑
∑
=
=
01
t
01
02
21
-1
K
(2.38) 1-1
10
1
0t
∑∑==
−+=Υ p
i
i
tp
i
ii BB φ
ε
φ
φ
dengan 11
≠∑=
p
i
ii Bφ .
Nilai harapan tΥ persamaam (2.38) dengan mengingat syarat pertama white noise
adalah
( )
1111
0
−+
−Ε=ΥΕ
∑∑==
p
i
ii
tp
i
ii
t
BB φ
ε
φ
φ
(2.39) 1
11
1
0
11
0
∑
∑∑
=
==
−=
−Ε+
−Ε=
p
i
ii
p
i
ii
tp
i
ii
B
BB
φ
φ
φ
ε
φ
φ
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Nilai variansi tΥ persamaam (2.38) dengan mengingat syarat kedua white noise
adalah
( ) ( )( )2
1
0
11
0
2
111
−−
−+
−Ε=
ΥΕ−ΥΕ=Υ
∑∑∑===
p
i
ii
p
i
ii
tp
i
ii
ttt
BBB
Var
φ
φ
φ
ε
φ
φ
(2.40)
1
1
2
1
2
2
1
2
−
=
−
Ε=
∑
∑
=
=
p
i
ii
p
i
ii
t
B
B
φ
σ
φ
ε
Nilai kovariansi ( )ktt −ΥΥ , dengan mengingat syarat ketiga white noise adalah
( ) ( )( ) ( )( )( )ktktttkttKov −−− ΥΕ−ΥΥΕ−ΥΕ=ΥΥ ,
−−
−+
−
−−
−+
−Ε=
∑∑∑
∑∑∑
==
−
=
===
p
i
ii
p
i
ii
ktp
i
ii
p
i
ii
p
i
ii
tp
i
ii
BBB
BBB
1
0
11
0
1
0
11
0
111
111
φ
φ
φ
ε
φ
φ
φ
φ
φ
ε
φ
φ
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
( )
−
−Ε=ΥΥ
∑∑=
−
=
− p
i
ii
ktp
i
ii
tktt
BBKov
1111
,φ
ε
φ
ε
(2.41) 0
1
2
1
=
−
Ε=
∑=
−
p
i
ii
ktt
Bφ
εε
Jadi autoregresi orde p merupakan runtun waktu yang stasioner.
Bila persamaan (2.34) dikalikan kt−Υ dengan 0⟩k maka persamaannya menjadi
(2.42) 110 kttktptpkttktktt −−−−−−− Υ+ΥΥ++ΥΥ+Υ=ΥΥ εφφφ K
dan dengan mengambil nilai harapannya diperoleh
( ) ( ) ( ) ( ) ( ) (2.43) 110 kttktptpkttktktt −−−−−−− ΥΕ+ΥΥΕ++ΥΥΕ+ΥΕ=ΥΥΕ εφφφ K
Persamaan (2.43) menurut definisi 2.2 dan dengan menggunakan persamaan (2.39)
serta syarat ketiga white noise dapat ditulis menjadi
(2.44) 1
11
1
20
pkpkp
i
ii
k
B−−
=
+++−
=
∑γφγφ
φ
φγ K
Bila persamaan (2.44) dibagi 0γ maka diperoleh fungsi autokorelasi AR (p) sebagai
berikut
(2.45) 1
1121
20
pkpk
p
i
ii
k
B
−−= +++
−
=∑
ρφρφσ
φφρ K
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Persamaan (2.45) merupakan persamaan yule-walker.
2
1121
20
1
112121
20
1
1
1
1 1,k
untuk
φ
ρφφσ
φφ
ρ
ρφρφφσ
φφρ
−
+++
−
=
++++
−
==
−=
−=
∑
∑
pp
p
i
ii
pp
p
i
ii
B
B
K
K
M
K 221121
20
2
1 2,k −
= ++++
−
==∑
pp
p
i
ii B
ρφφρφσ
φφρ
ppp
p
i
ii
p
Bp φρφρφ
σ
φφρ ++++
−
== −−=∑
K221121
20 1
,k
Fungsi Autokorelasi Parsial (PACF) untuk AR (p)
2
1121
20
111 1
1
1,k
untuk
φ
ρφφσ
φφ
ρφ−
+++
−
===
−=∑
pp
p
i
ii B
K
M
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
1
11
11
,
321
211
121
321
211
121
L
MLMMM
L
L
L
MMMMM
L
L
−−−
−
−
−−−==
ppp
p
p
pppppppk
ρρρ
ρρρρρρ
ρρρρ
ρρρρρρ
φ
.untuk , 0 pkkk ⟩=φ
Autokorelasi parsial akan nol setelah lag p atau kurva akan terputus setelah suku ke-
p .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
BAB III
MODEL ARCH
A. ARCH
Autoregressive Conditional Heteroscedastic (ARCH) merupakan model
autoregresif dalam keadaan variansi tidak konstan. Masalah yang dihadapi ketika
berhadapan dengan data runtun waktu adalah masalah variabilitas, yang menentukan
seberapa cepat data berubah menurut waktu. Variabilitas menjadi bagian sangat
penting ketika sebuah sistem lebih bersifat stokastik dari pada deterministik. Dalam
sistem stokastik sendiri juga masih dibedakan antara data runtun waktu dengan
variabilitas konstan atau variabilitas tidak konstan. Suatu besaran yang dapat
mengukur variabilitas adalah variansi. Variansi mengukur harapan seberapa besar
nilai suatu data runtun waktu berbeda terhadap rata-rata data keseluruhan.
Engle (1982) menunjukkan bahwa model runtun waktu, rata-rata dan
variansinya dapat dicari secara bersamaan. Dengan manunjukkan bahwa ramalan
bersyarat lenih unggul dari pada yang tidak bersyarat. Sebagai contoh, kita miliki
AR(1)
(3.1) 110 ttt εφφ +Υ+=Υ −
dan ingin meramalkan 1+Υt yaitu ramalan satu langkah kedepan. Ramalan bersyarat
untuk 1101 ++ +Υ+=Υ ttt εφφ dapat dinyatakan sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
( ) ( )1101 ++ +Υ+Ε=ΥΥΕ tttt εφφ
( ) ( ) ( )
(3.2)
10
110
t
tt
Υ+=
Ε+ΥΕ+Ε= +
φφ
εφφ
Sedangkan bila digunakan ramalan tak bersyarat dengan memperhatikan persamaan
(2.16) maka nilai harapan adalah
( ) (3.3) 1 1
01 φ
φ−
=ΥΕ +t
Bila kita gunakan rata-rata bersyarat (3.2) untuk mencari nilai variansi bersyarat, akan
diperoleh
( ) ( )[ ]
[ ]
[ ]
( )21
210110
2101
2111
+
+
+
+++
Ε=
Υ−−+Υ+Ε=
Υ−−ΥΕ=
ΥΥΕ−ΥΕ=ΥΥ
t
ttt
tt
tttttVar
ε
φφεφφ
φφ
karena ( ) 0=Ε tε maka
( ) ( ) ( )( )( )
(3.4)
2
1
21
21
21
σ
ε
εεε
=
=
Ε−Ε=Ε
+
+++
t
ttt
Var
Sedangkan bila digunakan ramalan tak bersyarat dengan memperhatikan persamaan
(2.11) maka variansi tidak bersyarat dari
( ) (3.5) 1
21
2
1 φσ−
=Υ +tVar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Bila 11
1 maka 10 21
1 ≥−
⟨⟨φ
φ sehingga ramalan tidak bersyarat mempunyai variansi
yang lebih besar, dengan alasan inilah ramalan bersyarat lebih digemari. Bila
variansi bersyarat tΥ dependen terhadap waktu maka disebut heteroskedastisitas.
Suatu pendekatan menggambarkan kuadrat dari tε dapat ditulis dalam proses
AR (1) sebagai berikut
(3.6) 2110
2ttt u++= −εααε
Dengan tu merupakan white noise baru, 00 ⟩α dan .01 ≥α
Persamaan (3.6) merupakan pesamaan Autoregressive Conditional
Heteroscedastic orde 1 (ARCH (1)). Sebagai alternatif persamaan (3.6), dapat
dinyatakan dalam bentuk multiplikatif yang diusulkan Engle (1982) sebagai berikut
(3.7) ttt hv=ε
dengan 2110 −+= tth εαα dan tv berdisribusi normal standar. Bila persamaan (3.7)
kedua sisi dikuadratkan dan 2tε menggunakan persamaan (3.6) maka persamaannya
menjadi
( )12
2
−=
+=
ttt
tttt
vhu
uhvh
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Berikut ini beberapa sifat yang dimiliki oleh model ARCH (1):
a. Nilai harapan tε sama dengan nol.
Sifat tersebut dapat dibuktikan dengan menggunakan persamaan (3.9), sehingga akan
diperoleh nilai harapan galat sebagai berikut
( ) ( )( ) ( )( )
0
0
2110
2110
2110t
=
+Ε=
+ΕΕ=
+Ε=Ε
−
−
−
t
tt
tt
v
v
εαα
εαα
εααε
b. Bila 11 ⟨α maka galat ( )tε mempunyai variansi tidak bersyarat yang konstan.
Sifat tersebut dapat dibuktikan dengan
( ) ( )( )2tttVar εεε Ε−Ε=
( )2 tεΕ=
( )( )( )( ) ( )( )
( )( )( )( )
( )( )( )( )2
32
22
131
22
21
210
21100
2310
22
21
21
21100
22
21
21
21100
2210
2110
2110
2110
2
2110
2
1
−−−−−−
−−−−
−−−
−−
−
−
−
+++Ε=
+++Ε=
++Ε=
++Ε=
+Ε=
+ΕΕ=
+Ε=
tttttt
tttt
ttt
tt
t
tt
tt
vvvvv
vvv
vv
v
v
v
εαααααα
εαααααα
εαααα
εαααα
εαα
εαα
εαα
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
( )
( )
1
0
31
2110
310
210100
1
1
αα
αααα
αααααααε
−=
++++=
++++=
K
KtVar
Jadi variansi tidak bersyarat dari tε bersifat homoskedastik.
c. Galat ( )tε mempunyai variansi bersyarat yang tidak konstan.
Sifat tersebut dapat dibuktikan dengan
( ) ( ) ( )( )
( ) 0 12
211
21
−Ε=
Ε−Ε=
−
−−−
tt
ttttttVar
εε
εεεεεε
( )
+Ε= −
22
110 ttv εαα
( )( )( ) ( )( ) ( )
t
t
ttt
ttt
tt
h
vv
vv
v
=
+=
Ε+Ε=
Ε+Ε=
+Ε=
−
−
−
−
2110
2211
20
211
20
2
2110
2
εαα
εαα
εαα
εαα
Jadi variansi bersyarat dari tε bersifat heteroskedastisitas.
d. Galat { }tε tidak berkorelasi
Sifat tersebut dapat dibuktikan dengan
( ) ( )( ) ( )( )[ ]( )ktt
ktktttkttkov
−
−−−
Ε=
Ε−Ε−Ε=
εε
εεεεεε
,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
( ) ( )( ) ( ) ( )( )( )
0
. ,
2110
2110
2110
2110
=
++ΕΕΕ=
++Ε=
−−−−
−−−−−
kttktt
ktktttktt
vv
vvkov
εααεαα
εααεααεε
Jadi
( ) ( )( ) ( )
( ) ( )
0
0
,,
=
=
=
−
−
−−
ktt
ktt
kttktt
VarVar
VarVarkov
korr
εε
εεεε
εε
Karena nilai korelasi nol berarti { }tε tidak berkorelasi.
Bila pada persamaan (3.6) kuadrat dari tε ditulis dalam proses AR (q) maka
persamaannya menjadi
(3.8) 2222
2110
2tqtqttt u+++++= −−− εαεαεααε K
Dengan tu merupakan white noise, 00 ⟩α dan 0≥iα untuk qi ,,2,1 K= Bila
0321 ===== qαααα K maka variabel galat terestimasi menjadi 0α . Sebaliknya
apabila hal ini tidak terjadi variansi bersyarat tΥ akan membesar menurut proses
autoregresi pada (3.8).
Persamaan (3.8) merupakan pesamaan Autoregressive Conditional
Heteroscedastic orde q (ARCH (q)). Persamaan (3.8) dapat dinyatakan dalam bentuk
multiplikatif sebagai berikut
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
(3.9) ttt hv=ε
dengan 22110 qtqtth −− +++= εαεαα K dan tv berdisribusi normal standar
Berikut ini beberapa sifat yang dimiliki oleh model ARCH (q):
a. Nilai harapan tε sama dengan nol.
Sifat tersebut dapat dibuktikan dengan menggunakan persamaan (3.9), sehingga akan
diperoleh nilai harapan galat sebagai berikut
( )
( )
0
0
2
10
2
10
2
10t
=
+Ε=
+ΕΕ=
+Ε=Ε
−=
−=
−=
∑
∑
∑
it
q
ii
it
q
iit
it
q
iit
v
v
εαα
εαα
εααε
b. Galat ( )tε mempunyai variansi tidak bersyarat yang konstan.
Sifat tersebut dapat dibuktikan dengan
( ) ( )( )2tttVar εεε Ε−Ε=
( )
+ΕΕ=
+Ε=
−=
=−
∑
∑
2
10
2
2
1
20
it
q
iit
q
iitit
v
v
εαα
εαα
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
( ) ( )( )( ) ( )( )( )2
1022
2102
110
22110
1
−−−−−
−−
+++++Ε=
+++Ε=
qtqqtqtt
qtqtt
vv
Var
εαααεαααα
εαεααε
K
K
( )( )( )(
( )( ))(
)( ) ( )( ) ( )( )
q
qqq
qqq
qtqtqtqqtqtq
qtqtttttt
qtqqtqtq
qtqttt
qtqtqqtqttt
vvvv
vvvvvv
vv
vvv
vvvv
ααα
ααααααα
ααααααααααααα
εααα
βαεααααα
εααα
ααεααααα
εαααεαααα
−−−=
+++++++++=
+++++++++=
++
+++++Ε=
++
++++Ε=
+++++Ε=
−−−−−−−−
−−−−−−−
−−−−−
−−−−
−−−−−−−
K
KKK
KKK
K
K
K
1
0
3231
2110
30
200
310
210100
22
21
2221
220
20
23
22
21
31
22
21
210
2100
220
21
22
210
2310
22
21100
21
2220
22
21
21
21100
1
1
Jadi variansi tak bersyarat dari tε bersifat homoskedastik.
c. Galat ( )tε mempunyai variansi bersyarat yang tidak konstan.
Sifat tersebut dapat dibuktikan dengan
( ) ( )( )( )
( )
Ε+Ε=
+Ε=
+Ε=
−Ε=
Ε−Ε=
−=
−=
−=
−−
−−−−−−
∑
∑
∑
2
1
20
2
2
10
2
2
2
10
12
2111
0,,
,,,,,,
it
q
iitt
it
q
iit
it
q
iit
qttt
qtttqtttqttt
vv
v
v
Var
εαα
εαα
εαα
εεε
εεεεεεεεε
K
KKK
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
( ) ( ) ( )22
1
201 ,, tit
q
iitqttt vvVar Ε+Ε= −
=−− ∑ εααεεε K
t
it
q
ii
h=
+= −=∑
2
10 εαα
Jadi variansi bersyarat dari tε bersifat heteroskedastisitas.
d. Galat { }tε tidak berkorelasi
Sifat tersebut dapat dibuktikan dengan
( ) ( )( ) ( )( )[ ]( )
( ) ( )
0
.
,
2
10
2
10
2
10
2
10
=
+
+ΕΕΕ=
++Ε=
Ε=
Ε−Ε−Ε=
−−=
−=
−
−−=
−−=
−
−−−
∑∑
∑∑
ikt
q
iiit
q
iiktt
ikt
q
iiktit
q
iit
ktt
ktktttktt
vv
vv
kov
εααεαα
εααεαα
εε
εεεεεε
Jadi
( ) ( )( ) ( )
( ) ( )
0
0
,,
=
=
=
−
−
−−
ktt
ktt
kttktt
VarVar
VarVarkov
korr
εε
εεεε
εε
Karena nilai korelasi nol berarti { }tε tidak berkorelasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
B. Pengujian Adanya Efek ARCH Dalam Data Runtun Waktu
Data runtun waktu dalam kenyataannya tidak semua mempunyai efek ARCH.
Untuk mengetahui ada atau tidaknya efek ARCH dalam data runtun waktu dapat diuji
dengan uji Pengganda Langrange.
Langkah-langkah dalam uji Pengganda langrange sebagai berikut:
1. Tentukan persamaan rata-rata yang paling sesuai untuk data runtun waktu yang
ingin dianalisis. Dari persamaan tersebut akan diperoleh kuadrat galat{ }2tε .
2. Regresikan kuadrat galat { }2tε pada konstanta dan q lag terhadap dirinya sendiri.
(3.10) 2222
2110
2qtqttt −−− ++++= εαεαεααε K
3. Hitung koefisien determinasi ( )2R dari persamaan (3.10).
4. Dilakukan uji hipotesis seperti dibawah ini:
.,,4,3,2,1 ,0satu rdapat sedikit te paling
). lag hingga ARCHefek ada tidak ( 0
k1
2100
qk
K
K
=≠=Η
======Η
α
αααα
Digunakan statistik uji 2TR dengan T menyatakan banyaknya galat pada
langkah satu. Dibawah hipotesis nol statistik uji 2TR akan berdistribusi 2qχ .
Hipotesis nol ditolak bila nilai 2TR lebih besar dari 2qχ maka terdapat efek
ARCH dalam data runtun waktu tersebut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
Contoh 3.1
Pada data dibawah ini periksalah apakah ada efek ARCH pada data dengan
menggunakan uji Langrange Multiplier .
t tΥ
1 30
2 20
3 45
4 35
5 30
6 60
7 40
8 50
9 45
10 65
Penyelesaiannya
1. Untuk memperoleh kuadrat galat digunakan persamaan model AR (1)
ttt εββ +Υ+=Υ −110
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
t tΥ 1−Υt 1−ΥΥ tt 21−Υt
1 30 - 0 0
2 20 30 600 900
3 45 20 900 400
4 35 45 1575 2025
5 30 35 1050 1225
6 60 30 1800 900
7 40 60 2400 3600
8 50 40 2000 1600
9 45 50 2250 2500
10 65 45 2925 2025
∑ =Υ 420t ∑ =Υ − 3551t ∑ =ΥΥ − 500.151tt ∑ =Υ − 175.1521t
Nilai β dapat diduga dengan
( )
( ) ( )( )( ) ( )
229349,0
355175.1510420355500.1510
ˆ
2
21
21
111
=
−−
=
Υ−Υ
ΥΥ−ΥΥ=
∑ ∑∑ ∑ ∑
−−
−−
tt
tttt
n
nβ
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
( )
85811,33
10355229349,0
10420
ˆˆ 110
=
−=
Υ−
Υ= ∑∑ −
nntt ββ
1
110
ˆ22935,085811,33
ˆˆˆˆ
−
−
Υ+=
Υ+=Υ
t
tt ββ
Nilai galat dapat dihitung dengan
ttt Υ−Υ= ˆε
t tΥ 1−Υt tΥ̂ tε 2tε
1 30 33,85811 -3,85811 14,88501
2 20 30 40,73861 -20,73861 430,08994
3 45 20 38,44511 6,55489 42,96658
4 35 45 44,17886 -9,17886 84,25147
5 30 35 41,88536 -11,88536 141,26178
6 60 30 40,73861 19,26139 371,00114
7 40 60 47,61911 -7,61911 58,05084
8 50 40 43,03211 6,96789 48,55149
9 45 50 45,32561 -0,32561 0,10602
10 65 45 44,17886 20,82114 433,51987
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
2. Regresi kuadrat galat { }2tε dalam persamaan 2
1102
−+= tt εααε
t 2tε 2
1−tε 21
2−tt εε 4
1−tε
1 14,88501 - - -
2 430,08994 14,88501 6401,89432 221,56361
3 42,96658 430,08994 18.479,49527 18.4977,36056
4 84,25147 42,96658 3.619,99781 1.846,12725
5 141,26178 84,25147 11.901,51294 7.098,31035
6 371,00114 141,26178 52.408,28295 19.954,89115
7 58,05084 371,00114 21.536,92705 137.641,84939
8 48,55149 58,05084 2.818,45470 3.369,89970
9 0,10602 48,55149 5,14752 2.357,24728
10 433,51987 0,10602 45,96259 0,01124
∑ = 68416,624.12tε ∑ =− 16429,191.12
1tε
∑ =− 67516,217.11721
2tt εε ∑ =− 26052,467.3574
1tε
Nilai α dapat diduga dengan
( )
( ) ( )( )( ) ( )
35397,0
16429,191.126052,467.3571016429,191.168416,624.167516,217.11710
ˆ
2
221
41
21
2221
1
−=
−−
=
−
−=
∑ ∑∑ ∑ ∑
−−
−−
tt
tttt
n
n
εε
εεεεα
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
( )
63208,204
1016429,191.135397,0
1068416,624.1
ˆˆ2
11
2
0
=
−=
−= ∑∑ −
nntt ε
αε
α
21
2110
2
ˆ35397,063208,204
ˆˆˆˆ
−
−
−=
+=
t
tt
ε
εααε
46842,1621068416,1624
2
2 ===∑
n
t
t
εε
t 2tε 2
1−tε 2ˆtε ( )222ˆ tt εε − ( )222tt εε −
1 14,88501 - 204,63208 1.777,77457 21.780,86089
2 430,08994 14,88501 199,36323 1.361,22745 71.621,28267
3 42,96658 430,08994 52,39314 12.116,56587 14.280,68810
4 84,25147 42,96658 189,42320 726,56031 6.117,89049
5 141,26178 84,25147 174,80959 152,30450 449,72131
6 371,00114 141,26178 154,62965 61,44630 43.485,89898
7 58,05084 371,00114 73,30880 7.949,43626 10.903,03075
8 48,55149 58,05084 184,08383 467,22592 12.977,06578
9 0,10602 48,55149 187,44631 623,89513 26.361,54701
10 433,51987 0,10602 204,59455 1.774,61129 73.468,89124
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
( )( )
09597,0
87721,446.28104760,011.27
ˆ
222
222
2
=
=
−
−=
∑
∑
tt
tt
Rεε
εε
( ) 9597,009597,0102 ==TR
( ) 84,31205.0 =χ
Karena 22 χ⟨TR maka 0Η diterima. Jadi tidak terdapat efek ARCH dalam data
runtun waktu tersebut.
C. Fungsi Likelihood ARCH
Bila persamaan (3.9) tε diasumsikan berdistribusi normal dengan tψ adalah
himpunana informasi yang diketahui pada waktu t maka asumsi normalitasnya
dengan menggunakan densitas bersyarat adalah sebagai berikut
( ) (3.11) ,01 ttt hΝ≈−ψε
Sedangkan fungsi densitasnya dengan ( )qαααγ ,,, 10 K= adalah
( ) ( )tt
t
t
tttt hh
fv
vff 1;1
=
∂∂
=−
εε
γψε
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
( )
( ) (3.12) 2
exp2
12
exp21;
2
21
2
1
−=
−=
−
−
t
tt
t
t
t
tt
hh
h
hf
επ
ε
πγψε
Fungsi likelihood untuk sampel berukuran T dinyatakan sebagai berikut
( ) ( ) ( )
( ) ( ) (3.13) ;,,2
exp2
;,;;,,,
11
22
1
11
111
γεεε
π
γεεγψεγεεε
q
T
qt t
tt
q
T
qtttTT
fh
h
fff
K
KK
−=
=
∏
∏
+=
−
+=−−
Bila tL fungsi log likelihood untuk observasi ke t dari sampel berukuran T maka
( ) ( )
−= ∏
+=
− γεεε
π ;,,2
exp2ln 11
2
21
q
T
qt t
ttt f
hhL K
( ) ( ) ( ) ( )
( ) ( ) ( ) (3.14) ;,,lnln212ln
21
;,, ln2
ln212ln
21
11
2
11
2
1
γεεε
π
γεεε
π
q
T
qt t
tt
q
T
qt t
tt
T
qt
fh
hqT
fh
hqT
K
K
+
+−
+−−=
+−−+−
−=
∑
∑∑
+=
+=+=
Dalam praktek ( )γεε ;,,ln 1 qf K biasanya diabaikan sehingga bentuk log likelihood
menjadi
( ) ( ) (3.15) ln212ln
21
1
2
+−
+−−= ∑
+=
T
qt t
ttt h
hqTLε
π
Persamaan (3.15) disebut maksimum likelihood.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Contoh 3.2
Diberikan nilai-nilai galat 1,01 =ε , 2,02 =ε , 1,03 −=ε . Dengan menggunakan
fungsi maksimum likelihood tentukan persamaan ARCH (1).
Penyelesaiannya sebagai berikut :
Fungsi maksimum likelihood ARCH (1) adalah
( ) ( ) (3.16) ln212ln
23
3
22
110
22
110
+
++−−= ∑= −
−t t
tttL
εααε
εααπ
Parameterα dapat diduga dengan mencari turunan pertama tL terhadap α sebagai
berikut :
Turunan pertama tL terhadap 0α adalah
( ) ( )
( )∑
∑
= −−
= −−
+−
+−=
+
++−−∂∂
=∂∂
3
222
110
2
2110
3
22
110
22
11000
121
ln212ln
23
ˆˆ
t t
t
t
t t
tt
tL
εαα
εεαα
εααε
εααπαα
Karena 0ˆ0
=∂∂α
tL maka
( )(3.17) 01
21 3
222
110
2
2110
=
+−
+− ∑
= −−t t
t
t εαα
εεαα
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Turunan pertama tL terhadap 1α adalah
( ) ( )
( )∑
∑
= −
−
−
−
= −−
+−
+−=
+
++−−∂∂
=∂∂
3
222
110
21
2
2110
21
3
22
110
22
11011
21
ln212ln
23
ˆˆ
t t
tt
t
t
t t
tt
tL
εαα
εεεαα
ε
εααε
εααπαα
Karena 0ˆ1
=∂∂α
tL maka
( )(3.18) 0
21 3
222
110
21
2
2110
21 =
+−
+− ∑
= −
−
−
−
t t
tt
t
t
εαα
εεεαα
ε
Persamaan (3.17) dapat ditulis menjadi
( ) ( )
( )( ) ( )
( )
00,000001-0,0000040,00010,0002-
0,00080,02 0,01-0,040,000064-0,000016
0,00160,0032-0,00080,080,04-0,01
00001,002,0
01,004,00016,008,004,001,0
004,0
01,004,0
01,004,001,0
0
21
31
21010
2101
20
201
20
30
21
31
21010
2101
20
20
20
30
2110
20
102110
2010
210
102
10
10
3
22
110
22110
=++
++++
+++++
=++
−++++−+
=+
−++
+
−+
=
+−+∑
= −
−
αααααα
αααααααααα
ααααααααααα
αααα
αααααααα
αααα
αααα
εααεεαα
t t
tt
00,000065-
00002,00,0034-0,00330,1505,02
21
3110
2101
20
20
30
=
+++−
α
ααααααααα
( ) ( )
( ) (3.19) 0000065,00,00002
0034,00033,00,1505,02
211
1010200
=−
+−++−
αα
αααααα
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Bila persamaan (3.19) diturunkan terhadap 0α maka persamaannya menjadi
( ) ( )
(3.20) 00034,00033,01,02
00034,00033,015,015,0205,022
1210
20
110100020
=+−+−
=−+−+−−
αααα
αααααααα
Sedangkan persamaan (3.18) dapat ditulis menjadi
(3.21) 03
22
110
21
2411
210 =
+
−+∑= −
−−−
t t
tttt
εααεεεαεα
( ) ( )
( )( )( )( )
00,00000004-
0,000000160,0000040,000008-0,0000320,0008
0,0004-0,001604,00,00000064-0,000000160,000016
0,000032-0,0000080,00080,0004-0,000101,0
00001,002,00004,00016,004,0
0016,008,00004,00001,001,0
004,0
0004,00016,004,0
01,00004,00001,001,0
21
31
21010
2101
20
201
20
30
21
31
210
102
10120
201
20
30
2110
2010
2110
2010
210
102
10
10
=
++++
+++
++++
=++−+
+++−+
=+
−++
+
−+
α
ααααααααα
αααααααα
αααααααααα
αααααα
αααααα
αααα
αααα
00,00000068-
00000032,00,00004-0,000060,00330008,00,05
21
3110
2101
20
20
30
=
+++−
α
ααααααααα
( ) ( )
( ) (3.22) 000000068,00,00000032
00004,000006,00,00330008,00,05
211
1010200
=−
+−++−
αα
αααααα
Bila persamaan (3.22) diturunkan terhadap 1α maka persamaannya menjadi
( )( )
(3.23) 000000136,000000032,000004,00033,0
0200000068,000000032,0
00000032,000004,00006,00033,00006,0
1210
20
11
2101010
=+−+−
=−
−+−+−
αααα
αα
αααααα
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Bila persamaan (3.20) dan (3.23) dibentuk eliminasi dengan mengalikan 2500 pada
persamaan (2.23) maka persamaannya menjadi
00034,00033,01,02 1210
20 =+−+− αααα
00034,00008,01,025,8 1210
20 =+−+− αααα
0 0025,025,6 21
20 =− αα
02,0
0,00046,25
0,0025
10
21
212
0
αα
αα
α
=
==
Subtitusikan 10 02,0 αα = kedalam persamaan (3.20) sehingga diperoleh
( )
317,10041,00054,0atau 0
00054,00041,0
00054,00041,0
00034,00033,0002,00008,0
11
11
121
1211
21
===
=+−
=+−
=+−+−
αα
αα
αα
αααα
( ) 02634,0317,102,00 ==α
Jadi persamaan model ARCH (1) adalah
21317,102634,0 −+= ttt v εε
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
BAB IV
Penerapan Model ARCH Pada Data Harga Saham Composite Index
Studi kasus ini menggunakan data harga saham Composite Index , dari tanggal
03 januari 2005 sampai dengan 29 desember 2005. Data tercantum dalam lampiran
diambil dari situs http: finance.yahoo.com banyaknya observasi yang digunakan
sebanyak 243. Analisis data menggunakan program eviws dan minitab.
A. Identifikasi Model Awal
Langkah awal dari pembentukan model yaitu dengan mengenali sifat data asli.
Gambar 1 merupakan plot dari data asli saham Composite Index . Sumbu y
menyatakan harga saham, sedangkan sumbu x menyatakan waktu atau tanggal. Data
asli saham Composite Index dinotasikan dengan tΥ .
2 4 02 1 61 9 21 6 81 4 41 2 09 67 24 82 41
1 2 0 0
1 1 5 0
1 1 0 0
1 0 5 0
1 0 0 0
Gambar 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Pada gambar 1 terlihat bahwa data asli memiliki bentuk trend. Kemudian plot ACF
data asli.
Lag
Aut
ocor
rela
tion
1009080706050403020101
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Autocorrelation Function for y(with 5% significance limits for the autocorrelations)
Gambar 2
Gambar 2 terlihat bahwa nilai autokorelasi setelah lag kedua atau ketiga jauh diatas
garis batas toleransi. Hal ini menandakan bahwa data asli tidak stasioner. Untuk me-
rubah kebentuk stasioner maka data asli perlu dilakukan differencing. Sehingga
diperoleh data runtun waktu baru. Data runtun waktu hasil differencing pertama dari
tΥ dinotasikan tW dengan
(4.1) 1−Υ−Υ= tttW
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
Gambar 3 dibawah ini merupakan plot dari data setelah dilakukan differencing
satu kali.
2 4 02 1 61 9 21 6 81 4 41 2 09 67 24 82 41
5 0
2 5
0
- 2 5
- 5 0
Gambar 3
Pada gambar 3 memperlihatakan bahwa data setelah dilakukan differencing satu kali
sudah stasioner.
Kemudian kita lihat plot ACF dan PACF dari tW . Gambar 4 merupakan plot
ACF dari tW . Terlihat setelah lag pertama semua lag berada dibawah batas toleransi.
L a g
Aut
ocor
rela
tion
2 4 02 2 02 0 01 8 01 6 01 4 01 2 01 0 08 06 04 02 01
1 , 0
0 , 8
0 , 6
0 , 4
0 , 2
0 , 0
- 0 , 2
- 0 , 4
- 0 , 6
- 0 , 8
- 1 , 0
A u t o c o r r e l a t i o n F u n c t i o n f o r w( w ith 5 % s ig n i f i c a n c e l im i t s fo r th e a u to c o r r e la t io n s )
Gambar 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Gambar 5 dibawah ini menunjukkan plot PACF untuk W. Terlihat hampir semua lag
berada dibawah batas toleransi. Hal ini menunjukkan datanya stasioner. Ada tiga lag
yang melewati garis toleransi, ini menunjukkan adanya proses AR (3).
Lag
Part
ial A
utoc
orre
lati
on
240220200180160140120100806040201
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Partial Autocorrelation Function for w(w ith 5% significance lim its for the partial autocorrelations)
Gambar 5
Sebelum mencari model sesungguhnya dari proses ARCH, harus diduga terle-
bih dahulu model awal dari data. Sehingga menghasilkan galat yang digunakan untuk
menduga nilai parameter dari model ARCH. Pada data diasumsikan model awal se-
bagai proses dari AR(3).
Dari lampiran 2 dapat dibentuk model awal sebagai berikut
(4.2) 0,106073075319,0167782,0531874,0 321 −−− +−+= tttt WWWW
Bila persamaan (4.2) tW menggunakan persamaan (4.1) maka persamaannya menjadi
( ) ( )( ) (4.3) 0,106073
075319 ,0167782,0531874,0
43
32211
−−
−−−−−
Υ−Υ+Υ−Υ−Υ−Υ+=Υ−Υ
tt
tttttt
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
Karena koefisien AR (2) dan AR (3) kurang dari satu. Sedangkan nilai probabilitas
AR (2) 0,2502 dan AR (3) 0,1006 lebih dari 0,05 yang berarti menerima hipotesis nol
( menerima bahwa masing-masing parameter sama dengan nol). Hal ini juga
diperkuat oleh nilai statistik-t AR (2) -1,152626 lebih dari -1,96 dan AR (3)
1,648216 kurang dari 1,96 sehingga memungkinkan untuk menerima hipotesis nol.
Hal itu mengakibatkan persamaan (4.3) menjadi
( ) (4.4) 167782,0531874,0 211 −−− Υ−Υ+=Υ−Υ tttt
Persamaan (4.4) disebut persamaan AR (1) dari data yang sudah dilakukan differenc-
ing satu kali.
Pada lampiran 3 model awal dari data yang telah dilakukan differencing satu
kali dengan menggunakan AR (1) ternyata signifikan. Hal itu ditunjukkan dengan
nilai probabilitas AR (1) 0,0202 kurang dari 0,05 dan stasistik-t 2,338679 lebih dari
1,96 yang berarti menolak hipotesis nol ( menolak bahwa koefisien sama dengan nol).
Sehingga model awalnya sebagai berikut
( ) (4.5) 148984,0584007,0 211 −−− Υ−Υ+=Υ−Υ tttt
B. Uji efek ARCH
Pada persamaan (4.5) diperoleh barisan galat. Barisan galat tersebut digunakan
untuk menguji ada atau tidaknya efek ARCH dalam data harga saham Composite In-
dex setelah dilakukan differencing.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Hasil yang diperoleh dari lampiran 4 terlihat bahwa nilai statistik 2TR bernilai
27,11342 lebih besar dari statistik ( ) 81,73205,0 =χ dan mempunyai nilai probabilitas 0
kurang dari 0,05. Sehingga hipotesis nol ditolak yang berarti ada efek ARCH dalam
prosses. Efek ARCH dipengaruhi oleh persamaan
(4.6) 336174,095835,96 21−+= tth ε
C. Pembentukan Model Akhir
Setelah diketahui bahwa data mempunyai model efek ARCH dengan orde 1,
selanjutnya dibentuk model regresi ARCH.
Pada lampiran 5 memperlihatkan bahwa persamaan (4.5) dan (4.6) akan
berubah menjadi
( ) (4.7) 220550,0753197,1 211 −−− Υ−Υ+=Υ−Υ tttt
dengan
(4.8) 290971,06211,102 21−+= tth ε
Karena nilai probabilitas AR (1) 0,0019 dan ARCH (1) 0,0026 kurang dari 0,05, se-
dangkan statistik-z AR (1) 3,101653 dan ARCH (1) 3,014244 lebih dari 1,64 maka
0Η ditolak yang berarti koefisien persamaan (4.7) dan (4.8) tidak samadengan nol.
Jadi dapat disimpulkan bahwa persamaan (4.7) dan (4.8) merupakan model regresi
ARCH yang sesuai untuk data harga saham Composite Index.
Untuk meramalkan harga saham pada tanggal 30 desember 2005 dapat dicari
dengan menggunakan persamaan (4.7) dan (4.8), sehingga diperoleh
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
( )( )
( )062,1164
640,11625,1220550,0753197,1
140,1164640,1162220550,0753197,1640,1162
220550,0753197,1
244
244
242243243244
=
−−+=Υ
−+=−Υ
Υ−Υ+=Υ−Υ
dan
( )2564,103
1835,229097,06211,102244
=
+=h
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
BAB V
PENUTUP
A. Simpulan
Pada kenyataanya data runtun waktu tidak semuanya memiliki variansi konstan.
Model Autoregresif (AR) merupakan model yang menganggap bahwa data runtun
waktu memiliki variansi konstan. Sedangkan model ARCH (Autoregressive
Conditional Heteroscedastic) merupakan model autoregresif dalam keadaan variansi
tidak konstan. Variansi merupakan variabel dalam statistik yang menggambarkan
seberapa jauh perubahan data terhadap nilai rata-ratanya. Nilai parameter pada model
ARCH diperoleh dengan metode iteratif yang diturunkan dari estimasi maksimum
likelihood.
Dari data harga saham Composite Index menunjukkan bahwa dalam data
tersebut ada efek ARCH. Sehingga data harga saham Composite Index dapat diatasi
menggunakan model ARCH. Namun peramalan dengan model ARCH tidak dapat
mendeteksi faktor-faktor yang mempengaruhi perubahan harga yang signifikan.
B. Saran
Untuk mengatasi data runtun waktu dengan variansi yang tidak konstan selain
model ARCH masih ada model ARCH-M, TARCH, GARCH dan EGARCH yang
dapat dipelajari sebagai kelanjutan dari model ARCH yang penulis bahas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
DAFTAR PUSTAKA
Box, E.P George, Jenkins, M. Gwilym & Reinsel, C. Gregory. (1994). Time Series
Analysis Forcasting and Control. USA: Prentice Hall Internasional.
Daniel, Dena dkk. (2001). A Course in Time Series Analysis. New York: Wiley.
Damodar, Gujarati. (1991). Ekonometrika Dasar (Terjemahan sumarno Zain).
Jakarta: Penerbit Erlangga.
Engle, R.F & Fadden, Mc, D.L. (1994). Handbook of econometrics (volume IV), 49,
2961-3031.
Gourieroux, C. (1997). ARCH Models and Financial Applications. New York :
Springer-Verlag .
Halim, Siana, Rahardjo, Jani & Adelia, Shirley. Model Matematika Untuk
Menentukan Nilai Tukar Mata Uang Rupiah Terhadap Dollar Amerika.
http://puslit.petra.ac.id/journals/industrial.
Makridakis, Spyros. (1999). Metode dan Aplikasi Peramalan. Jakarta: Penerbit
Erlangga.
Verbeek, Marno.(2000). A Guide to Modern Econometrics. New York: John Wiley &
sons. LTD.
William, H greene. (1951). Econometric Analysis. New York: New York University.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Lampiran 1 : Data harga saham Composite Index dari tanggal 03 januari 2005 sampai
dengan 29 desember 2005
No Tgl Close No Tgl Close 1 3-Jan-05 1000.88 32 18-Feb-05 1092.49
2 4-Jan-05 1018.54 33 21-Feb-05 1093.78
3 5-Jan-05 1015.43 34 22-Feb-05 1099.91
4 6-Jan-05 1029.89 35 23-Feb-05 1102.93
5 7-Jan-05 1032.53 36 24-Feb-05 1102.02
6 10-Jan-05 1015.48 37 25-Feb-05 1083.38
7 11-Jan-05 1011.67 38 28-Feb-05 1073.83
8 12-Jan-05 1008.58 39 1-Mar-05 1093.28
9 13-Jan-05 1021.67 40 2-Mar-05 1082.75
10 14-Jan-05 1021.34 41 3-Mar-05 1094.60
11 17-Jan-05 1024.89 42 4-Mar-05 1103.01
12 18-Jan-05 1017.73 43 7-Mar-05 1105.30
13 19-Jan-05 1027.81 44 8-Mar-05 1114.21
14 20-Jan-05 1035.75 45 9-Mar-05 1116.81
15 24-Jan-05 1030.72 46 10-Mar-05 1108.05
16 25-Jan-05 1026.89 47 14-Mar-05 1123.48
17 26-Jan-05 1037.51 48 15-Mar-05 1119.00
18 27-Jan-05 1044.99 49 16-Mar-05 1138.23
19 28-Jan-05 1046.48 50 17-Mar-05 1134.59
20 31-Jan-05 1045.44 51 18-Mar-05 1147.87
21 1-Feb-05 1047.53 52 21-Mar-05 1151.56
22 2-Feb-05 1052.82 53 22-Mar-05 1152.60
23 3-Feb-05 1049.33 54 23-Mar-05 1142.15
24 4-Feb-05 1048.39 55 24-Mar-05 1114.55
25 7-Feb-05 1041.63 56 28-Mar-05 1100.24
26 8-Feb-05 1036.60 57 29-Mar-05 1070.30
27 11-Feb-05 1045.87 58 30-Mar-05 1065.13
28 14-Feb-05 1050.73 59 31-Mar-05 1080.17
29 15-Feb-05 1067.20 60 1-Apr-05 1095.07
30 16-Feb-05 1073.44 61 4-Apr-05 1100.20
31 17-Feb-05 1082.98 62 5-Apr-05 1096.53
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
No Tgl Close No Tgl Close 63 6-Apr-05 1103.29 94 23-May-05 1045.15
64 7-Apr-05 1111.62 95 25-May-05 1049.06
65 8-Apr-05 1111.23 96 26-May-05 1054.36
66 11-Apr-05 1105.98 97 27-May-05 1061.49
67 12-Apr-05 1110.88 98 30-May-05 1062.96
68 13-Apr-05 1116.67 99 31-May-05 1088.17
69 14-Apr-05 1108.44 100 1-Jun-05 1082.94
70 15-Apr-05 1096.52 101 2-Jun-05 1091.46
71 18-Apr-05 1060.19 102 3-Jun-05 1092.50
72 19-Apr-05 1062.69 103 6-Jun-05 1096.83
73 20-Apr-05 1070.95 104 7-Jun-05 1092.81
74 21-Apr-05 1047.80 105 8-Jun-05 1095.51
75 25-Apr-05 1019.88 106 9-Jun-05 1094.19
76 26-Apr-05 1031.77 107 10-Jun-05 1096.93
77 27-Apr-05 1032.22 108 13-Jun-05 1100.88
78 28-Apr-05 1038.36 109 14-Jun-05 1105.89
79 29-Apr-05 1029.61 110 15-Jun-05 1119.58
80 2-May-05 1026.52 111 16-Jun-05 1125.76
81 3-May-05 1033.50 112 17-Jun-05 1141.82
82 4-May-05 1049.58 113 20-Jun-05 1147.71
83 6-May-05 1068.28 114 21-Jun-05 1133.33
84 9-May-05 1080.21 115 22-Jun-05 1134.69
85 10-May-05 1071.16 116 23-Jun-05 1137.42
86 11-May-05 1057.08 117 24-Jun-05 1135.67
87 12-May-05 1063.83 118 27-Jun-05 1119.90
88 13-May-05 1059.27 119 28-Jun-05 1127.82
89 16-May-05 1048.79 120 29-Jun-05 1126.86
90 17-May-05 1045.77 121 30-Jun-05 1122.38
91 18-May-05 1040.26 122 1-Jul-05 1138.99
92 19-May-05 1045.46 123 4-Jul-05 1138.88
93 20-May-05 1048.11 124 5-Jul-05 1131.17
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
No Tgl Close No Tgl Close 125 6-Jul-05 1117.81 156 19-Aug-05 1087.95
126 7-Jul-05 1108.40 157 22-Aug-05 1076.35
127 8-Jul-05 1110.56 158 23-Aug-05 1066.09
128 11-Jul-05 1123.46 159 24-Aug-05 1035.44
129 12-Jul-05 1129.11 160 25-Aug-05 1061.85
130 13-Jul-05 1132.79 161 26-Aug-05 1048.87
131 14-Jul-05 1136.57 162 29-Aug-05 994.77
132 15-Jul-05 1131.46 163 30-Aug-05 1039.82
133 18-Jul-05 1128.44 164 31-Aug-05 1050.09
134 19-Jul-05 1132.02 165 1-Sep-05 1039.23
135 20-Jul-05 1140.66 166 5-Sep-05 1035.89
136 21-Jul-05 1157.51 167 6-Sep-05 1051.59
137 22-Jul-05 1172.24 168 7-Sep-05 1059.38
138 25-Jul-05 1169.75 169 8-Sep-05 1080.45
139 26-Jul-05 1178.00 170 9-Sep-05 1098.46
140 27-Jul-05 1178.11 171 12-Sep-05 1105.66
141 28-Jul-05 1186.61 172 13-Sep-05 1085.74
142 29-Jul-05 1182.30 173 14-Sep-05 1058.63
143 1-Aug-05 1178.22 174 15-Sep-05 1050.91
144 2-Aug-05 1189.33 175 16-Sep-05 1056.73
145 3-Aug-05 1192.20 176 19-Sep-05 1066.59
146 4-Aug-05 1185.33 177 20-Sep-05 1055.59
147 5-Aug-05 1174.09 178 21-Sep-05 1044.06
148 8-Aug-05 1158.59 179 22-Sep-05 1016.76
149 9-Aug-05 1162.80 180 23-Sep-05 1012.85
150 10-Aug-05 1176.84 181 26-Sep-05 1034.58
151 11-Aug-05 1167.97 182 27-Sep-05 1037.63
152 12-Aug-05 1153.97 183 28-Sep-05 1027.89
153 15-Aug-05 1118.27 184 29-Sep-05 1048.30
154 16-Aug-05 1113.82 185 30-Sep-05 1079.28
155 18-Aug-05 1100.30 186 3-Oct-05 1083.41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
No Tgl Close No Tgl Close 187 4-Oct-05 1101.17 218 23-Nov-05 1061.08
188 5-Oct-05 1104.06 219 24-Nov-05 1078.18
189 6-Oct-05 1096.38 220 25-Nov-05 1074.40
190 7-Oct-05 1094.65 221 28-Nov-05 1081.06
191 10-Oct-05 1102.78 222 29-Nov-05 1082.28
192 11-Oct-05 1105.63 223 30-Nov-05 1096.64
193 12-Oct-05 1102.98 224 1-Dec-05 1096.37
194 13-Oct-05 1090.54 225 2-Dec-05 1119.42
195 14-Oct-05 1096.70 226 5-Dec-05 1120.58
196 17-Oct-05 1090.09 227 6-Dec-05 1123.44
197 18-Oct-05 1095.87 228 7-Dec-05 1151.36
198 19-Oct-05 1075.91 229 8-Dec-05 1158.32
199 20-Oct-05 1075.40 230 9-Dec-05 1160.07
200 21-Oct-05 1075.96 231 12-Dec-05 1175.01
201 24-Oct-05 1073.08 232 13-Dec-05 1182.03
202 25-Oct-05 1062.17 233 14-Dec-05 1173.72
203 26-Oct-05 1062.18 234 15-Dec-05 1155.96
204 27-Oct-05 1063.70 235 16-Dec-05 1143.43
205 28-Oct-05 1058.26 236 19-Dec-05 1162.33
206 31-Oct-05 1066.22 237 20-Dec-05 1163.03
207 1-Nov-05 1064.95 238 21-Dec-05 1160.56
208 9-Nov-05 1052.82 239 22-Dec-05 1164.02
209 10-Nov-05 1043.70 240 23-Dec-05 1158.34
210 11-Nov-05 1028.98 241 27-Dec-05 1161.71
211 14-Nov-05 1017.73 242 28-Dec-05 1164.14
212 15-Nov-05 1022.08 243 29-Dec-05 1162.64
213 16-Nov-05 1025.83 214 17-Nov-05 1033.28 215 18-Nov-05 1054.98 216 21-Nov-05 1062.46 217 22-Nov-05 1066.29
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Lampiran 2 : Hasil analisis dari data yang telah didifferencing satu kali dengan
menggunakan AR (3)
Dependent Variable: W Method: Least Squares Date: 12/18/06 Time: 09:33 Sample(adjusted): 5 243 Included observations: 239 after adjusting endpoints Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob. C 0.531874 0.975778 0.545076 0.5862
AR(1) 0.167782 0.064643 2.595498 0.0100 AR(2) -0.075319 0.065345 -1.152626 0.2502 AR(3) 0.106073 0.064356 1.648216 0.1006
R-squared 0.038158 Mean dependent var 0.555439 Adjusted R-squared 0.025879 S.D. dependent var 12.24870 S.E. of regression 12.08917 Akaike info criterion 7.839092 Sum squared resid 34344.80 Schwarz criterion 7.897276 Log likelihood -932.7715 F-statistic 3.107588 Durbin-Watson stat 2.000796 Prob(F-statistic) 0.027213 Inverted AR Roots .48 -.15 -.45i -.15+.45i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Lampiran 3 : Hasil analisis dari data yang telah didifferencing satu kali dengan
menggunakan AR (1)
Dependent Variable: W Method: Least Squares Date: 12/18/06 Time: 08:34 Sample(adjusted): 3 243 Included observations: 241 after adjusting endpoints Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob. C 0.584007 0.917453 0.636552 0.5250
AR(1) 0.148984 0.063705 2.338679 0.0202 R-squared 0.022373 Mean dependent var 0.597925 Adjusted R-squared 0.018282 S.D. dependent var 12.23275 S.E. of regression 12.12041 Akaike info criterion 7.835923 Sum squared resid 35110.16 Schwarz criterion 7.864843 Log likelihood -942.2288 F-statistic 5.469422 Durbin-Watson stat 1.977528 Prob(F-statistic) 0.020177 Inverted AR Roots .15
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Lampiran 4 : Hasil analisis uji efek ARCH
ARCH Test: F-statistic 30.31188 Probability 0.000000 Obs*R-squared 27.11342 Probability 0.000000
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/18/06 Time: 10:37 Sample(adjusted): 4 243 Included observations: 240 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. C 96.95835 21.00267 4.616478 0.0000
RESID^2(-1) 0.336174 0.061060 5.505623 0.0000 R-squared 0.112973 Mean dependent var 146.1302 Adjusted R-squared 0.109246 S.D. dependent var 312.0241 S.E. of regression 294.4876 Akaike info criterion 14.21665 Sum squared resid 20640068 Schwarz criterion 14.24565 Log likelihood -1703.998 F-statistic 30.31188 Durbin-Watson stat 2.020101 Prob(F-statistic) 0.000000
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Lampiran 5 : Hasil analisis penentuan model akhir
Dependent Variable: W Method: ML - ARCH (Marquardt) Date: 12/18/06 Time: 08:38 Sample(adjusted): 3 243 Included observations: 241 after adjusting endpoints Convergence achieved after 17 iterations Variance backcast: ON
Coefficient Std. Error z-Statistic Prob. C 1.753197 0.976684 1.795050 0.0726
AR(1) 0.220550 0.071107 3.101653 0.0019 Variance Equation
C 102.6211 12.94768 7.925826 0.0000 ARCH(1) 0.290971 0.096532 3.014244 0.0026
R-squared 0.011555 Mean dependent var 0.597925 Adjusted R-squared -0.000957 S.D. dependent var 12.23275 S.E. of regression 12.23860 Akaike info criterion 7.764580 Sum squared resid 35498.66 Schwarz criterion 7.822419 Log likelihood -931.6319 F-statistic 0.923523 Durbin-Watson stat 2.098638 Prob(F-statistic) 0.430078 Inverted AR Roots .22
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Lampiran 6 : Tabel distribusi statistik-t
α v 0,10 0,05 0,025 0,01 0,005 1 3,08 6,31 12,71 31,82 63,66 2 1,89 2,92 4,30 6,96 9,92 3 1,64 2,35 3,18 4,54 5,84 4 1,53 2,13 2,78 3,75 4,60 5 1,48 2,02 2,57 3,36 4,03 6 1,44 1,94 2,45 3,14 3,71 7 1,42 1,89 2,36 3,00 3,50 8 1,40 1,86 2,31 2,90 3,36 9 1,38 1,83 2,26 2,82 3,25 10 1,37 1,81 2,23 2,76 3,17 11 1,36 1,80 2,20 2,72 3,11 12 1,36 1,78 2,18 2,68 3,05 13 1,35 1,77 2,16 2,65 3,01 14 1,35 1,76 2,14 2,62 2,98 15 1,34 1,75 2,13 2,60 2,95 16 1,34 1,75 2,12 2,53 2,92 17 1,33 1,74 2,11 2,57 2,90 18 1,33 1,73 2,10 2,55 2,88 19 1,33 1,73 2,09 2,54 2,86 20 1,33 1,72 2,09 2,53 2,85 21 1,32 1,72 2,08 2,52 2,83 22 1,32 1,72 2,07 2,51 2,82 23 1,32 1,71 2,07 2,50 2,81 24 1,32 1,71 2,06 2,49 2,80 25 1,32 1,71 2,06 2,49 2,79 26 1,32 1,71 2,06 2,48 2,78 27 1,31 1,70 2,05 2,47 2,77 28 1,31 1,70 2,05 2,47 2,76 29 1,31 1,70 2,05 2,46 2,76 ∞ 1,28 1,64 1,96 2,33 2,58
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Lampiran 7 : Tabel distribusi khi-kuadrat
α v 0,995 0,99 0,975 0,95 0,90 0,10 0,05 0,025 0,01 0,005 1 0,00 0,00 0,00 0,00 0,02 2,71 3,84 5,02 6,63 7,88 2 0,01 0,02 0,05 0,10 0,21 4,61 5,99 7,38 9,21 10,60 3 0,07 0,11 0,22 0,35 0,58 6,25 7,81 9,35 11,34 12,84 4 0,21 0,30 0,48 0,71 1,06 7,78 9,49 11,14 13,28 14,86 5 0,41 0,35 0,83 1,51 1,61 9,24 11,07 12,83 15,09 16,75 6 0,68 0,87 1,24 1,64 2,20 10,64 12,59 14,45 16,81 18,55 7 0,99 1,24 1,69 2,17 2,83 12,02 14,07 16,01 18,48 20,28 8 1,34 1,65 2,18 2,73 3,49 13,36 15,51 17,54 20,09 21,96 9 1,72 2,09 2,70 3,33 4,17 14,68 16,92 19,02 21,67 23,59
10 2,16 2,56 3,25 3,94 4,87 15,99 18,31 20,48 23,21 25,19 11 2,60 3,05 3,82 4,57 5,58 17,28 19,68 21,92 24,72 26,76 12 3,07 3,57 4,40 5,23 6,30 18,55 21,03 23,34 26,22 28,30 13 3,57 4,11 5,01 5,89 7,04 19,81 22,36 24,74 27,69 29,82 14 4,07 4,66 5,63 6,57 7,79 21,06 23,68 26,12 29,14 31,32 15 4,60 5,23 6,26 7,26 8,55 22,31 25,00 27,49 30,58 32,80 16 5,14 5,81 6,91 7,96 9,31 23,54 26,30 28,85 32,00 34,27 17 5,70 6,41 7,56 8,67 10,09 24,77 27,59 30,19 33,41 35,72 18 6,26 7,01 8,23 9,39 10,86 25,99 28,87 31,53 34,81 37,16 19 6,84 7,63 8,91 10,12 11,65 27,20 30,14 32,85 36,19 38,58 20 7,43 8,26 9,59 10,85 12,44 28,41 31,41 34,17 37,57 40,00 21 8,03 8,90 10,28 11,59 13,24 29,62 32,67 35,48 38,93 41,40 22 8,64 9,54 10,98 12,34 14,04 30,81 33,92 36,78 40,29 42,80 23 9,26 10,20 11,69 13,09 14,85 32,01 35,17 38,08 41,64 44,18 24 9,89 10,86 12,40 13,85 15,66 33,20 36,42 39,36 42,98 45,56 25 10,52 11,52 13,12 14,61 16,47 34,38 37,65 40,65 44,31 46,93 26 11,16 12,20 13,84 15,38 17,29 35,56 38,89 41,92 45,64 48,29 27 11,81 12,88 14,57 16,15 18,11 36,74 40,11 43,19 46,96 49,65 28 12,46 13,56 15,31 16,93 18,94 37,92 41,34 44,46 48,28 50,99 29 13,12 14,26 16,05 17,71 19,77 39,09 42,56 45,72 49,59 52,34 30 13,79 14,95 16,79 18,49 20,60 40,26 43,77 46,98 50,89 53,67 50 27,99 29,71 32,36 34,76 37,69 63,17 67,50 71,42 76,15 79,49 100 67,33 70,06 74,22 77,93 82,36 118,5 124,3 129,6 135,8 140,2 500 422,3 429,4 439,9 449,1 459,9 540,9 553,1 563,9 576,5 585,2 1000 888,6 898,8 914,3 927,6 943,1 1058 1075 1090 1107 1119
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI