deteksi outlier pada model autoregressive …repository.unair.ac.id/25717/1/mpm 68 - 12 rak...
TRANSCRIPT
DETEKSI OUTLIER PADA MODEL AUTOREGRESSIVE
CONDITIONAL HETEROSCEDASTIC (ARCH) DENGAN
METODE RASIO LIKELIHOOD
SKRIPSI
FITRIKA RAKHMADYAH
DEPARTEMEN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
2012
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
DETEKSI OUTLIER PADA MODEL AUTOREGRESSIVE
CONDITIONAL HETEROSCEDASTIC (ARCH) DENGAN
METODE RASIO LIKELIHOOD
SKRIPSI
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana SainsBidang Matematika pada Fakultas Sains dan Teknologi
Universitas Airlangga
Oleh :
FITRIKA RAKHMADYAHNIM. 080710441
Tanggal Lulus :
Disetujui oleh :
Pembimbing I
Drs. Sediono, M.SiNIP.19610712 198701 1 001
Pembimbing II
Ir. Elly Ana, M.SiNIP. 19620412 198903 2 001
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
LEMBAR PENGESAHAN SKRIPSI
Judul : DETEKSI OUTLIER PADA MODEL
AUTOREGRESSIVE CONDITIONAL
HETEROSCEDASTIC (ARCH) DENGAN METODE
RASIO LIKELIHOOD
Penyusun : FITRIKA RAKHMADYAH
NIM : 080710441
Tanggal Ujian :
Disetujui oleh :
Pembimbing I
Drs. Sediono, M.SiNIP.19610712 198701 1 001
Pembimbing II
Ir. Elly Ana, M.SiNIP. 19620412 198903 2 001
Mengetahui :
Ketua Departemen Matematika
Dr. Miswanto, M.SiNIP.19680204 199303 1 002
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalamlingkungan Universitas Airlangga. Diperkenankan untuk dipakai sebagai referensikepustakaan, tetapi pengutipan seijin penulis dan harus menyebutkan sumbernyasesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik UniversitasAirlangga
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
KATA PENGANTAR
Alhamdulillahirobbilalamin, segala puji syukur tercurahkan kepada Allah
SWT yang telah melimpahkan segala berkat, rahmat, taufik, serta hidayah-Nya
yang tiada terkira besarnya, sehingga penulis dapat menyelesaikan skripsi dengan
judul “Deteksi Outlier pada Model Autoregressive Conditional Heteroscedastic
(ARCH) dengan Metode Rasio Likelihood“ , merupakan salah satu syarat untuk
memperoleh gelar sarjana sains bidang Matematika pada Fakultas Sains dan
Tekhnologi Universitas Airlangga.
Dengan selesainya skripsi ini, perkenankanlah penulis mengucapkan
terimakasih yang sebesar-besarnya kepada:
1. Kedua orang tua, Drs. H. Sugianto, M.Pd. dan Dra. Hj. Nur Karomah,
atas semua doa, pengertian, dukungan, kepercayaan, dan kasih sayang
yang tiada henti.
2. Drs. H. Sediono, M.Si, selaku pembimbing I dan Ir. Elly Ana, M.Si,
selaku pembimbing II, yang telah dengan ikhlas memberikan
bimbingan, tuntunan serta saran dan nasehat yang sangat membangun
bagi diri penulis.
3. Adinda tercinta, Febryna Nurhidayah, terimakasih atas dukungan dan
doa yang tiada henti sehingga penulis mampu menyelesaikan skripsi
ini dengan baik.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
4. Hidayatur Rochman, terimakasih atas dukungannya selama ini baik
dukungan moral, maupun spiritual, serta keikhlasan, kesabaran selama
menemani penulis dalam tangis dan canda bersama selama
menyelesaikan skripsi ini.
5. Kakak Grissila, Vita, Risma Vinda, Uum, Risa, atas suka dan duka
bersama, berharap suatu saat nanti kita bisa bersama lagi.
6. Penghuni KA (Mulyorejo I/ 4) terimakasih atas kesetiaannya dalam
memberikan doa dan dukungan kepada penulis, khususnya teruntuk
Vita, Eva, Siti, Rida, Novi.
Serta kepada semua pihak yang tidak dapat penulis ucapkan satu per satu
yang telah membantu penyusunan skripsi ini, terimakasih.
Penulis berharap semoga skripsi ini dapat bermanfaat bagi semua
pembaca. Namun, penulis juga menyadari bahwa skripsi ini masih banyak
kekurangan, sehingga saran dan kritik yang membangun sangat diharapkan untuk
memperbaiki skripsi ini.
Surabaya, Juni 2012
Penyusun
Penulis
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Fitrika R, 2012. Deteksi Outlier Pada Model Autoregressive ConditionalHeteroscedastic dengan Metode Rasio Likelihood. Skripsi ini dibawah bimbingan Drs.H. Sediono M.Si. dan Ir. Elly Ana, M.Si.. Departemen Matematika. Fakultas Sains danTeknologi. Universitas Airlangga.
ABSTRAK
Model ARCH (Autoregressive Conditional Heteroscedastic) adalah salahsatu model time series yang memiliki varian error tidak konstan. Akibatnya, dataterdapat lonjakan-lonjakan tinggi, dan banyak kejadian yang sifatnya mengganggukhususnya dibidang finansial. Salah satu kejadian yang sifatnya menggangguadalah munculnya outlier.
Outlier adalah suatu data yang menyimpang dari sekumpulan data yanglain. Keberadaan outlier akan memberikan efek yang kurang bagus dalam prosesanalisis data. Dalam kaitannya dengan bidang finansial, munculnya outlier dapatmenyebabkan kerugian yang besar apabila tidak segera ditangani. Terutamaoutlier tipe AVO (Additive Volatility Outlier) dan ALO (Additive Level Outlier).
Skripsi ini bertujuan untuk mendeteksi adanya outlier dan membedakantipe outlier pada model ARCH dengan metode rasio likelihood. Kemudianmenerapkan pada data nilai tukar mata uang DEM terhadap BEF dari tanggal 9April 1979 sampai 24 Agustus 1981yang diindikasikan mengandung modelARCH dan terdapat outlier didalam datanya.
Berdasarkan hasil pendeteksian dengan metode rasio likelihood diperolehbahwa data tersebut mengandung outlier tipe AVO yang didapat daripendeteksian outlier dengan menggunakan program S-Pluss. Kemudian datadiproses dengan metode hampel identifier untuk menentukan titik terjadinyaoutlier, jumlah outlier yang terdeteksi, dan menghapus serta mengganti outlieryang terdeteksi sehingga terbentuk data baru. Data baru tersebut dimodelkankembali kemudian dibandingkan dengan model awal menggunakan nilaiAIC,SBC dan MSE dari model awal dan model data baru. Nilai AIC, SBC danMSE yang didapat pada data awal adalah -5.8886, -5.8630 dan 0.0001604sedangkan pada data akhir adalah -10.1789, -10.1535 dan 0.00002515 sehinggadapat disimpulkan bahwa model yang paling baik adalah setelah penghapusanoutlier.
Kata Kunci : Time Series, Outlier, ARCH Model, Ratio Likelihood, Hampel Identifier,Maximum Likelihood Estimator
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Fitrika R, 2012. Outliers Detection in the Autoregressive ConditionalHeteroscedastic Models with Likelihood Ratio Method . This final project is underguidance of Drs. H. Sediono M.Si. and Ir. Elly Ana, M.Si.. Departement ofMathematics. Faculty of Science and Technology . Airlangga University.
ABSTRACT
ARCH model (Autoregressive Conditional Heteroscedastic) is one of thetime series models which have a non-constant variance error. As a result, the datacontained high jump spikes and many events disturbing, especially in the field offinance. One of them is the appearance of outliers.
Outlier is a set of data that deviate from the others. The presence ofoutliers will provide an unfavorable impact in the process of data analysis. Unlessit is treated immediately, in the financial field, the emergence of an outlier cancause a great loss, especially outliers AVO (Additive Volatility Outlier) and ALO(Additive Level Outliers) types.
This final project had purpose to detect the presence of outliers and todifferentiate types of outliers in GARCH model by the Likelihood Ratio methodthen to applied on the Exchange rate DEM to BEF start from April 9th 1979 untilAgustus 24th 1981 which indicated contain ARCH model and outliers in the data.
The detection result, obtained by the Likelihood Ratio method, showedthat the data contain outliers AVO types. The data then was processed by Hampelidentifier method to determine the point of occurrence of outliers, the number ofdetected outliers, and to replace after removing the detected outliers. The new dataformed then was converted to a new model to compare with early model usingAIC, SBC, and MSE values of the initial and the new data models. AIC, SBC andMSE values obtained in the initial data are -5.8886, -5.8630 dan 0.0001604, whilein the final data are -10.1789, -10.1535 dan 0.00002515, so it can be concludedthat the model is best after the removal of outliers.Key Words :Time Series, Outlier, ARCH Model, Ratio Likelihood, Hampel
Identifier, Maximum Likelihood Estimator
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
DAFTAR ISI
HALAMAN JUDUL ...................................................................................... i
LEMBAR PERSETUJUAN .......................................................................... ii
LEMBAR PENGESAHAN SKRIPSI .......................................................... iii
PEDOMAN PENGGUNAAN SKRIPSI ...................................................... iv
KATA PENGANTAR .................................................................................... v
ABSTRAK ...................................................................................................... vii
ABSTRACT .................................................................................................... viii
DAFTAR ISI................................................................................................... ix
DAFTAR TABEL .......................................................................................... xii
DAFTAR GAMBAR ...................................................................................... xiii
DAFTAR LAMPIRAN .................................................................................. xiv
BAB I PENDAHULUAN ............................................................................. 1
1.1. Latar Belakang Masalah...................................................................... 1
1.2. Rumusan Masalah .............................................................................. 3
1.3. Tujuan ................................................................................................. 3
1.4. Manfaat .............................................................................................. 3
1.5. Batasan Masalah……………………………………………………. 3
BAB II TINJAUAN PUSTAKA................................................................... 4
2.1. Proses Stokastik dan Kestasioneran……………………………….. .. 4
2.2. Autokovarian dan Fungsi Autokorelasi (ACF) .................................. 5
2.3. Fungsi Autokorelasi Parsial (PACF).................................................. 6
2.4. Bentuk ACF dan PACF Secara Umum.............................................. 7
2.5. Proses White Noise…………………….............................................. 8
2.6. Model Time Series ............................................................................. 11
2.6.1 Autoregressive.......................................................................... 9
2.6.2 Model Moving Average............................................................. 10
2.6.3 Model Autoregressive- Moving Average .................................. 12
2.7. Autoregressive Integrated Moving Average (ARIMA) ...................... 13
2.8. Non Stasioner Mean........................................................................... 14
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
2.9. Non Stasioner Varians........................................................................ 14
2.10.Estimasi Parameter Model ARIMA .................................................... 15
2.11.Diagnostic Checking .......................................................................... 17
2.12.Model Conditionally Heteroscedastic .............................................. 19
2.13.Autoregressive Conditionally Heteroscedastic .................................. 19
2.14.Estimasi Parameter Model ARCH ...................................................... 20
2.15.Prosedur Identifikasi dan Pengujian Conditionally Heteroscedastic 21
2.16. Maximum Likelihood Estimator ........................................................ 23
2.17.Outlier pada Data Time Series ........................................................... 24
2.18.Kriteria Pemilihan Model terbaik ...................................................... 26
2.19.Fungsi Devian (Deviance Function) .................................................. 27
2.20. EViews .............................................................................................. 28
2.21. S-Plus ............................................................................................... 28
BAB III METODE PENULISAN ................................................................ 30
3.1. Bahan dan Sumber Data...................................................................... 30
3.2. Metodologi Penelitian ......................................................................... 30
BAB IV HASIL DAN PEMBAHASAN ....................................................... 56
4.1. Prosedur Pendeteksian outlier pada model ARCH(1) dengan
metode rasio likelihood ....................................................................... 40
4.2. Menguji tipe outlier pada model ARCH(1) dengan metode
rasio likelihood………………………………………….................... 49
4.3. Menerapkan prosedur deteksi dan uji data outlier dalam
Model ARCH (1) pada data riil ........................................................... 56
4.3.1 Mekanisme pembentukan ARCH (1) terbaik ............................. 56
4.3.2 Mendeteksi Adanya outlier dan menguji tipe outlier dengan
Metode Rasio Likelihood ............................................................ 67
4.3.3 Mendeteksi outlier pada moel ARCH (1) dengan
hampel identifier dan memodelkan data kembali ........................ 69
4.3.4 Identifikasi Model Terbaik Setelah Proses Penghapusan
outlier…………………………………………………… ........... 70
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
4.3.5 Membandingkan model sebelum dan sesudah outliernya
diganti.......................................................................................... 74
BAB V PENUTUP.......................................................................................... 77
5.1. Kesimpulan ....................................................................................... 77
5.2. Saran ................................................................................................. 78
DAFTAR PUSTAKA ..................................................................................... 79
LAMPIRAN
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
DAFTAR TABEL
Nomor Judul Tabel Halaman
2.1 ACF dan PACF secara umum 8
2.2 Transformasi berdasarkan nilai lamda 15
4.1 Deskriptif Data Nilai Tukar Mata Uang DEM ke BEF 57
4.2 Hasil pendugaan dan estimasi parameter model ARIMA Nilai
Tukar Mata Uang DEM terhadap BEF 60
4.2 ACF dan PACF Kuadarat Residual 64
4.3 Hasil Estimasi Model ARCH-GARCH 66
4.5 Uji ARCH L-M 66
4.6 Titik Terjadinya Outlier 70
4.7 Hasil Pendugaan Data Baru 72
4.8 Nilai AIC dan SBC 76
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
DAFTAR GAMBAR
Nomor Judul Gambar Halaman
4.1 Plot Time Series Nilai Tukar Mata Uang DEM terhadap BEF 57
4.2 Time Series Hasil Differencing Nilai Tukar DEM terhadap BEF 59
4.3 Residual Distribusi Normal DEM terhadap BEF 63
4.4 Time Series DEM terhadap BEF setelah Penggantian 71
4.5 Residual Distribusi Normal Data Baru 74
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
DAFTAR LAMPIRAN
No. Judul Lampiran
1 Data Nilai Tukar Mata Uang DEM terhadap BEF
2 AUGMENTED DICKEY-FULLER UNIT ROOT TEST ON DEM to BEF(Sebelum di Differencing)
3 Tabel ACF dan PACF INdeks Harga Saham LQ45 sebelum differencing
4 AUGMENTED DICKEY-FULLER UNIT ROOT TEST ON LQ45(Setelah di Differencing)
5 Tabel ACF dan PACF Indeks Harga Saham LQ45(setelah di Differencing)
6 Estimasi Parameter Data Indeks Harga Saham LQ45 Setelah differencing 1
7 Uji Ke-white noisan dengan Correlogram Residual
8 Program Deteksi Outlier pada model GARCH (1,1) dengan metode rasiolikelihood dan Hampel identifier
9 Hasil Program Deteksi Outlier pada model GARCH (1,1) dengan metoderasio likelihood dan Hampel identifier
10 Data Baru Setelah Penghapusan Outlier
11 AUGMENTED DICKEY-FULLER UNIT ROOT TEST ON DATABARU
12 Tabel ACF dan PACF Data Baru
13 Estimasi Parameter Data Baru
14 UJi Ke-white noisan dengan Correlogram Residuals
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
1
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Data time series merupakan serangkaian pengamatan yang berasal dari
suatu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dengan
interval waktu yang tetap. Beberapa persoalan penting yang dapat dianalisis
dengan analisis time series antara lain dalam bidang pertanian, bisnis,
perekonomian, engineering, medical science, meteorology dan bahkan mengenai
quality control. Sedangkan tujuan dari analisis time series itu sendiri adalah untuk
memodelkan mekanisme stokastik dan meramalkan kejadian di masa yang akan
datang berdasarkan data masa lalu (Cryer, 1986).
Namun dalam pengamatan-pengamatan yang ada data time series
seringkali dipengaruhi oleh kejadian-kejadian yang bersifat mengganggu
(interuptive), seperti unjuk rasa, peperangan, krisis moneter, politik, dan bencana
alam, serta faktor lain yang tidak terduga sebelumnya, sehingga asumsi dasar
seperti stationer, residual berdistribusi normal dan model white noise tidak
semuanya terpenuhi. Konsekuensi dari kejadian-kejadian yang mengganggu,
menghasilkan serangkaian observasi yang tidak konsisten . Kejadian yang tidak
konsisten inilah yang dinamakan dengan pencilan (Outlier). Outlier adalah suatu
data yang ekstrim (menyimpang) dari pola sekumpulan data yang lain (Ferguson,
1996).
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
2
Data outlier bisa terjadi karena beberapa sebab seperti kesalahan dalam
pemasukan data, kesalahan dalam pengambilan sampel, memang ada data-data
ekstrim yang tidak bisa dihindarkan keberadaannya. Keberadaan data pencilan
akan mengganggu dalam proses analisis data dan harus dihindari dalam banyak
hal. Dalam kaitannya dengan analisis regresi, pencilan dapat menyebabkan hal-hal
seperti residual yang besar dari model yang terbentuk, varian pada data tersebut
menjadi lebih besar dan taksiran interval memiliki rentang yang lebar (Soemartini,
2007) .
Dalam model time series, khususnya model-model yang heterocedastic
(yang memiliki varian tidak tetap) misalkan model-model ARCH, GARCH dapat
menimbulkan model yang dihasilkan akan berpengaruh terhadap forecasting data
yang dihasilkan. Utamanya dalam kasus data-data keuangan, ekonomi, industri,
dll. Oleh karena itu maka data-data tersebut perlu dideteksi lebih lanjut.
Pendeteksian terhadap outlier suatu data dilakukan dengan menguji efek
outlier terhadap residual yang diasumsikan sebagai parameter-parameter dari
deret waktu (Rawi,2009). Untuk mendeteksi keberadaan outlier ini dapat
dilakukan dengan metode tes rasio likelihood. Berdasarkan uraian diatas, maka
dalam skripsi ini akan mengkaji tentang Pendeteksian Outlier pada Data Time
Series Model ARCH dengan Prosedur Rasio Likelihood berdasarkan acuan dari
jurnal time series yang berjudul Outlier Detection in GARCH Models by Jurgen
A. Doornik (2002).
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
3
1.2 Rumusan Masalah
1. Bagaimana prosedur deteksi outlier data time series pada model ARCH ?
2. Bagaimana menguji tipe data outlier dalam data time series pada model
ARCH dengan menggunakan tes rasio likelihood ?
3. Bagaimana menerapkan prosedur deteksi dan uji tipe data outlier dalam
model ARCH pada data riil?
1.3 Tujuan
1. Mengetahui prosedur pendeteksian outlier dalam data time series model
ARCH
2. Menguji tipe data outlier dalam data time series model ARCH dengan
menggunakan tes rasio likelihood
3. Menerapkan prosedur deteksi dan uji outlier pada model ARCH dengan
data riil
1.4 Manfaat
Manfaat dari penyusunan skripsi ini adalah agar dapat memahami tipe dari
outlier dalam data yang akan dianalisis.
1.5 Batasan Masalah
Untuk lebih memfokuskan tujuan dari penulisan kerangka acuan skripsi
ini, maka batasan yang perlu diperhatikan adalah ARCH (m) dengan nilai m adalah
ordenya yang memiliki nilai m= 1,2,… dst.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
4
BAB II
TINJAUAN PUSTAKA
Data time series merupakan serangkaian data pengamatan yang berasal dari
satu sumber tetap yang terjadinya berdasarkan indeks waktu secara berurutan
dengan interval waktu yang tetap. Digunakan notasi untuk menyatakan nilai
numerik dari pengamatan, dengan menunjukkan periode waktu terjadinya
pengamatan.
2.1 Proses Stokastik dan Kestasioneran
Menurut Wei (1990) suatu proses dikatakan stokastik jika dapat dinyatakan
dalam variabel random ),( tX dengan ruang sampel dan satuan waktu t yang
dapat dituliskan dalam notasi tX . Sedang pengamatanntttt XXXX ,...,,,
321
dikatakan stasioner bila :
),...,,,(),...,,,(321321 kmkkkm tttttttt XXXXFXXXXF
(2.1)
Dan dapat dikatakan strictly stasionary apabila Persamaan (2.1) terpenuhi
untuk nilai m = 1, 2, 3, ..., n. Sedangkan k adalah lag pada data time series.
Dengan nilai k= 1,2,...dst. Suatu proses stokastik Xt dikatakan weakly stationary
jika :
1. )( tXE (konstan setiap waktu),
2. )( 2tXE (konstan) sehingga 2
02)( tXE (konstan),
3. kktkt XXEXXE ))((),( , untuk setiap t dan k.
t
tX
t
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
5
2.2 Autokovarian dan Fungsi Autokorelasi (ACF)
Menurut Box dan Jenkins (1976) mengatakan bahwa kovarian antara Xt
dan Xt+k yang terpisah oleh interval waktu k disebut autokovarians pada lag-k.
Sedangkan korelasi deret time series dengan deret time series itu sendiri dengan
selisih waktu (time lag) 0, 1, 2 periode atau lebih disebut dengan autokorelasi.
Menurut Box,et.al (1994) mengatakan korelasi antara Xt dan Xt+k atau
disebut juga dengan autokorelasi pada lag k adalah :
)()(),(
),(ktt
kttkttk XVarXVar
XXCovXXCorr
(2.2)
Untuk keadaan yang stasioner 0)()( ktt XVarXVar , dan ),( ktt XXCov = k
sehingga
0
kk (2.3)
k sebagai fungsi dari k disebut dengan fungsi autokovarians dan k sebagai
fungsi k disebut sebagai fungsi autokorelasi (ACF).
Sifat-sifat fungsi autokovarians dan autokorelasi memenuhi syarat :
1. )(0 tXVar dan 1o
2. 0 k dan 1k
3. kk dan kk
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
6
2.3 Fungsi Autokorelasi Parsial (PACF)
Menurut Wei (1990) autokorelasi parsial digunakan untuk menunjukkan
korelasi parsial antara Xt dan Xt+k dengan menganggap pengaruh dari semua time
lag-k adalah konstan. Selanjutnya koefisien autokorelasi dapat ditulis dalam
bentuk persamaan beda :
kjkjkkkjkkjkjkj ,...,2,1,... 1)1(2211 (2.4)
Persamaan (2.4) dapat ditulis ke persamaan Yule Walker (Persamaan 2.5) melalui
proses sebagai berikut :
112011 ... kkkkk
karena memenuhi sifat autokovariansi dan autokorelasi maka sehingga diperoleh
:
112011 ... kkkkk
dengan cara yang sama sehingga diperoleh :
202112 ... kkkkk
022111 ... kkkk
Sehingga dapat ditulis matriks lengkapnya sebagai berikut :
112011 ... kkkkk
202112 ... kkkkk
022111 ... kkkk
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
7
Sehingga dapat dituliskan sebagai bentuk matriks sebagai berikut :
kk
k
k
kkk
k
k
k
2
1
432
211
121
1
2
1
1
11
atau dapat ditulis sebagai berikut kkk P (2.5)
dengan Pk =
1
11
432
211
121
kkk
k
k
k =
kk
k
k
2
1
Dengan menggunakan Cramer’s rule penyelesaian untuk k=1,2,…,
berturut-turut didapatkan :
111 , untuk k = 1
21
212
1
1
21
1
22 11
1
1
, untuk k = 2
sehingga
(2.6)
1
11
11
1321
2311
1221
1321
2311
1221
kkk
kk
kk
kkkk
k
k
kk
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
8
2.4 Bentuk ACF dan PACF Secara Umum
Menurut Suhartono (2003) berdasarkan Persamaan (2.2) dan (2.3) secara
umum, bentuk ACF dan PACF dari model ARIMA yang stasioner adalah sebagai
berikut :
Tabel 2.1 ACF dan PACF ARIMA secara umum
Model ARIMA ACF PACF
Autoregressive
AR (p)
Dies Down
Atau turun secara
eksponensial menuju 0
dengan bertambahnya k
Cut off after lag p
Atau terpotong setelah
lag p (lag 1, 2, …, p yang
signifikan berbeda
dengan 0)
Moving Average
MA (q)
Cut off lag q
Atau terpotong setelah
lag q (lag 1, 2, ..., q yang
signifikan berbeda
dengan 0)
Dies Down
Atau turun eksponensial
menuju 0 dengan
bertambahnya k
Campuran AR dan MA
ARMA (p,q)
Dies Down
Atau turun eksponensial
menuju nol setelah lag q
Dies Down
Atau turun eksponensial
menuju nol setelah lag p
Ket: Lag k adalah kemunculan pada plot ACF dan PACF setelah langkah ke k
Apabila hasil plot ACF dan PACF tidak mengikuti pola pada Tabel 2.1 di
atas maka dapat dikatakan bahwa data yang dianalisis belum stasioner atau
memiliki suatu tren tertentu. Suatu tren dapat dipastikan memiliki pergerakan naik
turun jika memiliki indikator sebagai berikut :
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
9
a. ACF suatu deret Xt menurun secara lambat (decay very slowly) sedangkan
PACF terpotong pada lag 1 (cut off after lag 1).
b. Level mean berubah mengikuti arah tertentu.
c. Parameter dari deret Xt tidak memenuhi syarat kestasioneran.
2.5 Proses White Noise
Menurut Cryer (1986) suatu proses t disebut proses white noise jika
proses tersebut membentuk variabel random berurutan yang tidak saling
berkorelasi dan mengikuti distribusi tertentu dengan mean diasumsikan bernilai
nol dan varian
2)( tVar dan 0),( kttk Cov untuk setiap 0k .
2. 6 Model Time Series
Terdapat tiga model dasar yang dapat digunakan untuk mendeskripsikan
suatu deret time series yang stasioner yakni model autoregressive, model moving
average, dan model autoregressive moving average.
2.6.1 Autoregressif.
Menurut Makridakis,dkk (1983) proses autoregressive menyatakan suatu
peramalan nilai X, yang diperoleh berdasarkan nilai-nilai sebelumnya. Wei (1990)
menjelaskan bahwa dalam model autoregressive, suatu pengamatan Xt dengan
pengamatan p sebelumnya atau disingkat AR(p) memiliki hubungan :
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
10
tp XB 1 (2.7)
tp
p XBBB 12
21
11
tppXXXX 22111
(2.8)
Untuk mendapatkan k Persamaan (2.8) dikalikan dengan diperoleh
kttptptktt XXXXX )...()( 11
tktktptpkttktt XXXXXXX ...)( 11 (2.9)
Dengan mengambil nilai ekspektasi dari Persamaan (2.9) didapatkan persamaan
beda
, (2.10)
Wei (1990), menjelaskan bahwa jika membagi Persamaan (2.10) dengan
akan didapatkan fungsi autokorelasi ACF pada model autoregressive yang
dapat dituliskan
, (2.11)
Sedangkan fungsi PACF dari autoregressive (AR) seperti Persamaan (2.6) dapat
ditentukan :
Untuk AR(1) 111
0kk untuk k > 1
Untuk AR(2) 112
tptptt XXX 11
ktX
pkpkkk 2211 0k
0
pkpkkk 2211 0k
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
11
11
1
1
1
21
1
22
21
212
22 1
0kk untuk k > 2
Sehingga untuk AR(p)
0,...,011 pp
0kk untuk k > p
Dari sini terlihat bahwa PACF dari AR(p) akan bernilai nol untuk lag yang
lebih tinggi dari p.
2.6.2 Moving Average.
Menurut Makridakis, dkk (1983) proses moving average merupakan
peramalan nilai yang didasarkan pada kesalahan-kesalahan (error)
sebelumnya.
Model moving average orde atau disingkat MA (q) adalah
(2.12)
dengan independen dan berdistribusi normal dengan mean nol dan varian .
Proses MA(q) dengan menggunakan Persamaan (2.12) fungsi autokovarians
adalah
1 1 1 1( ... )( ... )k t t q t q t k t k q t k qE (2.13)
tX
q
qtqtttX 11
t2
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
12
untuk = 0, maka
(2.14)
sedangkan
(2.15)
Berdasarkan Wei (1980) jika dibagi dengan didapat fungsi autokorelasi
(2.16)
terlihat bahwa fungsi autokorelasi proses moving average orde adalah nol
untuk proses dengan orde lebih tinggi dari atau terpotong setelah lag .
Dari Persamaan (2.6) PACF dapat ditentukan, dengan diketahui untuk MA(1)
adalah dan untuk >1, maka :
sehingga secara umum
k
2222
210 1 q
0
211
qkqkkk
qk
qk
,
,,2,1,
k 0
01 22
22
1
11
q
qkqkk
k
qkqk
,
,,2,1,
q
q q
21 1
0k k
4
2
2111 11
1
6
22
42
2
21
21
21
212
22 11
111
8
23
21
31
12
21
11
12
21
11
33 11
21
11
11
11
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
13
(2.17)
2.6.3 Autoregressive Moving Average.
Menurut Makridakis, dkk (1983) proses autoregressive moving average
adalah proses peramalan yang diperoleh berdasarkan nilai-nilai sebelumnya dan
kesalahan (error) sebelumnya. Sedangkan menurut Ekawati (1997) model
autoregressive moving average merupakan pengembangan dari model
autoregressive dan moving average yang disingkat dengan ARMA(p,q) .
Model ARMA(p,q) adalah
(2.18)
Fungsi autokorelasi pada proses ARMA dapat diturunkan dengan metode yang
sama dengan proses , yaitu menggandakan Persamaan (2.18) dengan
dan diambil nilai ekspektasinya, maka fungsi autokorelasi akan memenuhi
persamaan beda
(2.19)
Dengan k > q
dengan adalah kovarian antara X dan , dan didefinisikan
. Karena hanya berkorelasi dengan , maka
untuk
untuk
Dengan demikian Persamaan (2.18) dapat ditulis
12
2
11
k
k
kk
qtqttptptt XXX 1111
AR ktX
qkkk xqxxpkpkk 1111
kx
tktx XEk ktX kt
,0kx 0k
,0kx 0k
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
14
(2.20)
Dan jika Persamaan (2.20) dibagi dengan akan didapat fungsi autokorelasi
proses ARMA(p,q) yaitu :
, (2.21)
Sedangkan pada proses PACF sama dengan perilaku fungsi PACF proses MA(q) .
2.7 Autoregressive Integrated Moving Average (ARIMA)
Menurut Wei (1990) ARIMA merupakan proses yang stasioner yang
dihasilkan dari differencing homogeneous non stasioner series yang sesuai, jadi
didapatkan persamaan umum dari model ARIMA
(2.22)
dimana operator stasioner AR(p) adalah , operator
invertible MA(q) adalah dan d adalah operator
pembeda.
2.8 Non Stasioner Mean
Menurut Wei (1990) suatu data non-stasioner homogeneous series dapat
diubah ke bentuk stasioner series dengan menggunakan differencing (pembedaan)
yang sesuai dengan time series umum. Proses pembedaan dilakukan jika datanya
tidak stasioner dalam mean.
Dengan kata lain series dari tidak stasioner, tetapi setelah dikenakan
differencing dengan , menjadi stasioner.
1,2211 qkpkpkkk
0
pkpkkk 2211 1 qk
tqtd BXBB 1
pp BBB 1
11
qqq BBB 1
11
tX
td XB1 1d
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
15
2.9 Non Stasioner Varian
Secara umum untuk menstabilkan variansi dapat digunakan power
transformation :
(2.23)
yang dikenalkan oleh Box dan Cox (1964) disebut sebagai parameter
transformasi. Berikut ini adalah nilai yang sering digunakan serta bentuk
transformasi yang digunakan untuk masing-masing nilai seperti yang telah
dijelaskan (Wei,1990) :
Tabel 2.2 Transformasi berdasarkan nilai lambda
Nilai (lambda) Transformasi
-1.0
-0.5
0
0.5
1
Menurut Wei (1990) dengan melihat yang berkorespondensi dengan
transformasi logaritma,dapat dinotasikan sebagai berikut :
(2.24)
1 t
ttX
XXT
)( tXT
tX1
tX1
tXln
tX
tX
0
tttt X
XXXT ln
10
lim0
lim0
lim
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
16
2.10 Estimasi parameter ARMA(p,q)
Menurut Wei (1990) setelah model yang sesuai diperoleh melalui tahap
identifikasi, langkah berikutnya adalah mengestimasi parameter-parameter yang
belum diketahui dari model yang didapatkan.
Pada dasarnya model dapat ditulis sebagai :
(2.25)
dengan t diasumsikan berdistribusi 2. . ~ (0, )ai i d N dengan i.i.d berdistribusi
identic independent, tt XX dan Pdf bersama dari adalah
Misalkan dan diasumsikan kondisi awal
dan . Maka fungsi likelihoodnya
adalah
(2.26)
Didasarkan pada asumsi bahwa stasioner dan deret variabel random
yang , untuk nilai tX yang tidak diketahui dapat digantikan dengan
mean dan untuk yang tidak diketahui dapat diganti dengan nilai ekspektasi
qpARMA ,
ptpttqtqtt XXX 1111
',...,, 21 n
n
tt
ntpL
1
22
2/222* 2
1exp)2(),,|(,,,
)',...,,( 21 nXXXX
)',,...,( 011* XXXX p )',,...,( 011* q
2*22
* 2),,(2ln
2),,,(ln
SnL
),,|,,(),,( **1
2* XaXS
n
tt
}{ tX }{ t
),0(.. 2aNdii
X ta
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
17
0. Untuk Persamaan (2.24) diasumsikan juga ,
sedemikian hingga Model (2.25) menjadi
(2.27)
Estimasi parameter dengan metode Maksimum Likelihood dari parameter untuk
model dapat diperoleh dengan memaksimumkan fungsi likelihood.
2.11 Diagnostic Checking
Menurut Suhartono (2003) dalam pemodelan ARIMA, setelah suatu model
tertentu ditetapkan maka perlu dilakukan pengujian kesesuaian model. Bila
pengujian menghasilkan ketidaksesuaian baik dalam parameter maupun error,
maka perlu dilakukan beberapa pemodelan ARIMA lainnya yang memberikan
kesesuaian tinggi.
a. Pengujian signifikansi parameter.
Secara umum jika adalah nilai estimasi parameter dari untuk
suatu model ARIMA tertentu, dan s.e adalah standard error (s.e) dari
nilai estimasi , maka uji signifikansi parameter dapat dilakukan dengan
tahapan berikut :
1. Hipotesis :
H0:
H1:
2. Statistik uji :
0... 11 qppp aaa
n
ptt ZaS
1
2* )|,,(),,(
0
0
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
18
(2.28)
3. Keputusan :
Tolak jika , atau p-value < 05,0
dengan n = banyak data dan = banyak parameter.
b. Pengujian Kesesuaian model
Aswi dan Sukarna (2006) mengatakan bahwa pengujian kesesuaian
model meliputi kecukupan model (pengujian white noise error) dan uji
asumsi distribusi normal. Suatu model ARIMA dikatakan memenuhi
syarat cukup jika :
1. Hipotesis :
: Model sudah memenuhi syarat cukup yaitu residual memenuhi
syarat white noise 0...21 k .
: Model belum memenuhi syarat cukup yaitu residual belum
memenuhi syarat white noise (minimal ada satu 0i ,untuk
i= 1,2,3,…k).
2. Statistik uji menggunakan statistik Ljung Box-Pierce
, (2.29)
dengan
lag
= estimasi autokorelasi residual
ˆˆ
set
0Hpnndf
tt
;2
pn
0H
1H
K
k
k
knnnQ
1
2* ˆ
)2(
Kk ,...,2,1
2ˆk
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
19
3. Keputusan :
Tolak H0 jika ,
dengan nilai p dan q adalah order dari ARMA (p,q).
2.12 Model Conditional Heteroscedastic
Model ARIMA yang telah dijelaskan diatas, sangat berguna dalam
memodelkan deret time series dengan asumsi varian error adalah konstan
(homoscedastic). Menurut Enders (1995) model ARIMA yang telah dijelaskan
diatas, sangat berguna dalam memodelkan deret time series dengan asumsi varian
error adalah konstan (homoscedastic). Hal ini sangat tidak realistik untuk
permasalahan yang timbul dalam bidang ekonomi dan financial dimana sering
ditemukan adanya volatilitas atau yang disebut juga conditional heteroscedastic.
Untuk mengatasi hal ini, selain diperlukan pemodelan mean, juga
diperlukan pemodelan varians. Dalam memodelkan varian, dapat digunakan
model Autoregressive Conditional Heteroscedasticity (ARCH) ataupun model
Generalized Autoregressive Conditional Heteroscedasticity (GARCH).
2.13 Autoregressive Conditional Heteroscedastic (ARCH)
Menurut Lo (2003) misalkan merupakan error pengamatan
dari suatu model time series biasa dan misalkan merupakan himpunan
dengan waktu , termasuk untuk , maka proses disebut proses
Autoregressive Conditionally Heteroscedastic jika
2;
*qpKdfQ
2
2
T ,...,, 21
tF t
t t 0t t
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
20
dengan
(2.30)
dengan , , dan untuk = 1, …, .
Menurut Tsay (2002) pemodelan dengan menggunakan ARCH sama
halnya dengan pemodelan menggunakan AR, hanya saja model ARCH digunakan
untuk memodelkan varian error dari model terbaik.
Model Autoregressive Conditional Heteroscedastic orde m, ARCH (m),
adalah
20
1
m
t t i t ii
u
(2.31)
dengan berdistribusi normal standar. pada model ARCH merupakan residual
yang diperoleh dari model ARIMA. Model ARIMA dapat pula dinyatakan dalam
bentuk
ttt xy ' (2.32)
dengan adalah parameter dari model ARIMA (p,d,q) terbaik, adalah waktu
kejadian ke t, dan merupakan error dari model ARIMA(p,d,q)
ttt hNF ,0~1
th 22110 ... mtqt
m
iiti
1
20
0th 0m 00 0i i m
tu t
'tx
t
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
21
2.14 Estimasi Parameter Model ARCH
Estimasi model ARCH (m) sulit dituliskan dan jarang sekali terjadi pada
model varian error dengan orde tinggi seperti pada model ARCH (1). Dari
Persamaan (2.32) model persamaan ARCH (1) sebagai berikut :
ttt hu (2.33)
dengan (2.34)
Sehingga didapatkan model persamaan
2110 th (2.35)
Pdf ( Probability density function ) dari ),...,,,( 321 t adalah
)2
exp()2(2
2/1
t
t
hh (2.36)
sedangkan Pdf bersama adalah
T
t
ta h
hPL1
22/12
2exp)2(),,|(
(2.37)
dari persamaan di atas didapatkan fungsi likelihood sebagai berikut :
Log
T
t
T
t t
tt h
hL2 2
2
2log21
(2.38)
dengan ),....,,( 111 T dan ),...,,( 21 nhhhh
Estimasi maksimum likelihood dari parameter untuk model dapat diperoleh
dengan memaksimalkan fungsi likelihood.
th 22110 ... mtqt
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
22
2.15 Prosedur Identifikasi dan Pengujian Conditional Heteroscedastic
Menurut Enders (1995), jika terdapat conditional heteroscedasticity
disarankan untuk menggambar correlogram kuadrat residual dengan langkah-
langkah sebagai berikut:
1. Melakukan pemilihan model terbaik dengan menggunakan model
ARIMA sehingga diperoleh nilai residualnya dan setelah itu masing-
masing residual dikuadratkan. Nilai tersebut digunakan untuk
menghitung varian sampel residual sebagai berikut:
(2.39)
dengan T adalah banyak residual.
2. Menghitung dan membuat plot autokorelasi sampel dari kuadrat residual
dengan rumus
(2.40)
3. Untuk sampel cukup besar, maka untuk menguji proses white noise
standar deviasi dapat didekati dengan . Nilai yang
secara individu mempunyai nilai lebih besar dari standar deviasi,
mengindikasikan adanya proses heteroschedastic. Selain itu statistik uji
Ljung Box Q dapat digunakan untuk menguji signifikansi koefisien
secara kelompok. dengan statistik uji sebagai berikut:
T
t
t
T1
22 ˆ
ˆ
T
tt
T
ktktt
k
1
22
1
2222
ˆˆ
ˆˆˆˆ
k 2/1T k
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
23
(2.41)
kemudian statistik Q ini dibandingkan dengan distribusi dengan
derajat bebas .
Hipotesis yang digunakan adalah
(model white noise)
paling sedikit ada satu ; (model tidak
white noise)
tidak ditolak jika , dan ditolak jika sebaliknya. Penolakan
1H adalah sama dengan pembenaran pernyataan bahwa dalam kuadrat
residual tersebut terdapat proses ARCH.
2.16 Maximum Likelihood Estimator
Menurut Walpole (1995) parameter adalah sebarang nilai yang
menjelaskan ciri populasi atau suatu konstanta yang menjelaskan suatu populasi.
Menurut Mood and Boes (1974) jika terdapat nilai dari beberapa statistik
),...,,( 21 tε yang mewakili atau mengestimasi parameter 0 1, dan th yang
tidak diketahui, maka setiap statistik ),...,,( 21 tε disebut estimator titik.
Misal t ,...,, 21 merupakan t sampel acak independen dan identik
dengan Pdf )(f yang tidak diketahui, karena Pdf dari t ,...,, 21 adalah
K
k kTkTTQ
12
2X
qpK
:0H 0...21 k 2t
:1H 0k Kk ,...,2,1 2t
0H 2XQ
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
24
)()( 111 ff , )()( 222 ff , …, )()( ttt ff , maka Pdf bersama adalah
)( 1f )( 2f … )( tf .
Menurut Hogg dan Craig (1995) jika t ,...,, 21 merupakan t variabel
acak dari suatu distribusi dengan Pdf, );( tf untuk dengan adalah
parameter. Pdf bersama antara t ,...,, 21 adalah );( 11 f , );( 22 f ,…, );( ttf
. Jika Pdf bersama tersebut dinyatakan sebagai fungsi terhadap , maka
dinamakan fungsi likelihood yang dinotasikan L atau ditulis :
),...,,;( 21 tL );( 11 f , );( 22 f ,…, );( ttf (2.42)
statistik ),...,( 2,1 txxxt memaksimumkan ),...,,;( 21 tL ;
dengan adalah parameter maka statistik ),...,( 2,1 txxxt dinamakan
Maximum Likelihood Estimator ( MLE ) dari .
2.17 Outlier pada Data Time Series
Pengamatan time series terkadang dipengaruhi oleh kejadian-kejadian
yang mengganggu seperti perang, peristiwa mendadak seperti krisis politik atau
krisis ekonomi dan kejadian-kejadian mengganggu yang tidak diketahui.
Konsekuensi dari gangguan kejadian tersebut mengakibatkan pengamatan yang
tidak tepat terhadap suatu data. Menurut Tsay (1994) terdapat beberapa tipe
outlier yaitu :
a. Additive outlier (AO)
Merupakan kejadian yang mempengaruhi suatu deret waktu pada satu titik
saja
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
25
b. Innovational outlier (IO)
Merupakan kejadian dimana outlier menghasilkan efek yang berlanjut
terhadap data-data setelah terjadinya outlier pada waktu t
c. Temporary change (TC)
Merupakan kejadian dimana outlier menghasilkan efek awal pada waktu t
d. Level Shift (LS)
Merupakan kejadian yang mempengaruhi deret pada suatu waktu tertentu
dan efek dari outlier tersebut membuat suatu perubahan yang tiba-tiba
dan permanen.
Menurut Hotta dan Tsay (1998), ada dua tipe Additive Outlier pada model
ARCH yaitu Additive Level Outlier (ALO) dan Additive Volatility Outlier (AVO).
Berikut ini adalah model regresi ARCH (p) pada AO= ′ + | ~ (0, )
p
iitith
1
20 (2.43)
Ft adalah penyaringan sampai dengan waktu t. didalam praktik, ′ adalah
konstan. Penelitian terbaru termasuk Bollerslev, Engle, dan Nelson (1994),
Shephard(1996) dan Gourieroux (1997) mengatakan log likelihood diperoleh :
T
t t
tt
T
t hhc
1
2
1)log(
21)()( (2.44)
Untuk model ARCH (1) yang merupakan fokus utama, dapat dituliskan :
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
26
210 tith
sebagai
a. Additive Level Outlier (ALO)
Model ARCH (1) dengan Additive Level Outlier adalah :− ′ − = , | ~ (0, )+ t=1,2,3…,T (2.45)
dimana = 1 ketika = dan = 0 ketika ≠b. Additive Volatility Outlier (AVO)
Model ARCH(1) untuk AVO adalah :− = ∗ , ∗ = + , | ~ (0, ∗)2*110
* tth (2.46)
dimana = 1 ketika = dan = 0 ketika ≠ . Likelihood
sekarang didefinisikan dengan ∗ dan . Subtitusi :
∗ = + + (2 + ) (2.47)
2.18 Kriteria Pemilihan Model Terbaik
Dalam analisis time series atau analisis data secara umum, ada beberapa
model yang cukup digunakan untuk menjelaskan seluruh data yang diberikan.
Umumnya memilih yang terbaik dan mudah, diwaktu lain menentukan pilihan
dapat menjadi sangat sulit. Sehingga apabila terdapat beberapa beberapa model
yang sesuai, maka kriteria pemilihan model terbaik berdasarkan residual menurut
Wei (1990) adalah sebagai berikut:
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
27
1. AIC (Akaike’s Information Criterion)
(2.48)
2. SBC (Schwarz’s Bayesian Criterion)
(2.49)
dengan:
M : banyak parameter yang ditaksir
n : banyak pengamatan
3. MSE
Mean Square Error (MSE) diperoleh dari nilai rata-rata harapan dari
kuadrat perbedaan estimator disekitar nilai parameter populasi
sebenarnya, dihitung melalui:
= (2.50)
dengan te adalah dugaan dari residual
= data asli time series,
= hasil peramalan,
n = banyak data.
2.19 Fungsi Devians (Deviance Function)
Menurut Cullagh and Nelder (1989) Devian adalah statistik yang
mengukur sejauh mana penyimpangan ekspektasi terhadap nilai sebenarnya.
MnMAIC a 2ˆln)( 2
)ln(ˆln)( 2 nMnMSBC a
n
ttt ZZnMSE
1
21 ˆ
n
t
t
ne
1
2ˆ
tZ
tZ
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
28
Fungsi ini identik dengan statistik rasio likelihood untuk menguji H0 melawan H1.
Statistik uji ini berdistribusi 2px yang saling bebas dari = )ˆ,ˆ,ˆ( 110 , =
),ˆ,ˆ,ˆ,ˆ( 110 mm yang didefinisikan
);(2);(2);();( tttt llDD (2.51)
dengan :
);( tD : fungsi devian pada kondisi Ho
);( tD :fungsi devian pada kondisi H1 (bentuk perluasan dari Ho)
2.20 E-Views
Menurut Chen (1999) E-Views adalah singkatan dari Econometric Views,
adalah versi baru dari sebuah paket manipulasi data time series. Meskipun
sebagian besar Eviews digunakan untuk para ekonom, akan tetapi program
tersebut juga dapat digunakan dalam berbagai bidang studi lain seperti sosiologi,
statistik, keuangan, dll. Secara umum, Eviews dapat mengatasi masalah dalam hal
analisis data dan evaluasi, regresi, Peramalan ( Forecasting ), dan simulasi
2.21 S-Plus
Dalam bukunya Everitt (1994) disebutkan bahwa S-Plus merupakan suatu
program komputer yang memungkinkan membuat program sendiri walaupun di
dalamnya sudah tersedia banyak program internal yang siap digunakan sebagai
sub program dari program yang telah dibuat. Beberapa perintah internal yang
digunakan dalam S-Plus adalah:
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
29
a. Function( )
Perintah function( ) digunakan untuk menunjukkan fungsi yang akan
digunakan dalam program.
b. For( )
Perintah for( ) digunakan untuk memungkinkan adanya looping dalam
program S-Plus.
Bentuk : for( <indeks> in <batas bawah> : <batas atas>) {...<command>...}
c. If( )
Perintah if( ) digunakan untuk mengolah pernyataan bersyarat dalam
program S-Plus.
Bentuk : if ( syarat ) pernyataan benar atau else pernyataan salah.
d. Plot
Perintah plot digunakan untuk membuat plot dari grafik yang ada.
Bentuk : plot ( x, ... )
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
30
BAB III
METODE PENELITIAN
3.1 Bahan dan Sumber Data
Beberapa fasilitas yang digunakan dalan penelitian ini, baik data maupun
alat adalah sebagai berikut :
1. Bahan yang digunakan dalam penelitian ini berasal dari jurnal, buku,
maupun referensi lain yang berkaitan dengan permasalahan.
2. Data yang digunakan dalam penelitian ini adalah data nilai tukar mata
uang Deutsche Mark (DEM) terhadap Belgium Franch (BEF) mulai
tanggal 9 April 1979 sampai dengan 24 Agustus 1981.
3. Program Komputer yang digunakan adalah E-VIEWS, dan S-PLUS.
3.2 Metodologi Penelitian
Untuk menjawab permasalahan dalam bab pendahuluan, maka akan
dilakukan analisis dengan langkah-langkah sebagai berikut :
1. Melakukan pendeteksian outlier dalam model ARCH pada suatu data
time series.
2. Melakukan pengujian tipe data outlier dalam model ARCH dengan
menggunakan tes rasio likelihood pada suatu data time series.
3. Menerapkan pendeteksian tipe data outlier dalam model ARCH pada
data riil.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
31
Metode penulisan yang berkaitan dengan tujuan penulisan skripsi mengacu
pada jurnal Jurgen A. Doornik (2002) adalah sebagai berikut :
I. Mendeteksi adanya outlier pada model ARCH (1) dengan menggunakan metode
rasio likelihood dengan langkah – langkah :
1. Mengestimasi model ARCH (1) dengan metode Maximum Likelihood
Estimation (MLE) sehingga diperoleh nilai 10 , dan misalkan b sebagai
hasil estimasi model ARCH (1) .
2. Mendefinisikan nilai *
*max
t
ths , dimana s adalah titik terjadi gangguan,
*t adalah residual dari model ARIMA terbaik dan *
th adalah model varian
dari model AVO.
3. Mengestimasi model dengan metode Maximum Likelihood Estimation dan
misalkan m sebagai hasil estimasi dari model tersebut dengan penambahan
parameter m dan m .
4. Mendeteksi adanya outlier dengan hipotesis sebagai berikut:
a. Hipotesis :
Hipotesis secara umum :
Ho : tidak terdeteksi adanya outlier
H1 : terdeteksi adanya outlier
Hipotesis secara matematik :
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
32
Ho: m = m = 0
H1: m = m 0
b. Statistik uji dan keputusan :
Jika Tbm C
^^2 maka Ho diterima
Tetapi Jika Tbm C
^^2 maka Ho ditolak.
TC adalah nilai kritis dari sebaran Chi-Kuadrat dengan adalah tingkat
signifikansi dan T adalah banyak data yang terobservasi.
II. Menguji tipe outlier pada model ARCH (1) dengan menggunakan metode rasio
likelihood.
Berdasarkan langkah I diatas, jika Ho diterima maka proses berhenti, tetapi jika
Ho ditolak maka lanjutkan langkah II yaitu menggolongkan tipe outlier dengan
langkah – langkah sebagai berikut:
1. Estimasi model ARCH (1) ALO dengan MLE dan misalkan 0 sebagai hasil
estimasi dari model diatas.
2. Hitung nilai )2(ˆ 2*1 s , gunakan *ˆ sm .
Jika 0)/ˆˆ( 12 m maka
= − ( − ,⁄ ) / , ≥ 0+ ( − ,⁄ ) / , < 0Tetapi jika 0)/ˆˆ( 1
2 m maka 0ˆ1 .
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
33
3. Estimasi model ARCH (1) AVO dengan MLE dan misalkan 1 sebagai hasil
estimasi dari model diatas.
4. Jika 10ˆˆ maka gunakan m ˆˆ2 dan 02
ˆˆ
Tetapi jika 10ˆˆ maka gunakan 12 ˆˆ dan 12
ˆˆ .
5. Menguji tipe outlier AVO dan ALO dengan hipotesis sebagai berikut :
a. Hipotesis
Hipotesis secara umum :
Ho : terdeteksi outlier tipe ALO
H1 : terdeteksi outlier tipe AVO
Hipotesis secara matematik :
Ho: m = m = 0
H1: m = m 0
b. Statistik uji dan keputusan :
Jika 84.32^
2
^
m maka Ho diterima
Tetapi Jika 84.32^^
bm maka Ho ditolak.
dengan nilai 3.84 adalah nilai kritis dari sebaran Chi-Kuadrat dengan
%5 dan T=2 .
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
34
III. Menerapkan pendeteksian tipe data outlier dalam model ARCH pada data real
1. Mendapatkan model ARCH (1) terbaik pada data time series untuk
mengetahui tipe data outlier dalam model ARCH (1) dengan langkah-langkah
:
a. Mendapatkan model ARIMA terbaik yang meliputi:
1) Identifikasi model ARIMA terbaik dengan langkah sebagai berikut :
i. Plot data time series untuk melihat kestasioneran terhadap mean
dan varian, jika data tidak stasioner dalam mean maka
menggunakan differencing dan jika tidak stasioner dalam varian
menggunakan Transformasi Box-Cox.
ii. Pendugaan model ARIMA (p,d,q) dengan :
- plot ACF (Autocorrelation Function) untuk identifikasi model MA
(Moving Average).
- plot PACF (Partial Autocorrelation Function) untuk identifikasi
model AR (Autoregressive).
2) Estimasi parameter model ARIMA dengan menggunakan metode
Maximum Likelihood Estimation.
3) Diagnostic checking terhadap model dengan :
i. uji signifikansi parameter model ARIMA dengan uji-t. Jika nilai p-
value estimasinya kurang dari atau sama dengan 0.05 maka
estimasinya dapat dikatakan signifikan.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
35
ii. uji kesesuaian model dengan uji asumsi kecukupan model untuk
white noise dengan uji Ljung Box. Membandingkan nilai p-value
pada hasil Ljung Box Test. Jika 05.0valuep , maka data white
noise atau dengan kata lain model telah sesuai.
iii. Kriteria pemilihan model terbaiknya harus perhatikan MSE
dengan nilai terkecil.
b. Mendapatkan model ARCH (p) berdasarkan model ARIMA terbaik
1) Pendugaan kasus heteroscedasticity dan identifikasi dengan langkah :
i. Plot ACF (Autocorrelation Function) kuadrat residual dari model
ARIMA terbaik untuk melihat ke-white noise-an residual kuadrat
dan identifikasi model ARCH (p).
ii. Plot PACF (Partial Autocorrelation Function) kuadrat residual
dari model ARIMA terbaik untuk melihat ke-white noise-an
kuadrat residual dan identifikasi model ARCH (p).
Jika kuadrat residualnya white noise maka tidak ada kasus
heteroscedastic sehingga model ARIMA yang didapat merupakan
model yang terbaik. Tetapi, jika kuadrat residualnya tidak white noise,
berarti ada kasus heteroscedastic sehingga perlu dilakukan langkah
lanjutan sebagai berikut .
2) Estimasi parameter model ARCH dengan menggunkan metode
maksimum likelihood .
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
36
3) Diagnostic checking terhadap model dengan :
i. uji signifikansi parameter model ARCH dengan uji-t.
ii. uji kesesuaian model dengan uji asumsi kecukupan model untuk
white- noise dengan uji Ljung Box. Uji Ljung box ini, sekaligus
membuktikan bahwa data time series yang dimodelkan
mengandung kasus heteroscedasticity.
4) Uji validitas
Jika model belum sesuai dan belum valid, maka diulangi mulai
langkah a sampai didapatkan model ARCH terbaik.
5) Peramalan dengan menggunakan model ARCH terbaik.
2. Mendeteksi adanya Outlier dalam model ARCH dengan menggunakan tes
rasio likelihood pada data real.
a. Mengestimasi parameter model ARCH (1) dengan menggunakan metode
maksimum likelihood sehingga diperoleh nilai dari 10 , dari software.
b. Mencari nilai residual dari model ARIMA terbaik dan misalkan dengan
nama *t .
c. Mendapatkan nilai estimasi model ARCH (1) di AO dan misalkan b
sebagai hasil estimasi dari model tersebut.
d. Mencari model varian pada model AVO dan misalkan dengan nama *th .
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
37
e. Mencari nilai *
*max
t
ths , dimana s adalah titik terjadi gangguan.
f. Mengestimasi Model bersarang (nesting) untuk AO dengan metode
Maximum Likelihood Estimation (MLE) dan misalkan m sebagai hasil
estimasi dari model bersarang dengan penambahan parameter m dan m .
g. Mendeteksi adanya outlier dengan hipotesis sebagai berikut:
1) Hipotesis :
Hipotesis secara umum :
Ho : tidak terdeteksi adanya outlier
H1 : terdeteksi adanya outlier
Hipotesis secara matematik :
Ho: m = m = 0
H1: m = m 0
2) Statistik uji dan keputusan :
Jika Tbm C
^^2 maka Ho diterima
Tetapi Jika Tbm C
^^2 maka Ho ditolak.
TC adalah nilai kritis dari sebaran Khi-Kuadrat dengan adalah
tingkat signifikansi dan T adalah banyak data yang terobservasi.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
38
Untuk simulasi gunakan pendekatan TCT log88.166.5 dengan
%5 .
3. Me nguji tipe outlier pada model ARCH (1) dengan menggunakan metode
rasio likelihood pada data real.
Berdasarkan langkah I diatas, jika Ho diterima maka proses berhenti, tetapi
jika Ho ditolak maka lanjutkan langkah II yaitu menggolongkan tipe outlier
dengan langkah – langkah sebagai berikut:
a. Mengestimasi model ARCH (1) ALO dengan MLE dan misalkan 0
sebagai hasil estimasi dari model diatas.
b. Mengitung nilai )2(ˆ 2*1 s , gunakan *ˆ sm .
Jika 0)/ˆˆ( 12 m maka
= − ( − ,⁄ ) / , ≥ 0+ ( − ,⁄ ) / , < 0Tetapi jika 0)/ˆˆ( 1
2 m maka 01 .
c. Mengestimasi model ARCH (1) AVO dengan MLE dan misalkan 1
sebagai hasil estimasi dari model diatas.
d. Jika 10ˆˆ maka gunakan m ˆˆ2 dan 02
ˆˆ
Tetapi jika 10ˆˆ maka gunakan 12 ˆˆ dan 12
ˆˆ
e. Menguji tipe outlier AVO dan ALO dengan hipotesis sebagai berikut :
1) Hipotesis
Hipotesis secara umum :
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
39
Ho : terdeteksi outlier tipe ALO
H1 : terdeteksi outlier tipe AVO
Hipotesis secara matematis :
Ho: m = m = 0
H1: m = m 0
2) Statistik uji dan keputusan :
Jika 84.32^
2
^
m maka Ho diterima
Tetapi Jika 84.32^^
bm maka Ho ditolak.
dengan nilai 3.84 adalah nilai kritis dari sebaran Khi-Kuadrat dengan
%5 dan T=2 .
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
40
BAB IV
HASIL DAN PEMBAHASAN
4.1 Prosedur Pendeteksian Outlier pada model ARCH (1) dengan Metode
Rasio Likelihood.
Berikut ini adalah langkah-langkah untuk mendeteksi adanya outlier pada
model ARCH (1) dengan metode rasio likelihood :
1. Mengestimasi model ARCH (1) dengan menggunakan MLE.
Didefinisikan bentuk umum model ARCH adalah :
p
iititt u
1
20
(4.1)
dengan tu berdistribusi normal standar sedangkan t merupakan residual
dari model ARIMA yang dapat dinyatakan dalam bentuk umum:
ttt xy '
ARIMA(p,d,q) sebagai berikut
tqtd
p BXBB )()1)(( (4.2)
dengan memisalkan td
t XBW )1( maka
tqqqtpp BBWBB )...1()...1( 1111
qtqtqtptpttt WWWW ...... 12211
qtqtqtptptt WWW ...... 111 (4.3)
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
41
Untuk d=0
maka ttt XXBW 0)1(
qtqtqtptptt WWW ...... 111
qtqtqtptptt XXX ...... 111 (4.4)
Dengan memisalkan
tt yX , ptptt XXX ...11' dan qtqtqtt ...1
maka bentuk umum ARIMA dapat dinyatakan dalam model ARIMA(p,0,q)
Sedangkan untuk d=1 diperoleh
qtqtqtptptptttt XXXXXX ...)(...)()( 112111
qtqtqtptpptptttt XXXXXX ...... 1121111
qtqtqtptpptpttt XXXXX ......)1( 112111 (4.5)
Selanjutnya bentuk umum ARIMA juga dapat dinyatakan dalam model
ARIMA(p,1,q)
Dengan mengasumsikan t berdistribusi normal bersyarat dan misalkan
1tF merupakan himpunan informasi yang diketahui pada waktu
Tt ,..,3,2,1 maka
p
iititt NF
1
201 ,0~| atau dapat juga
ditulis sebagai berikut ttt hNF ,0~| 1 dengan
p
iitith
1
20
sehingga fungsi Pdf nya adalah
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
42
20
21exp
21),|(
t
t
tttt hh
huf
(4.6)
misalkan adalah himpunan parameter dari ht atau },{ 10 maka Pdf
bersyaratnya menjadi
20
21exp
21)|(
t
t
tt hh
f
(4.7)
sedangkan Pdf bersamanya adalah
T
t t
t
tt hh
L1
20
21exp
21)|(
(4.8)
fungsi likelihood dari Pdf bersama diatas adalah
T
t t
tt h
hL1
22
1
21exp)2(ln)(ln
T
t t
tT
tt h
h1
2
1
21
212ln
T
t t
tT
tt h
hT1
2
1 21)ln(
21)2ln(
2
(4.9)
T
t t
tt h
hT1
2
ln212ln
2
T
t t
tt h
hc1
2
)ln(21
dengan )2ln(2
Tc
Untuk mencari nilai estimasi 10 , pada fungsi likelihood Persamaan (4.9)
diatas, maka Persamaan (4.9) diturunkan terhadap parameter 10 ,
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
43
0
1 1
2
0
21ln
212ln
2)(ln
T
t
T
t t
tt h
hTL
(4.10)
1
1 1
2
1
21ln
212ln
2)(ln
T
t
T
t t
tt h
hTL
(4.11)
Berdasarkan hasil penurunan fungsi likelihood terhadap parameter ,
seperti pada Persamaan (4.10) dan (4.11) terlihat bahwa persamaannya
masih berbentuk implisit, sehingga untuk mendapatkan nilai estimatornya
diselesaikan dengan software Eviews.
2. Mencari nilai estimasi dari model ARCH (1) dan dimisalkan hasil
estimasinya sebagai b
Diketahui
T
t
T
t t
tt h
hTL1 1
2
21ln
212ln
2)(ln
(4.12)
Misalkan )()(ln bL
maka dengan menurunkan Persamaan (4.12) terhadap parameter
diperoleh
0
1 1
2
0
21ln
212ln
2)(
T
t
T
t t
tt
b hhT
(4.13)
1
1 1
2
1
21ln
212ln
2)(
T
t
T
t t
tt
b hhT
(4.14)
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
44
Karena hasil penurunan Persamaan (4.13) dan (4.14) masih berbentuk
implisit maka untuk mendapatkan nilai estimatornya diselesaikan dengan
software Eviews. Sehingga hasil estimasinya ditulis
T
t
T
t t
ttb h
h1 1
2
ˆ21ˆln
21)(ˆ (4.15)
3. Mendefinisikan nilai *
*max
t
ths , dengan *
t merupakan residual dari
model ARCH terbaik dan *th merupakan varian dari model ARCH.
4. Mencari nilai 'ˆ ss xy
5. Mengestimasi model bersarang (nesting) untuk AO dengan metode
Maximum Likelihood Estimation (MLE) dan dimisalkan hasil estimasi dari
model bersarang dengan penambahan parameter m dan m adalah m .
tttt dxy ' (4.16)
12
110 ttmt dh , },,{ 10
Pdf dari mttt hNF ,0~| 1 adalah
20
21exp
21)|(
mt
t
mtt hh
f
(4.17)
sedangkan Pdf bersamanya adalah
T
t mt
t
mtt hh
L1
20
21exp
21)|(
(4.18)
Jika Persamaan 4.18 diambil nilai logaritmanya maka diperoleh:
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
45
T
t mt
tmt h
hL1
22
1
21exp)2(ln)(ln
T
t mt
tT
tmt h
h1
2
1
21
212ln
T
t mt
tT
tmt h
hT1
2
1 21)ln(
21)2ln(
2
(4.19)
T
t mt
tmt h
hT1
2
ln212ln
2
T
t mt
tmt h
hc1
2
ln21 , dengan )2ln(
2Tc
Diketahui
T
t
T
t mt
tmt h
hTL1 1
2
21ln
212ln
2)(ln
(4.20)
Misalkan )()(ln mL
maka dengan menurunkan Persamaan (4.16) terhadap parameter
diperoleh
0
1 1
2
0
21ln
212ln
2)(
T
t
T
t mt
tmt
m hhT
(4.21)
1
1 1
2
1
21ln
212ln
2)(
T
t
T
t mt
tmt
m hhT
(4.22)
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
46
Karena hasil penurunan Persamaan (4.21) dan (4.22) masih berupa implisit
maka untuk mendapatkan nilai estimatornya diselesaikan dengan software
Eviews. Sehingga hasil estimasinya ditulis
T
t
T
t mt
tmtm
hh
1 1
2
ˆ21ˆln
21)(ˆ
(4.23)
6. Mendeteksi adanya outlier dengan hipotesis sebagai berikut:
a. Hipotesis :
Ho : tidak terdeteksi adanya outlier pada data
H1 : terdeteksi adanya outlier pada data
atau secara matematik dapat dinyatakan sebagai berikut :
Ho: m = m = 0
H1: m = m 0
b. Statistik uji dan keputusan :
Membuktikan Tbm C
^^2 berdistribusi Khi-Kuadrat
ttt hNF ,0~| 1
)ˆ;()ˆ;(
);(
);(00
t
t
t
t
ff
fmaks
fmaks
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
47
T
t mt
t
mt
T
t t
t
t
hh
hh
1
2
1
2
ˆ21exp
ˆ2
1
ˆ21exp
ˆ2
1
T
t mt
tT
tmt
T
t t
tT
tt
hh
hh
1
2
1
1
2
1
ˆ21exp
ˆ2
1
ˆ21exp
ˆ2
1
T
t mt
tT
tmt
T
t t
tT
tt
hh
hh
1
2
1
1
2
1
ˆ21exp
ˆ1
ˆ21exp
ˆ1
Chhh
h T
t mt
tT
t t
tT
t t
mt
1
2
1
2
1 ˆ21
ˆ21expˆ
ˆ
Chhh
h T
t mt
tT
t t
tT
t t
mt lnˆ21
ˆ21expˆ
ˆlnln
1
2
1
2
1
21
Chhh
h T
t mt
tT
t t
tT
t t
mt lnˆ21
ˆ21
ˆˆ
ln1
2
1
2
1
21
T
t t
mtT
t t
tT
t mt
t
hh
Chh
x1
21
1
2
1
2
ˆˆ
lnln2ˆˆ212ln2
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
48
T
t t
mtT
t t
tT
t mt
t
hh
Chh 1
21
1
2
1
2
ˆˆ
lnln2ˆˆln2
11
2
1
2
ˆˆC
hh
T
t t
tT
t mt
t
11
2
1 ˆ1
ˆ1 C
hh
T
tt
T
t tmt
21
2
1 ˆ1
ˆ1 C
hh
T
tt
T
t tmt
21
2
1 ˆ1
ˆ1 C
hh
T
tt
T
t tmt
(4.24)
Karena tmt hh ˆˆ maka 0ˆ1
ˆ1
tmt hh. Akibatnya 2
1
2
ˆ Ch
T
t t
t
sehingga )(~ˆ21
1
2
nh
T
t t
t
dan
)|,...,,(1
22
21
T
ttTT CC
Selanjutnya kriteria uji terhadap hipotesis di atas adalah :
Jika Tbm C
^^2 maka Ho diterima
Tetapi Tbm C
^^2 Jika maka Ho ditolak
dimana TC adalah nilai kritis dari sebaran Khi-Kuadrat dengan adalah
tingkat signifikansi dan T adalah banyak data yang terobservasi.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
49
4.2 Menguji Tipe Outlier pada Model ARCH (1) dengan Menggunakan Tes
Rasio Likelihood.
Berdasarkan Persamaan 4.1 diatas, jika H0 diterima maka proses berhenti,
tetapi jika H0 ditolak maka lanjutkan Persamaan 4.2 yaitu menggolongkan tipe
outlier . Berikut ini adalah langkah-langkah untuk membedakan tipe outlier :
1. Mengestimasi model ARCH (1) ALO dengan MLE dan misalkan 0 sebagai
hasil estimasi dari model diatas.
Model ARCH (1) dengan Additif Outlier adalah :
,tttt dxy ),0(~| 1 ttt hNF (4.25)
2110 tth
dimana 1td ketika st dan 0td ketika st
Pdf dari ),0(~| 1 ttt hNF adalah
20
21exp
21),|(
t
t
tttt hh
huf
(4.26)
Sedangkan Pdf bersamanya adalah
T
t t
t
ttt hh
huL1
20
21exp
21)|,(
(4.27)
Sedangkan fungsi likelihood dari Pdf bersama diatas adalah :
T
t t
tt h
hLnLnL1
22
1
21exp2)(
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
50
T
t t
tT
tt h
hLn1
2
1
21
212
T
t
T
t t
tt h
hLnLnT1 1
2
21)(
21)2(
2
(4.28)
T
t t
tt h
hLnLnT1
2
)(21)2(
2
T
t t
tt h
hLnc1
2
)(21
, dengan )2ln(2
Tc
Dari fungsi likelihood tersebut diperoleh :
T
t
T
t t
tt h
hTL1 1
2
21ln
212ln
2)(ln
(4.29)
Untuk mencari )(ˆ0 maka misalkan 0)(ln L
maka dengan menurunkan Persamaan (4.25) terhadap parameter
diperoleh
0
1 1
2
0
0 21ln
212ln
2)(
T
t
T
t t
tt h
hT
(4.30)
1
1 1
2
1
0 21ln
212ln
2)(
T
t
T
t t
tt h
hT
(4.31)
Karena hasil penurunan Persamaan (4.30) dan (4.31) masih berbentuk
implisit untuk mendapatkan nilai estimatornya diselesaikan dengan software
Eviews. Sehingga hasil estimasinya ditulis
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
51
T
t
T
t t
tt
hh
1 1
2
0 ˆ21ˆln
21)(ˆ
(4.32)
2. Menggunakan *ˆ sm
Jika 0)/ˆˆ( 12 m maka
= − ( − ,⁄ ) / , ≥ 0+ ( − ,⁄ ) / , < 0 (4.33)
Tetapi jika 0)/ˆˆ( 12 m maka 0ˆ1 .
3. Estimasi model ARCH (1) AVO dengan MLE dan misalkan 1 sebagai hasil
estimasi dari model diatas.
Model ARCH (1) untuk AVO adalah :
*'ttt xy , ttt d * , ),0(~| *
1 ttt hNF (4.34)
2*10
* tith
dimana 1d ketika st dan nol sebaliknya. Likelihood sekarang
didefinisikan dengan ∗ dan . Subtitusi :
12
112110
* )2( tttt dh
Pdf dari ),0(~| *1 ttt hNF adalah
2
**
* 021exp
2
1),|(t
t
t
ttthh
huf
(4.35)
Sedangkan Pdf bersamanya adalah
T
t t
t
t
ttthh
huL1
2
**
* 021exp
21)|,(
(4.36)
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
52
Fungsi likelihood dari Pdf bersama diatas adalah
T
t t
tt h
hL1
*
22
1*
21exp)2(ln)(ln
T
t t
tT
tt h
h1
*
2
1
21*
212ln
T
t
T
t t
tt h
hT1 1
*
2*
21ln
212ln
2
(4.37)
T
t t
tt h
hc1
*
2*ln
21
, )2ln(2
Tc
diketahui
T
t
T
t t
tt h
hTL1 1
*
2*
21ln
212ln
2)(ln
(4.38)
misalkan 1)(ln L
maka dengan menurunkan Persamaan (4.34) terhadap parameter
diperoleh
0
1 1*
2*
0
1 21ln
212ln
2)(
T
t
T
t t
tt h
hT
(4.39)
1
1 1*
2*
1
1 21ln
212ln
2)(
T
t
T
t t
tt h
hT
(4.40)
Karena hasil penurunan Persamaan (4.39) dan (4.40) masih berbentuk
implisit untuk mendapatkan nilai estimatornya diselesaikan dengan software
Eviews. Sehingga hasil estimasinya ditulis
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
53
T
t
T
t t
tt
hh
1 1*
2*
1 ˆ21ˆln
21)(ˆ
(4.41)
4. Jika 10ˆˆ maka gunakan m ˆ2 dan 02
ˆˆ
Tetapi jika 10ˆˆ maka gunakan 12 ˆˆ dan 12
ˆˆ .
5. Menguji tipe outlier AVO dan ALO dengan hipotesis sebagai berikut :
a. Hipotesis
Ho : terdeteksi outlier tipe ALO pada data
H1 : terdeteksi outlier tipe AVO pada data
atau secara matematik dapat dinyatakan sebagai berikut:
Ho: m = m = 0
H1: m m = 0
b. Statistik uji dan keputusan :
Membuktikan 84.32^
2
^
m berdistribusi Khi-Kuadrat dengan
T=2 dan %5
),0(~| 1 ttt hNF
)ˆ;()ˆ;(
);(
);(00
t
t
t
t
ff
fmaks
fmaks
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
54
2
1
2
2
1
2
ˆ21exp
ˆ2
1
ˆ21exp
ˆ2
1
t mt
t
mt
t t
t
t
hh
hh
2
1
22
1
2
1
22
1
ˆ21exp
ˆ2
1
ˆ21exp
ˆ2
1
t mt
t
tmt
t t
t
tt
hh
hh
2
1
22
1
2
1
22
1
ˆ21exp
ˆ1
ˆ21exp
ˆ1
t mt
t
tmt
t t
t
tt
hh
hh
Chhh
ht mt
t
t t
t
t t
mt
2
1
22
1
22
1 ˆ21
ˆ21expˆ
ˆ
Chhh
ht mt
t
t t
t
t t
mt lnˆ21
ˆ21expˆ
ˆlnln
2
1
22
1
22
1
21
Chhh
ht mt
t
t t
t
t t
mt lnˆ21
ˆ21
ˆˆ
ln2
1
22
1
22
1
21
2
1
21
2
1
22
1
2
ˆˆ
lnlnˆˆ21
t t
mt
t t
t
t mt
t
hh
Chh
2
1
21
2
1
22
1
2
ˆˆ
lnln2ˆˆ212ln2
t t
mt
t t
t
t mt
t
hh
Chh
x
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
55
2
1
21
2
1
22
1
2
ˆˆ
lnln2ˆˆln2
t t
mt
t t
t
t mt
t
hh
nChh
1
2
1
22
1
2
ˆˆC
hh t t
t
t mt
t
1
2
1
22
1 ˆ1
ˆ1 C
hh tt
t tmt
2
2
1
22
1 ˆ1
ˆ1 C
hh tt
t tmt
2
2
1
22
1 ˆ1
ˆ1 C
hh tt
t tmt
(4.42)
Karena tmt hh ˆˆ maka 0ˆ1
ˆ1
tmt hh. Akibatnya 2
1
2
ˆ Ch
T
t t
t
sehingga )(~ˆ21
2
1
2
nht t
t
dan
)|,(2
12
221
2
tt CC
Jika 205.0
^
2
^2 Cm
maka Ho diterima
Tetapi Jika 205.0
^
2
^2 Cm
maka Ho ditolak.
Dimana 205.0C merupakan nilai kritis dari sebaran Khi-Kuadrat
dengan %5 adalah signifikansi dan T=2 adalah banyak
parameter dari ARCH (1)
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
56
4.3 Menerapkan Prosedur Deteksi dan Uji Data Outlier dalam Model
ARCH (1) pada Data Riil
4.3.1 Mekanisme pembentukan model ARCH (1) terbaik
Data ekonomi time series seringkali menunjukkan volalitas yang fluktuatif
demikian pula ditunjukkan pada data nilai tukar mata uang DEM terhadap BEF
yang diamatai dalam penelitian ini. Adanya volalitas yang fluktuatif pada data ini
diperlukan model pendekatan untuk mengukur volalitas residual. Pendekatan
tersebut menggunakan model ARCH (1).
Pada pembahasan skripsi ini, untuk mendapatkan model ARCH digunakan
105 data mingguan pertukaran nilai mata uang mulai tanggal 9 April 1979
sampai dengan 24 Agustus 1981.Untuk mendapatkan model ARCH terbaik, maka
sebelumnya akan dicari model ARIMA terbaik kemudian didapatkan model
ARCH terbaiknya. Berikut ini adalah tahapan yang dilakukan untuk mendapatkan
model ARCH terbaik dari nilai tukar mata uang DEM terhadap BEF.
1. Analisis awal data dengan plot time series.
Untuk lebih jelas melihat struktur yang terjadi pada data mingguan nilai
tukar mata uang maka dilakukan plotting data. Pada Gambar 4.1 berikut
dapat dilihat plotting data secara umum data nilai tukar mata uang DEM
terhadap BEF.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
57
W AKTU
NIL
AIT
UKA
RM
ATA
UAN
G
1009080706050403020101
6,30
6,25
6,20
6,15
6,10
PLOT NILAI TUKAR MATAUANG
Gambar 4.1 Plot Time Series
Sebelum dilakukan pembentukan model nilai tukar mata uang DEM
terhadap BEF, terlebih dahulu akan dilakukan analisis diskriptif nilai tukar
mata uang DEM terhadap BEF pada Table 4.1 berikut :
Tabel 4.1 Deskriptif Data Nilai Tukar Mata Uang DEM ke BEF
Variabel Nilai Tukar Mata Uang
N 105
Mean 6.212263
Median 6.225500
Maximum 6.316500
Minimum 6.100000
Varians 0.002107
Skewness -0.728497
Kurtosis 3.091908
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
58
Dari tabel diatas dapat disimpulkan bahwa nilai varian sebesar 0.002107
dimana nilai varian yang lebih dari nol mengindikasikan bahwa memiliki
nilai fluktuatif yang tinggi. Sedangkan nilai skewness pada data diatas
bernilai -0.728497 dan nilai kurtosis bernilai 3.091908 data tersebut jauh dari
nilai normal skewness yang bernilai 0 dan kurtosis lebih besar dari 3. Dari
data diatas dapat dipastikan bahwa data tidak berdistribusi normal.
2. Pembentukan model ARIMA
Pembentukan model ARIMA terbaik dilakukan dengan menggunakan
bantuan program Eviews 5. Dengan mendefinisikan data nilai tukar mata
uang DEM terhadap BEF sebagai data inputan, yaitu tX dan time sebagai
pendefinisian waktu ke t (Lihat Lampiran 1), didapatkan hasil sebagai
berikut:
a. Identifikasi model
Berdasarkan Gambar 4.1 terlihat secara diskriptif bahwa data belum
stasioner dalam mean karena terdapat kecenderungan tren, baik naik
maupun turun. Untuk lebih akuratnya bisa juga dicek menggunakan uji
stasioneritas data (Unit Root Test) yaitu Augmentasi Dickey-Fuller(ADF)
Tes dan melihat plot ACF serta PACF datanya. Dengan software Eviews,
diperoleh nilai p-value dari Uji ADF sebesar 0.2503 (Lampiran 2), hal itu
menunjukkan data tidak stasioner dalam mean. Jika dilihat dari
Correlogram data nilai tukar mata uang DEM terhadap BEF (lampiran 3)
maka lag ACF pada data turun secara lamban sehingga menyebabkan
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
59
data nilai tukar mata uang DEM terhadap BEF tidak stasioner dalam
mean.
Karena data nilai tukar mata uang DEM terhadap BEF diatas tidak
stasioner dalam mean maka harus di differencing satu kali. Hasil
differencing ditunjukkan pada Gambar 4.2 berikut :
w a kt u
nial
ituk
arm
atau
ang
(def
fere
ncin
g)
1 0 09 08 07 06 05 04 03 02 01 01
0 ,0 5 0
0 ,0 2 5
0 ,0 0 0
- 0 ,0 2 5
- 0 ,0 5 0
T im e S e r i e s P lo t o f C 3
Gambar 4.2 Plot Time Series Hasil Differencing Nilai Tukar Mata Uang
DEM terhadap BEF
Hasil differencing satu kali pada Gambar 4.2 secara diskriptif sudah
menunjukkan bahwa data sudah stasioner dalam mean, karena tidak
terdapat tren. Untuk lebih akuratnya bisa juga dicek menggunakan uji
stasioneritas data (Unit Root Test) yaitu Augmentasi Dickey-Fuller(ADF)
Tes dengan 1 difference. Dengan software Eviews, diperoleh nilai p-value
dari Uji ADF sebesar 0.0000 (Lampiran 4), hal ini menunjukkan bahwa
data sudah stasioner dalam mean. Jika dilihat dari Collegram hasil
differencing satu kali dari data nilai tukar mata uang DEM terhadap BEF
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
60
(Lampiran 5) maka cut off pada lag 1 sehingga data sudah stasioner dalam
mean.
Berdasarkan correlogegram nilai tukar mata uang setelah di
differencing satu kali (Lampiran 5), nampak bahwa lag 1 muncul melewati
margin error pada plot ACF dan PACF. Karena PACF berguna
mengidentifikasi model Autoregressive dan ACF berguna mengidentifikasi
model Moving Average, maka model yang diduga sesuai dengan data
adalah model ARI([1],1), IMA(1,[1]), ARIMA([1],1,[1]), ARI([1],1)+C,
IMA(1,[1])+C, ARIMA([1],1,[1])+C
b. Estimasi Parameter Model
Dengan adanya dugaan model pada, maka langkah berikutnya
adalah mengestimasi dugaan model tersebut. Tabel 4.2 adalah hasil
dugaan dan estimasi Least square dari beberapa model ARIMA dengan
menggunakan EViews.5
Tabel 4.2 Hasil Pendugaan dan Estimasi Parameter Model ARIMA Nilai
Tukar Mata Uang DEM terhadap BEF
No Model P-value KeputusanNilaiAIC
NilaiSBC MSE
1 0.0002 Signifikan -5.888 -5.863 0.0001604
2 )1,1(IMA 0.0004 Signifikan -5.879 -5.853 0.0001622
3 1,1ARIMA
0.3196TidakSignifikan -5.884 -5.822 0.0001617
0.6246TidakSignifikan
1,1ARI
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
61
No Model P-Value KeputusanNIlai
AIC
NIlai
SBCMSE
4 CARI 1,1 0.0003 Signifikan -5.877 -5.826 0.0001605
5 CIMA 1,1 0.0006 Signifikan -5.874 -5.823 0.0001614
6 CARIMA 1,1,1
0.4105TidakSignifikan -5.862 -5.785 0.0001615
0.5827TidakSignifikan
Dari Table 4.2 diatas model yang signifikan adalah model ARI([1],1),
IMA(1,[1]), ARI([1],1)+C, IMA(1,[1])+C
c. Diagnostic checking
Diagnostic Checking terbagi menjadi dua bagian, yaitu uji signifikasi
parameter dan uji kesesuaian model. Uji signifikasi parameter dengan
melihat p-value pada hasil output Eviews 5, jika p-value kurang dari 0,05
maka parameter model dikatakan signifikan. Dari Tabel 4.2 diatas
didapatkan model yang signifikan adalah model ARI([1],1),
ARI([1],1)+C, IMA(1,[1]), IMA(1,[1])+C. Untuk Uji kesesuaian model
meliputi uji asumsi sisa (residual) dengan Ljung Box untuk melihat
apakah residual sudah white noise. Dari uji Ljung Box, ke-white noise-an
dari residual secara visual bisa dilihat dari plot ACF dan PACF residual
(Lihat Lampiran 7) yaitu terlihat tidak ada lag yang keluar dari batas.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
62
Dari plot ACF dan PACF residual (Lampiran 7) didapatkan model yang
white noise dan signifikan adalah model ARI([1],1).
Model yang baik (sesuai) adalah model yang telah memenuhi semua
asumsi, baik parameter telah signifikan maupun residual sudah white
noise serta MSE, AIC dan SBC yang kecil. Dari beberapa model diatas,
model yang paling signifikan, white noise serta MSE, AIC dan SBC yang
kecil adalah model ARI([1],1). Sehingga dapat disimpulkan bahwa model
terbaiknya yaitu model ARI([1],1).
d. Model ARIMA terbaik
Secara matematis model ARIMA ([1],1,[0]) terbaik dalam hal ini sebelum
diakukan differencing dapat ditulis sebagai berikut :
ytt XX 1360098.0
Setelah dilakukan konversi kembali maka menjadi model sebagai berikut:
ytttt XXXX 211 360098.0360098.0
3. Identifikasi dan Pengujian Kasus Heteroscedastic (Adanya efek ARCH)
Kasus heteroscedastic dapat diidentifikasikan dengan cara sebagai berikut
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
63
a. Plot Residual Distribusi Normal Nilai Tukar DEM terhadap BEF
Gambar 4.3 Plot Residual Distribusi Normal Nlai Tukar DEMterhadap BEF
Dari plot residual distribusi normal tersebut diketahui nilai probability
05.0000068.0 , Sehingga tolak Ho artinya residual tidak berdistribusi
normal dan terdapat kasus heteroscedastic. Ketidaknormalan residual ini
dapat juga digunakan untuk mengidentifikasikan adanya proses ARCH
GARCH, akan tetapi syarat ini tidak cukup untuk memastikan adanya unsur
ARCH-GARCH.
0
4
8
12
16
20
-0.050 -0.025 0.000 0.025
Series: ResidualsSample 3 105Observations 103
Mean -0.001151Median 0.000413Maximum 0.035790Minimum -0.047621Std. Dev. 0.012623Skewness -0.563590Kurtosis 4.789712
Jarque-Bera 19.19922Probability 0.000068
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
64
b. ACF dan PACF Kuadrat Residual Model ARIMA Terbaik untuk
Melihat ke white noise Kuadrat Residual
Table 4.3 ACF dan PACF Kuadrat Residual Nilai Tukar Mata Uang
DEM terhadap BEF
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. |** | . |** | 1 0.238 0.238 6.0056
. | . | . | . | 2 0.023 -0.036 6.0606 0.014
. | . | . | . | 3 0.028 0.033 6.1471 0.046
. | . | . | . | 4 0.042 0.030 6.3403 0.096
.*| . | .*| . | 5 -0.069 -0.091 6.8618 0.143
.*| . | . | . | 6 -0.065 -0.029 7.3379 0.197
. | . | . | . | 7 -0.041 -0.023 7.5248 0.275
. | . | . | . | 8 0.026 0.044 7.6003 0.369
. | . | . | . | 9 0.031 0.024 7.7084 0.462
. | . | . | . | 10 -0.037 -0.054 7.8693 0.547
.*| . | . | . | 11 -0.068 -0.055 8.4106 0.589
. | . | . | . | 12 -0.051 -0.036 8.7195 0.648
.*| . | . | . | 13 -0.061 -0.043 9.1657 0.689
.*| . | . | . | 14 -0.090 -0.056 10.140 0.682
.*| . | . | . | 15 -0.069 -0.032 10.719 0.708
. | . | . | . | 16 -0.031 -0.016 10.836 0.764
. | . | . | . | 17 0.038 0.042 11.016 0.809
. | . | .*| . | 18 -0.045 -0.076 11.279 0.842
. | . | . | . | 19 0.011 0.036 11.295 0.881
.*| . | .*| . | 20 -0.059 -0.091 11.754 0.896
. | . | . | . | 21 -0.002 0.022 11.755 0.924
. | . | . | . | 22 -0.045 -0.050 12.027 0.939
. | . | . | . | 23 -0.015 0.000 12.058 0.956
.*| . | .*| . | 24 -0.064 -0.069 12.626 0.960
. | . | . | . | 25 0.022 0.028 12.691 0.971
. | . | . | . | 26 0.059 0.034 13.176 0.974
. | . | .*| . | 27 -0.031 -0.074 13.310 0.981
. | . | . | . | 28 -0.018 0.001 13.359 0.987
. | . | . | . | 29 -0.017 -0.045 13.402 0.991
. | . | . | . | 30 -0.024 -0.023 13.484 0.994
. | . | . | . | 31 -0.055 -0.047 13.942 0.994
. | . | . | . | 32 -0.025 -0.009 14.039 0.996
. | . | . | . | 33 -0.046 -0.056 14.360 0.997
. | . | .*| . | 34 -0.046 -0.059 14.694 0.998
. | . | . | . | 35 -0.019 -0.011 14.752 0.998
. | . | . | . | 36 0.052 0.039 15.181 0.999
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
65
Dari Tabel ACF dan PACF tabel 4.3 terlihat kuadrat residual model terbaik
tidak white noise, karena Plot ACF dan PACF nya keluar dari margin error hal ini
menunjukkan bahwa terdapat dugaan kasus heteroscedastic pada data nilai tukar
mata uang DEM terhadap BEF. Karena telah diduga kuat terdapat kasus
heteroscedastic pada data tersebut, maka perlu dilakukan penanganan khusus
yaitu dengan membentuk model varian errornya agar dihasilkan interval
kepercayaan yang sesuai dengan kondisi variansi error yang tidak konstan.
4. Proses pembentukan model ARCH terbaik
a. Identifikasi Model ARCH-GARCH
Dari tabel ACF dan PACF kuadrat residual yang tidak white noise
maka dapat diindikasikan bahwa data tersebut memiliki kecendurangan
memiliki model ARCH-GARCH dalam hal ini akan dilakukan
pendeteksian model ARCH (1).
b. Estimasi Parameter Model ARCH-GARCH dengan menggunakan
Maksimum Likelihood
Estimasi parameter model ARCH-GARCH dengan menggunakan
maksimum likelihood akan disajikan dalam Tabel 4.4 seperti di bawah
ini:
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
66
Tabel 4.3 Estimasi Model ARCH-GARCH
Model Koefisien P-Value AIC SBC MSE
ARCH (1)C=0.0000117
RESID(-1)^2=0.25958
0
0.0271
-5.92921 -5.85247 0.000348
ARCH (2)
C=0.000129
RESID(-1)^2=0.315839
RESID(-2)^2= - 0.110232
0
0.0004
0.0082
-5.91933 -5.83701 0.000360
GARCH (1,1)
C=0.000150
RESID(-1)^2= 0.331610
GARCH(-1)= - 0.254715
0
0.0075
0.1645
-5.91207 -5.80976 0.000356
Berdasarkan Tabel 4.4 model yang terbaik adalah model ARCH (1),
karena semua parameter signifikan, nilai AIC dan SBC kecil. Sehingga persamaan
model ARCH (1) adalah sebagi berikut :
210.259580.0000117 tth (4.43)
Persamaan diatas dapat diartikan bahwa nilai tukar mata uang DEM
terhadap BEF pada periode ke-t ditentukan oleh suatu konstanta dan kuadrat
residual pada periode ke-t.
5. 4.5 Uji ARCH-LM
ARCH Test:
F-statistic 0.336088 Prob. F(1,100) 0.563400Obs*R-squared 0.341661 Prob. Chi-Square(1) 0.558872
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
67
Tabel 4.5 menunjukkan uji Lagrange Multiplier. Uji tersebut digunakan
untuk menguji apakah model sudah terbebas dari unsur ARCH. Hasil pada tabel
diatas menunjukkan bahwa tidak ada unsur ARCH pada model karena nilai
05.00.558872 .
4.3.2 Mendeteksi Adanya Outlier dan Menguji tipe Outlier dengan Metode
Rasio Likelihood
Untuk mendeteksi adanya outlier dan menguji tipe outlier dengan
menggunakan metode rasio likelihood pada model ARCH (1) dapat dilakukan
dengan bantuan software S-Plus. Setelah memperoleh residual dari Model ARIMA
terbaik dan ARCH (1), langkah selanjutnya untuk mendeteksi adanya outlier dan
menguji tipe outlier adalah mencari nilai dari *th . Nilai *
th (Lampiran 9) ini
digunakan untuk mencari titik dimana terjadi outlier (s). Nilai s yang diperoleh
dari program sebesar 9461.276 ,yang terletak pada t ke 34.
Setelah titik terjadinya outlier diketahui, maka langkah selanjutnya adalah
mencari nilai estimasi dari model b (ARCH AO) dan m (estimasi model
bersarang) dengan menggunakan MLE. Kedua nilai tersebut digunakan untuk
mendeteksi adanya outlier pada data. Untuk mendeteksi adanya outlier atau tidak
pada data maka kurangkan nilai m dengan b ,kemudian kalikan dengan 2 dan
bandingkan dengan nilai kritis dari chi square TC dengan %5 adalah
tingkat signifikansi dan T adalah banyak data yang terobservasi. Dengan hipotesis
sebagai berikut :
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
68
Ho : tidak terdeteksi adanya outlier pada data
H1 : terdeteksi adanya outlier pada data
Daerah kritis tolak HO jika Tbm C
^^2 dengan 773.43TC .
Karena nilai 284.51722^^
bm (lihat Lampiran 9) maka HO diterima
sehingga dapat disimpulkan bahwa ada outlier terdeteksi pada data.
Setelah outlier terdeteksi pada data maka melanjutkan kelangkah
selanjutnya, yakni membedakan tipe outlier yang terdeteksi pada data. Untuk
membedakan tipe outlier tesebut, terlebih dahulu mengestimasi model ARCH (1)
ALO dengan MLE dan misalkan 0 sebagai hasil estimasi dari model diatas.
Kemudian mencari nilai 1 . Setelah nilai 1 diketahui maka estimasi model
ARCH AVO dengan MLE dan misalkan 1 sebagai hasil estimasi model diatas.
Lakukan looping untuk mencari nilai 2 .Setelah nilai 2 diketahui maka hitung
nilai 84.32^
2
^
m
dengan hipotesis sebagai berikut:
Ho : terdeteksi outlier tipe ALO pada data
H1 : terdeteksi outlier tipe AVO pada data
berdasarkan (Lampiran 9) diketahui bahwa nilai 284.51722^
2
^
m . Karena
nilai 84.32^
2
^
m maka Ho ditolak sehingga outlier yang terdeteksi pada data
tipenya AVO. Hal ini menunjukkan bahwa data nilai tukar mata uang DEM
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
69
terhadap BEF tersebut variannya sangat besar, sehingga perlu dimanage supaya
mengurangi resiko kerugian di bidang finance.
4.3.3 Mendeteksi outlier pada model ARCH (1) dengan hampel identifier
dan memodelkan data kembali.
Data yang mengandung outlier tipe AVO tersebut masih belum diketahui
titik-titik terjadinya outlier, jumlah outlier dan digunakan untuk apa outlier
tersebut ketika sudah terdeteksi. Pada umumnya keberadaan outlier itu
mengganggu, untuk itu ada dua perlakuan terhadapnya yaitu dihapuskan
dengan syarat tidak merusak model atau dipertahankan karna tidak
mengganggu. Outlier dihapuskan dengan artian mengganti outlier tersebut
dengan mean data awal. Untuk itu kita perlu menggunakan metode hampel
identifier. Metode tersebut diterapkan pada program dalam Software S-PLUS
yang menghasilkan output data baru tanpa outlier. Output data baru tanpa
outlier ini merupakan suatu data dengan outlier yang digantikan dengan data
baru yaitu mean data awal. Hasil output program pada Lampiran 9B
menunjukkan bahwa jumlah outlier yang terdeteksi ada enam titik, berikut
adalah perinciannya :
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
70
Tabel 4.6 Titik terjadinya Outlier hasil Output Program S-Plus
I Outlier Dihapus Diganti
24 6 -0.00473 -0.00032
97 5 -0.00508 -0.00028
51 5 0.00401 -0.00024
33 4 -0.00538 -0.00028
99 3 0.0062 -0.00023
54 3 0.00363 -0.00017
50 2 0.00682 -0.00021
98 1 -0.00955 -0.00027
Setelah titik oulier dan jumlah outlier diketahui, maka program hampel
identifier pada Lampiran 8B langsung mengkonstruksi return nilai tukar
mata uang DEM terhadap BEF yang hasilnya dapat dilihat pada Lampiran
9B kemudian data hasil konstruksi tersebut dimodelkan kembali.
4.3.4 Identifikasi Model Terbaik Setelah Proses Penghapusan Outlier
Sebelum melakukan identifikasi model, perlu diketahui bahwa yang akan
diidentifikasi merupakan data return nilai tukar mata uang DEM terhadap
BEF yang telah mengalami proses penghapusan outlier. Sehingga, data
disebut dengan “Data Baru”.
Selanjutnya pembentukan model ARIMA terbaik dilakukan dengan
menggunakan bantuan program Eviews 5. Dengan mendefinisikan data baru
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
71
nilai tukar mata uang DEM terhadap BEF setelah penghapusan sebagai data
inputan, yaitu tX dan time sebagai pendefinisian waktu ke t (Lihat Lampiran
10), didapatkan hasil sebagai berikut:
a. Identifikasi model
Berikut dapat dilihat plotting secara umum data data baru nilai tukar
mata uang DEM terhadap BEF setelah penghapusan
Gambar 4.4 Time Series Nilai Tukar Mata uang DEM terhadap BEF Setelah
Penghapusan Outlier
Berdasarkan Gambar 4.4 terlihat secara diskriptif bahwa data
sudah stasioner dalam mean karena tidak terdapat kecenderungan tren, baik
naik maupun turun. Untuk lebih akuratnya bisa juga dicek menggunakan uji
stasioneritas data (Unit Root Test) yaitu Augmentasi Dickey-Fuller(ADF) Tes
-.004
-.003
-.002
-.001
.000
.001
.002
.003
.004
10 20 30 40 50 60 70 80 90 100
waktu
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
72
dan melihat plot ACF serta PACF datanya. Dengan software Eviews,
diperoleh nilai p-value dari Uji ADF sebesar 0.000 (Lampiran 11),
Berdasarkan correlogram of nilai tukar mata uang DEM terhadap BEF
(lampiran 12), nampak bahwa lag 1 muncul melewati margin error pada plot
ACF dan PACF. Karena PACF berguna mengidentifikasi model
Autoregressive dan ACF berguna mengidentifikasi model Moving Average,
maka model yang diduga sesuai dengan data adalah model ARI(1,1),
IMA(1,1).
b. Estimasi Parameter Model
Setelah didapatkan dugaan model, maka langkah selanjutnya adalah
mengestimasi dugaan model tersebut. Tabel 4.7 berikut ini merupakan hasil
pendugaan dan estimasi least squares dari beberapa model ARIMA dengan
menggunakan EViews.5 (Lihat pada Lampiran 13)
Tabel 4.7 Hasil Pendugaan Data Baru
NO Model Koef p-value AIC SBC MSE1 ARI(1,1) -0,4514 0,000 -9.8849 -9.8914 0,000003603
2 IMA(1,1) 0.9837 0.000 -10.1789 -10.1535 0.00002515
Dari Tabel 4.7 diatas model yang signifikan adalah model ARI(1,1), IMA(1,1)
dari hasil pendugaan data diatas dapat dipastikan model terbaiknya adalah
IMA (1) karena memiliki nilai MSE yang kecil.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
73
c. Diagnostic checking
Diagnostic Checking terbagi menjadi dua bagian, yaitu uji signifikasi
parameter dan uji kesesuaian model. Uji signifikasi parameter dengan uji t,
atau dengan melihat p-value pada hasil output Eviews 5, jika p-value kurang
dari 0.05 maka parameter model dikatakan signifikan. Dari Tabel 4.4 diatas
didapatkan model yang signifikan adalah model ARI(1,1) dan IMA(1,1).
Untuk Uji kesesuaian model meliputi uji asumsi sisa (residual) dengan
Ljung Box untuk melihat apakah residual sudah white noise. Dari uji Ljung
Box, ke-white noise-an dari residual secara visual bisa dilihat dari plot ACF
dan PACF residual (Lihat Lampiran 14) yaitu terlihat tidak ada lag yang
keluar dari batas. Dari plot ACF dan PACF residual (Lampiran 14)
didapatkan model yang white noise ARI(1,1) dan IMA(1,1).
Model yang baik (sesuai) adalah model yang telah memenuhi semua asumsi,
baik parameter telah signifikan maupun residual sudah white noise serta
MSE, AIC dan SBC yang kecil. Dari beberapa model diatas, model yang
paling signifikan, white noise serta MSE, AIC dan SBC yang kecil adalah
model IMA(1,1). Sehingga dapat disimpulkan bahwa model terbaiknya yaitu
model IMA(1,1).
d. Model ARIMA terbaik
Secara matematis model IMA(1,1) terbaik dapat dituliskan dalam
bentuk sebagai berikut :
11-t 0.9837X tttX (4.52)
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
74
e. Plot Residual Distribusi Normal Data Baru
Gambar 4.5 Plot Residual Distribusi Normal Data Baru
Nilai 05.0 ValueP , Sehingga terima Ho artinya residual berdistribusi
normal dan tidak terdapat kasus heteroscedastic.
f. Pembahasan
Berdasarkan hasil pengolahan pada data baru diperoleh model yang
paling sesuai adalah model IMA(1,1). Hal ini disebabkan asumsi kriteria
uji telah terpenuhi, yaitu parameternya signifikan, residual telah white
noise, dan residual data tersebut berdistribusi normal yang berarti bahwa
data tersebut tidak mengandung outlier
4.3.5 Membandingkan model sebelum dan sesudah outlier diganti
Untuk menguji kehandalan model maka akan dilakukan validasi
dengan perbandingan antara data dengan outlier dan data tanpa outlier
(data baru).
0
2
4
6
8
10
12
14
16
-0.0025 0.0000 0.0025
Series: SERIES01Sample 1 105Observations 105
Mean -0.000130Median -2.00e-05Maximum 0.003630Minimum -0.003560Std. Dev. 0.001468Skewness 0.089072Kurtosis 3.095419
Jarque-Bera 0.178677Probability 0.914536
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
75
Kemudian nilai AIC dan SBC tersebut dibandingkan dengan nilai
AIC dan SBC data. Sesuai Definisi (2.37) maka untuk memperoleh nilai
MSE akan digunakan rumus
1. AIC (Akaike’s Information Criterion)
2. SBC (Schwarz’s Bayesian Criterion)
dengan:
M : Banyak parameter yang ditaksir
n : Banyak pengamatan
3. MSE (Mean Square Error)
=
dengan adalah dugaan dari residual
= data asli time series,
= hasil peramalan,
n = banyak data.
Maka, hasil perbandingannya diperoleh sebagai berikut:
MnMAIC a 2ˆln)( 2
)ln(ˆln)( 2 nMnMSBC a
n
ttt ZZnMSE
1
21 ˆ
n
t
t
ne
1
2ˆ
te
tZ
tZ
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
76
Tabel 4.8 Nilai AIC dan SBC
Data Nilai AIC Nilai SBC Nilai MSE
Tanpa deteksi
hampel identifier
(dengan outlier)
-5.8886 -5.8630 0.0001604
Dengan deteksi
hampel identifier
(tanpa outlier)
-10.1789 -10.1535 0.00002515
Berdasarkan pada Tabel 4.8 menunjukkan bahwa nilai MSE setelah
deteksi outlier menggunakan metode hampel identifier yaitu sebesar 0.00002515
lebih kecil daripada nilai MSE tanpa deteksi outlier yaitu sebesar 0,0001604.
Karena residual sudah berdistribusi normal dan nilai MSE lebih kecil dari model
awal maka dapat disimpulkan bahwa outlier pada data nilai tukar mata uang DEM
terhadap BEF yang lama perlu dihapus untuk mendapatkan suatu model yang
lebih baik.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
77ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
77
BAB V
PENUTUP
5.1 Kesimpulan
Dari analisis pembahasan yang dilakukan, dapat diambil beberapa
kesimpulan sebagai berikut :
1. Langkah yang dilakukan untuk mendeteksi outlier pada model ARCH (m)
dengan metode rasio likelihood adalah mendapatkan residual dari model
ARCH (m) terbaik dan residual ARIMA. Langkah selanjutnya mencari nilai
m dengan b dan bandingkan dengan nilai kritis dari chi square.
2. Setelah outlier terdeteksi pada data maka melanjutkan kelangkah
selanjutnya, yakni membedakan tipe outlier yang terdeteksi pada data.
Untuk membedakan tipe outlier tesebut, terlebih dahulu mengestimasi
model ARCH (m) ALO dengan MLE dan misalkan 0 sebagai hasil estimasi
dari model ALO. Kemudian mencari nilai 1 . Setelah nilai 1 diketahui
maka estimasi model ARCH AVO dengan MLE dan misalkan 1 sebagai
hasil estimasi model AVO. Lakukan looping untuk mencari nilai 2 .Setelah
nilai 2 diketahui maka hitung nilai 105.0
^
2
^2
m , dengan chi square
tabel sama dengan 3.84.
3. Sebelum dilakukan deteksi outlier pada data nilai tukar mata uang DEM
terhadap BEF diperoleh model ARCH (m) sebagai model terbaik, tetapi
setelah dilakukan deteksi outlier diperoleh model IMA (1,1) sebagai model
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
78
terbaik. Berdasarkan uji validasi model melalui nilai Mean Square Error
(MSE) dan kenormalan residual, diperoleh bahwa model setelah dilakukan
deteksi outlier lebih baik dibandingkan model sebelum dilakukan deteksi
outlier.
5.2 Saran
Saran yang dapat diberikan untuk penulisan selanjutnya adalah menerapkan
deteksi outlier tersebut pada data time series musiman.
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 1
Data Nilai Tukar Matauang DEM terhadap BEF
No SAHAM No SAHAM No SAHAM1 6.31650 36 6.14040 71 6.262402 6.30255 37 6.15340 72 6.251803 6.29760 38 6.14900 73 6.234204 6.27850 39 6.15850 74 6.229805 6.25620 40 6.14920 75 6.239606 6.24960 41 6.15600 76 6.235207 6.22775 42 6.15660 77 6.236808 6.22260 43 6.15640 78 6.238809 6.22250 44 6.15860 79 6.2290010 6.22550 45 6.15960 80 6.2402011 6.22740 46 6.15620 81 6.2508012 6.23460 47 6.15880 82 6.2428013 6.23980 48 6.15760 83 6.2380014 6.23720 49 6.15280 84 6.2320015 6.25040 50 6.17060 85 6.2215016 6.25680 51 6.21280 86 6.2206017 6.25600 52 6.23775 87 6.2254018 6.25660 53 6.22050 88 6.2218019 6.24740 54 6.21440 89 6.2104020 6.24220 55 6.23700 90 6.2200021 6.23700 56 6.22450 91 6.2032522 6.23600 57 6.21860 92 6.2102023 6.23060 58 6.21625 93 6.2172024 6.23160 59 6.23460 94 6.2164025 6.20220 60 6.24075 95 6.2356026 6.18800 61 6.24525 96 6.2298027 6.18900 62 6.23500 97 6.2370028 6.20900 63 6.25150 98 6.2054029 6.21740 64 6.24820 99 6.1464030 6.20200 65 6.25240 100 6.1084031 6.18560 66 6.23880 101 6.1012032 6.17640 67 6.24120 102 6.1014033 6.17350 68 6.25020 103 6.1000034 6.14040 69 6.26180 104 6.1036035 6.13680 70 6.26580 105 6.10700
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 2AUGMENTED DICKEY-FULLER UNIT ROOT TEST ON BEF TO DEM
(Sebelum di Differencing)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.087116 0.2503Test critical values: 1% level -3.495021
5% level -2.88975310% level -2.581890
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 3 Correlogram Of DEM to BEF
Tabel ACF dan PACF Indeks Harga Saham DEM to BEF
(Sebelum di Differencing)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|*******| .|*******| 1 0.961 0.961 172.56 0.000
.|*******| *|. | 2 0.918 -0.064 330.94 0.000
.|*******| .|* | 3 0.882 0.068 477.92 0.000
.|*******| .|. | 4 0.849 0.017 614.97 0.000
.|****** | .|. | 5 0.814 -0.041 741.73 0.000
.|****** | *|. | 6 0.775 -0.074 857.10 0.000
.|****** | .|. | 7 0.739 0.030 962.63 0.000
.|***** | .|. | 8 0.710 0.058 1060.7 0.000
.|***** | .|. | 9 0.686 0.035 1152.7 0.000
.|***** | .|. | 10 0.663 0.024 1239.2 0.000
.|***** | *|. | 11 0.635 -0.080 1318.9 0.000
.|***** | *|. | 12 0.595 -0.169 1389.2 0.000
.|**** | .|. | 13 0.560 0.053 1452.1 0.000
.|**** | .|. | 14 0.529 -0.017 1508.5 0.000
.|**** | *|. | 15 0.487 -0.149 1556.6 0.000
.|*** | *|. | 16 0.440 -0.062 1596.0 0.000
.|*** | *|. | 17 0.390 -0.063 1627.3 0.000
.|*** | .|. | 18 0.345 -0.018 1651.9 0.000
.|** | .|. | 19 0.307 0.029 1671.5 0.000
.|** | .|. | 20 0.269 -0.014 1686.6 0.000
.|** | .|. | 21 0.231 -0.030 1697.8 0.000
.|** | .|. | 22 0.197 0.034 1706.0 0.000
.|* | .|. | 23 0.168 0.025 1712.0 0.000
.|* | .|. | 24 0.142 -0.033 1716.3 0.000
.|* | .|* | 25 0.119 0.068 1719.4 0.000
.|* | .|. | 26 0.093 -0.027 1721.2 0.000
.|. | .|. | 27 0.064 -0.035 1722.1 0.000
.|. | .|. | 28 0.035 -0.029 1722.4 0.000
.|. | .|. | 29 0.006 -0.034 1722.4 0.000
.|. | .|. | 30 -0.020 0.009 1722.5 0.000
.|. | .|. | 31 -0.050 -0.030 1723.0 0.000*|. | .|. | 32 -0.078 -0.011 1724.4 0.000*|. | .|. | 33 -0.102 -0.001 1726.8 0.000*|. | .|. | 34 -0.120 0.016 1730.0 0.000*|. | *|. | 35 -0.143 -0.102 1734.7 0.000*|. | .|. | 36 -0.163 -0.004 1740.9 0.000
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 4AUGMENTED DICKEY-FULLER UNIT ROOT TEST ON DEM TO BEF
(Setelah di Differencing)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -7.024061 0.0000Test critical values: 1% level -3.495021
5% level -2.88975310% level -2.581890
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 5 Correlogram Of DEM to BEF
Tabel ACF dan PACF nilai tukar mata uang
(Setelah di Differencing)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. |*** | . |*** | 1 0.346 0.346 12.838 0.000
. |. | .*|. | 2 0.058 -0.070 13.201 0.001
.*|. | .*|. | 3 -0.064 -0.070 13.653 0.003
. |. | . |. | 4 -0.007 0.050 13.659 0.008
.*|. | .*|. | 5 -0.078 -0.104 14.336 0.014
.*|. | . |. | 6 -0.092 -0.044 15.281 0.018
. |. | . |. | 7 -0.055 0.000 15.626 0.029
. |* | . |* | 8 0.067 0.085 16.145 0.040
. |* | . |. | 9 0.090 0.035 17.091 0.047
. |. | .*|. | 10 -0.012 -0.075 17.107 0.072
. |. | . |. | 11 -0.027 0.009 17.191 0.102
. |. | . |. | 12 0.045 0.062 17.429 0.134
. |. | . |. | 13 0.046 0.003 17.688 0.170
. |. | . |. | 14 0.031 0.032 17.804 0.216
. |* | . |* | 15 0.071 0.082 18.430 0.241
. |. | .*|. | 16 -0.004 -0.076 18.432 0.299
. |. | . |. | 17 -0.013 0.000 18.454 0.361
. |. | . |. | 18 -0.001 0.035 18.455 0.426
. |. | .*|. | 19 -0.055 -0.068 18.844 0.467
. |. | . |. | 20 -0.031 0.020 18.974 0.524
.*|. | .*|. | 21 -0.133 -0.154 21.327 0.439
. |. | . |* | 22 -0.011 0.090 21.345 0.500
. |* | . |. | 23 0.070 0.057 22.017 0.519
. |. | .*|. | 24 0.004 -0.108 22.019 0.578
.*|. | . |. | 25 -0.071 -0.019 22.727 0.593
. |* | . |* | 26 0.068 0.124 23.380 0.611
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 6
Estimasi Parameter Data Nilai Tukar Matauang DEM terhadap BEF
Setelah differencing 1
Estimasi Parameter model ARIMA([1],1,[0])
Variable Coefficient Std. Error t-Statistic Prob.
AR(1) 0.360098 0.091837 3.921040 0.0002
R-squared 0.113590 Mean dependent var -0.001896Adjusted R-squared 0.113590 S.D. dependent var 0.013463S.E. of regression 0.012676 Akaike info criterion -5.888626Sum squared resid 0.016388 Schwarz criterion -5.863046Log likelihood 304.2642 Durbin-Watson stat 1.955840
Inverted AR Roots .36
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 7
UJi Ke-white noisan dengan Correlogram Residuals
Correlogram Residuals dari ARI([1],1)+C
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. | . | . | . | 1 0.026 0.026 0.0696
. | . | . | . | 2 -0.049 -0.050 0.3316 0.565
.*| . | .*| . | 3 -0.114 -0.112 1.7390 0.419
. | . | . | . | 4 0.050 0.053 2.0087 0.571
.*| . | .*| . | 5 -0.074 -0.089 2.6158 0.624
.*| . | .*| . | 6 -0.064 -0.069 3.0777 0.688
.*| . | .*| . | 7 -0.065 -0.059 3.5539 0.737
. |*. | . | . | 8 0.071 0.047 4.1252 0.765
. |*. | . |*. | 9 0.096 0.082 5.1810 0.738
. | . | . | . | 10 -0.037 -0.051 5.3364 0.804
. | . | . | . | 11 -0.043 -0.024 5.5505 0.852
. | . | . | . | 12 0.046 0.047 5.8026 0.886
. | . | . | . | 13 0.041 0.021 6.0070 0.916
. | . | . | . | 14 -0.004 0.013 6.0088 0.946
. |*. | . |*. | 15 0.077 0.108 6.7297 0.945
. | . | . | . | 16 -0.025 -0.030 6.8080 0.963
. | . | . | . | 17 -0.023 -0.028 6.8741 0.976
. | . | . | . | 18 0.024 0.051 6.9490 0.984
.*| . | .*| . | 19 -0.059 -0.060 7.3979 0.986
. | . | . | . | 20 0.036 0.060 7.5651 0.991
.*| . | .*| . | 21 -0.158 -0.175 10.873 0.949
. | . | . | . | 22 0.012 0.012 10.893 0.965
. |*. | . |*. | 23 0.071 0.073 11.575 0.966
. | . | .*| . | 24 0.001 -0.079 11.575 0.977
.*| . | .*| . | 25 -0.115 -0.076 13.395 0.959
. |*. | . |*. | 26 0.085 0.090 14.416 0.954
. |*. | . | . | 27 0.105 0.058 15.994 0.936
. | . | . | . | 28 0.017 -0.008 16.036 0.952
. | . | . | . | 29 -0.042 0.010 16.294 0.961
. | . | . | . | 30 -0.026 -0.005 16.396 0.971
. | . | .*| . | 31 -0.050 -0.069 16.773 0.975
. | . | . | . | 32 0.011 0.001 16.791 0.982
. | . | . | . | 33 -0.007 0.040 16.799 0.987
.*| . | . | . | 34 -0.071 -0.044 17.581 0.987
. | . | . | . | 35 0.033 -0.024 17.757 0.990
. | . | . | . | 36 0.015 0.014 17.793 0.993
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
UJi Ke-white noisan dengan Correlogram Residuals
Correlogram Residuals dari ARI([1],1)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. | . | . | . | 1 0.013 0.013 0.0192
. | . | . | . | 2 -0.053 -0.053 0.3206 0.571
.*| . | .*| . | 3 -0.115 -0.114 1.7594 0.415
. | . | . | . | 4 0.052 0.053 2.0546 0.561
.*| . | .*| . | 5 -0.073 -0.088 2.6485 0.618
.*| . | .*| . | 6 -0.063 -0.070 3.0922 0.686
.*| . | .*| . | 7 -0.065 -0.062 3.5731 0.734
. |*. | . | . | 8 0.071 0.045 4.1445 0.763
. |*. | . |*. | 9 0.096 0.083 5.2030 0.736
. | . | . | . | 10 -0.038 -0.050 5.3687 0.801
. | . | . | . | 11 -0.043 -0.025 5.5905 0.848
. | . | . | . | 12 0.046 0.046 5.8435 0.884
. | . | . | . | 13 0.041 0.021 6.0418 0.914
. | . | . | . | 14 -0.005 0.013 6.0452 0.944
. |*. | . |*. | 15 0.077 0.109 6.7693 0.943
. | . | . | . | 16 -0.026 -0.028 6.8528 0.962
. | . | . | . | 17 -0.023 -0.029 6.9196 0.975
. | . | . | . | 18 0.025 0.051 7.0012 0.984
.*| . | .*| . | 19 -0.059 -0.060 7.4504 0.986
. | . | . | . | 20 0.038 0.062 7.6424 0.990
.*| . | .*| . | 21 -0.159 -0.175 10.982 0.947
. | . | . | . | 22 0.013 0.009 11.005 0.963
. |*. | . |*. | 23 0.072 0.074 11.703 0.963
. | . | .*| . | 24 0.001 -0.078 11.703 0.975
.*| . | .*| . | 25 -0.116 -0.078 13.578 0.956
. |*. | . |*. | 26 0.085 0.088 14.600 0.950
. |*. | . | . | 27 0.104 0.059 16.152 0.932
. | . | . | . | 28 0.016 -0.007 16.190 0.949
. | . | . | . | 29 -0.042 0.011 16.451 0.959
. | . | . | . | 30 -0.025 -0.004 16.547 0.969
. | . | .*| . | 31 -0.050 -0.069 16.921 0.974
. | . | . | . | 32 0.012 -0.000 16.944 0.981
. | . | . | . | 33 -0.006 0.041 16.950 0.987
.*| . | . | . | 34 -0.071 -0.044 17.737 0.986
. | . | . | . | 35 0.034 -0.025 17.923 0.989
. | . | . | . | 36 0.015 0.014 17.961 0.992
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 8
A. Program Mendeteksi adanya Outlier pada model ARCH(1) dengan menggunakanMetode Rasio Likelihood
det.outlier<-function(data){
cat("\n===========================================================\n")cat("\n Program Deteksi outlier pada model GARCH dengan metode LR \n")cat("\n Oleh ")cat("\n Fitrika R ")cat("\n 080710441 \n")cat("\n===========================================================\n")n<-nrow(data)cat("\n Inputkan Nilai Parameter :\n")alfa0<-as.numeric(readline("alfa0 = "))alfa1<-as.numeric(readline("alfa1 = "))h0star<-0hstar<-rep(0,n)for(t in 1:n){
if(t==1){
hstar[t]<-alfa0+alfa1*(mean(data[,3]))^2}else{
hstar[t]<-alfa0+alfa1*(data[t-1,3])^2}
}s<-rep(0,n)for(t in 1:n){
s[t]<-(abs(data[t,3]/hstar[t]))}S<-max(s)Time<-1:nGabTimes<-cbind(Time,s)Titiks<-GabTimes[GabTimes[,2]==S,1]gama<-data[Titiks,4]-data[Titiks,5]cat("nilai S adalah : \n")print(S)cat("nilai Titik ke-S adalah : \n")print(Titiks)cat("nilai gama adalah : \n")print(gama)h0<-0h<-rep(0,n)for(t in 1:n){
if(t==1){
h[t]<-alfa0+alfa1*(mean(data[,2]))^2}else{
h[t]<-alfa0+alfa1*(data[t-1,2])^2
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
}}
GabTimesResidARIMA<-cbind(Time,s,data[,2])residMaxARIMA<-GabTimesResidARIMA[GabTimesResidARIMA[,2]==S,3]ToTopi<-(alfa1)*(2*gama*residMaxARIMA+(gama)^2)cat("nilai residMaxARIMA adalah : \n")print(residMaxARIMA)cat("nilai ToTopi adalah : \n")print(ToTopi)hm0<-0hm<-rep(0,n)for(t in 1:n){
if(t==1){
hm[t]<-alfa0+alfa1*(mean(data[,2]))^2+ToTopi}else{
hm[t]<-alfa0+alfa1*(data[t-1,2])^2+ToTopi}
}for(t in 1:n){
LMTopi<--(1/2)*sum(log(hm))-(1/2)*sum((data[,2])^2/(hm))LBTopi<--(1/2)*sum(log(h))-(1/2)*sum((data[,2])^2/(h))
}LT1<-2*(LMTopi-LBTopi)cat("nilai LT1 adalah : \n")print(LT1)if(LT1<43.773)
{cat("Karena nilai (LT1 < 43.773) maka tidak ada outlier terdeteksi
padadata.....\n")}
else{
cat("Karena nilai (LT1 > 43.773) maka ada outlier terdeteksi padadata\n")cat("Lanjutkan Kelangkah Selanjutnya.....")}
L0Topi<-LBTopiGabTimesResidARCH<-cbind(Time,s,data[,3])residMaxARCH<-GabTimesResidARCH[GabTimesResidARCH[,2]==S,3]gamaM<-residMaxARCHcat("nilai L0Topi adalah : \n")print(L0Topi)cat("nilai resid Max ARCH adalah : \n")print(residMaxARCH)cat("nilai gamaM adalah : \n")print(gamaM)if((gamaM)^2-(ToTopi/(alfa1))>0){
if(gamaM>=0){
gama1<-gamaM-sqrt((gamaM)^2-(ToTopi/(alfa1)))}else{
gama1<-gamaM+sqrt((gamaM)^2-(ToTopi/(alfa1)))}
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
}else{
gama1<-0}L1Topi<-(1/2)*sum(log(hstar))-(1/2)*sum((data[,2])^2/(hstar))cat("\n")cat("nilai gama1 adalah : ")print(gama1)if(L0Topi>=L1Topi){
gama2<-gamaML2Topi<-L0Topi
}else{
gama2<-gama1L2Topi<-L1Topi
}cat("\n")cat("nilai gama2 adalah : ")print(gama2)LT2<-2*(LMTopi-L2Topi)cat("nilai LT2 adalah : ")print(LT2)if(LT2<=3.84){
cat("Karena LT2 <= 3.84 ")cat("Maka -> TERDETEKSI OUTLIER tipe AVO\n")
}else{
cat("Karena LT2 > 3.84 ")cat("Maka -> TERDETEKSI OUTLIER tipe ALO\n")
}}
B. Program Mendeteksi adanya Outlier pada model ARCH(1) dengan Hampel Identifier
#PROGRAM HAMPEL IDENTIFIERHampel <- function(X,n){
A <- matrix(0,n,4)dimnames(A) <- list(NULL, c("Time", "Zt", "HampelJarak", "Outlier"))A[,1] <- seq(1,n)A[,2] <- round(X,5)
med <- median(A[,2])med2 <- abs(A[,2]-med)MAD <- median(med2)S <- 1.4826*MADD <- A[,2]-medA[,3] <- round(abs(D/S),5)
x <- 0for(i in 1:n){
if(A[i,3] > 3){
A[i,4] <- 1x <- x+1
}
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
elseA[i,4] <- 0
}
return(x,A)}
#PROGRAM PENGHAPUSAN OUTLIERSOutremove <- function(A,n,terhapus){
cat("\n Proses Penghapusan Outliers :")cat("\n i Outlier \t Dihapus \t Diganti \t")Zt <- A[,2]Ot <- A[,4]K <- rep(0,n)
repeat{
t <- rep(0,n)for(i in 1:n){
K <- Ztif(Ot[i] == 1){
K[i] <- mean(Zt)t[i] <- mean(K)
}}
Min <- min(abs(t-mean(Zt)))
for(i in 1:n){
if(abs(mean(Zt)-t[i]) == Min){
cat("\n",i,"\t",sum(A[,4]),"\t",Zt[i],"\t",round(mean(Zt),5))Zt[i] <- round(mean(Zt),5)terhapus <- terhapus+1break
}}
#IDENTIFIKASI HAMPELV <- Hampel(Zt,n)A <- V$Ax <- V$xZt <- A[,2]Ot <- A[,4]
#BERHENTI JIKA OUTLIER SAMA DENGAN 0if(x == 0){
cat("\n")break
}}return(Zt,x,terhapus)
}
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
#PROGRAM UTAMAoutlier <- function(data){
cat("\n===================================================\n")cat("\n PENDEKTESIAN OUTLIER \n")cat("\n Oleh: ")cat("\n FITRIKA R ")cat("\n 080710441 ")cat("\n===================================================\n")
#IDENTIFIKASI HAMPEL AWALcat("\n PROGRAM HAMPEL IDENTIFIER")cat("\n Proses deteksi outlier, sebagai berikut : \n")
Zt <- data[,1]n <- length(Zt)S <- Hampel(Zt,n)x <- S$xA <- S$A
print(A)cat("\n Jumlah Outlier = ",x)cat("\n Keterangan :")cat("\n - terjadi outlier jika HampelJarak > 3")cat("\n - dengan ditandai -> outlier = 1 dan tidak = 0 \n")
terhapus <- 0
#PROSES PENGHAPUSAN OUTLIERif(x > 0){
G <- Outremove(A,n,terhapus)Zt <- G$Ztx <- G$xterhapus <- G$terhapus
}
#OUTPUT DATA SETELAH PENGHAPUSAN OUTLIERSif(terhapus > 0){
cat("\n Output data : ")cat("\n no Zt")for(i in 1:n)cat("\n",i," ",Zt[i])
}
cat("\n\n")}
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 9
A.Hasil dari Program Mendeteksi adanya Outlier pada model ARCH(1) denganmenggunakan Metode Rasio Likelihood
> det.outlier(SDF4)
===========================================================
Program Deteksi outlier pada model ARCH dengan metode LR
Oleh
Fitrika R
080710441
===========================================================
Inputkan Nilai Parameter :
alfa0 = 0.000117
alfa1 = 0.25958
nilai S adalah :
[1] 276.9461
nilai Titik ke-S adalah :
Time
34
nilai gama adalah :
[1] -0.032056
nilai residMaxARIMA adalah :
-0.032056
nilai ToTopi adalah :
0.0008002232
nilai LT1 adalah :
[1] 284.5172
Karena nilai (LT1 > 43.773) maka ada outlier terdeteksi pada data
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lanjutkan Kelangkah Selanjutnya.....nilai L0Topi adalah :
[1] -515.658
nilai resid Max ARCH adalah :
-0.032455
nilai gamaM adalah :
-0.032455
nilai gama1 adalah : [1] 0
nilai gama2 adalah :
-0.032455
nilai LT2 adalah : [1] 284.5172
Karena LT2 > 3.84 Maka -> TERDETEKSI OUTLIER tipe AVO
B. Hasil dari Program Mendeteksi adanya Outlier pada model ARCH(1) dengan HampelIdentifier
> outlier(data)
===================================================
PENDEKTESIAN OUTLIER
Oleh:
FITRIKA R
080710441
===================================================
PROGRAM HAMPEL IDENTIFIER
Proses deteksi outlier, sebagai berikut :
Time Zt HampelJarak Outlier
[1,] 1 -0.00226 1.39932 0
[2,] 2 -0.00074 0.37919 0
[3,] 3 -0.00304 1.92280 0
[4,] 4 -0.00356 2.27179 0
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
[5,] 5 -0.00106 0.59395 0
[6,] 6 -0.00350 2.23152 0
[7,] 7 -0.00083 0.43959 0
[8,] 8 -0.00002 0.10403 0
[9,] 9 0.00048 0.43959 0
[10,] 10 0.00031 0.32550 0
[11,] 11 0.00116 0.89597 0
[12,] 12 0.00083 0.67449 0
[13,] 13 -0.00042 0.16443 0
[14,] 14 0.00211 1.53354 0
[15,] 15 0.00102 0.80201 0
[16,] 16 -0.00013 0.03020 0
[17,] 17 0.00010 0.18456 0
[18,] 18 -0.00147 0.86912 0
[19,] 19 -0.00083 0.43959 0
[20,] 20 -0.00083 0.43959 0
[21,] 21 -0.00016 0.01007 0
[22,] 22 -0.00087 0.46644 0
[23,] 23 0.00016 0.22483 0
[24,] 24 -0.00473 3.05702 1
[25,] 25 -0.00229 1.41945 0
[26,] 26 0.00016 0.22483 0
[27,] 27 0.00323 2.28521 0
[28,] 28 0.00135 1.02348 0
[29,] 29 -0.00248 1.54697 0
[30,] 30 -0.00265 1.66106 0
[31,] 31 -0.00149 0.88254 0
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
[32,] 32 -0.00047 0.19798 0
[33,] 33 -0.00538 3.49326 1
[34,] 34 -0.00059 0.27852 0
[35,] 35 0.00059 0.51342 0
[36,] 36 0.00211 1.53354 0
[37,] 37 -0.00072 0.36577 0
[38,] 38 0.00154 1.15100 0
[39,] 39 -0.00151 0.89597 0
[40,] 40 0.00111 0.86241 0
[41,] 41 0.00010 0.18456 0
[42,] 42 -0.00003 0.09731 0
[43,] 43 0.00036 0.35906 0
[44,] 44 0.00016 0.22483 0
[45,] 45 -0.00055 0.25168 0
[46,] 46 0.00042 0.39933 0
[47,] 47 -0.00019 0.01007 0
[48,] 48 -0.00078 0.40604 0
[49,] 49 0.00289 2.05703 0
[50,] 50 0.00682 4.69459 1
[51,] 51 0.00401 2.80870 0
[52,] 52 -0.00277 1.74160 0
[53,] 53 -0.00098 0.54026 0
[54,] 54 0.00363 2.55367 0
[55,] 55 -0.00205 1.25838 0
[56,] 56 -0.00091 0.49328 0
[57,] 57 -0.00038 0.13758 0
[58,] 58 0.00295 2.09730 0
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
[59,] 59 0.00099 0.78187 0
[60,] 60 0.00072 0.60067 0
[61,] 61 -0.00164 0.98321 0
[62,] 62 0.00264 1.88925 0
[63,] 63 -0.00053 0.23825 0
[64,] 64 0.00067 0.56711 0
[65,] 65 -0.00218 1.34563 0
[66,] 66 0.00038 0.37248 0
[67,] 67 0.00144 1.08388 0
[68,] 68 0.00185 1.35905 0
[69,] 69 0.00064 0.54698 0
[70,] 70 -0.00054 0.24496 0
[71,] 71 -0.00169 1.01677 0
[72,] 72 -0.00282 1.77515 0
[73,] 73 -0.00071 0.35906 0
[74,] 74 0.00157 1.17113 0
[75,] 75 -0.00071 0.35906 0
[76,] 76 0.00026 0.29194 0
[77,] 77 0.00032 0.33221 0
[78,] 78 -0.00157 0.93623 0
[79,] 79 0.00180 1.32549 0
[80,] 80 0.00170 1.25838 0
[81,] 81 -0.00128 0.74160 0
[82,] 82 -0.00077 0.39933 0
[83,] 83 -0.00096 0.52684 0
[84,] 84 -0.00169 1.01677 0
[85,] 85 -0.00014 0.02349 0
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
[86,] 86 0.00077 0.63422 0
[87,] 87 -0.00058 0.27181 0
[88,] 88 -0.00183 1.11073 0
[89,] 89 0.00154 1.15100 0
[90,] 90 -0.00270 1.69462 0
[91,] 91 0.00112 0.86912 0
[92,] 92 0.00113 0.87583 0
[93,] 93 -0.00013 0.03020 0
[94,] 94 0.00308 2.18454 0
[95,] 95 -0.00093 0.50671 0
[96,] 96 0.00116 0.89597 0
[97,] 97 -0.00508 3.29192 1
[98,] 98 -0.00955 6.29189 1
[99,] 99 -0.00620 4.04359 1
[100,] 100 -0.00118 0.67449 0
[101,] 101 0.00003 0.13758 0
[102,] 102 -0.00023 0.03691 0
[103,] 103 0.00059 0.51342 0
[104,] 104 0.00056 0.49328 0
Jumlah Outlier = 6
Keterangan :
- terjadi outlier jika HampelJarak > 3
- dengan ditandai -> outlier = 1 dan tidak = 0
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Proses Penghapusan Outliers :
i Outlier Dihapus Diganti
24 6 -0.00473 -0.00032
97 5 -0.00508 -0.00028
51 5 0.00401 -0.00024
33 4 -0.00538 -0.00028
99 3 -0.0062 -0.00023
54 3 0.00363 -0.00017
50 2 0.00682 -0.00021
98 1 -0.00955 -0.00027
Output data :
no Zt
1 -0.00226
2 -0.00074
3 -0.00304
4 -0.00356
5 -0.00106
6 -0.0035
7 -0.00083
8 -2e-005
9 0.00048
10 0.00031
11 0.00116
12 0.00083
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
13 -0.00042
14 0.00211
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
15 0.00102
16 -0.00013
17 0.0001
18 -0.00147
19 -0.00083
20 -0.00083
21 -0.00016
22 -0.00087
23 0.00016
24 -0.00032
25 -0.00229
26 0.00016
27 0.00323
28 0.00135
29 -0.00248
30 -0.00265
31 -0.00149
32 -0.00047
33 -0.00028
34 -0.00059
35 0.00059
36 0.00211
37 -0.00072
38 0.00154
39 -0.00151
40 0.00111
41 0.0001
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
42 -3e-005
43 0.00036
44 0.00016
45 -0.00055
46 0.00042
47 -0.00019
48 -0.00078
49 0.00289
50 -0.00021
51 -0.00024
52 -0.00277
53 -0.00098
54 -0.00017
55 -0.00205
56 -0.00091
57 -0.00038
58 0.00295
59 0.00099
60 0.00072
61 -0.00164
62 0.00264
63 -0.00053
64 0.00067
65 -0.00218
66 0.00038
67 0.00144
68 0.00185
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
69 0.00064
70 -0.00054
71 -0.00169
72 -0.00282
73 -0.00071
74 0.00157
75 -0.00071
76 0.00026
77 0.00032
78 -0.00157
79 0.0018
80 0.0017
81 -0.00128
82 -0.00077
83 -0.00096
84 -0.00169
85 -0.00014
86 0.00077
87 -0.00058
88 -0.00183
89 0.00154
90 -0.0027
91 0.00112
92 0.00113
93 -0.00013
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 10Data Baru Setelah Penghapusan Outlier
No Return
1 -0.00226
2 -0.00074
3 0.00304
4 -0.00356
5 -0.00106
6 -0.0035
7 -0.00083
8 -2e-005
9 0.00048
10 0.00031
11 0.00116
12 0.00083
13 -0.00042
14 0.00211
15 0.00102
16 -0.00013
17 0.0001
18 -0.00147
19 -0.00083
20 -0.00083
21 -0.00016
22 -0.00087
23 0.00016
24 -0.00032
25 -0.00229
26 0.00016
27 0.00323
28 0.00135
29 -0.00248
30 -0.00265
31 -0.00149
32 -0.00047
33 -0.00028
34 -0.00059
35 0.00059
36 0.00211
37 -0.00072
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
38 0.00154
39 -0.00151
40 0.00111
41 0.0001
42 -3e005
43 0.00036
44 0.00016
45 -0.00055
46 0.00042
47 -0.00019
48 -0.00078
49 0.00289
50 -0.00021
51 -0.00024
52 -0.00277
53 -0.00098
54 -0.00017
55 0.00205
56 -0.00091
57 -0.00038
58 0.00295
59 0.00099
60 0.00072
61 -0.00164
62 0.00264
63 -0.00053
64 0.00067
65 -0.00218
66 -0.006
67 0.00038
68 0.00144
69 0.000185
70 -0.00054
71 -0.00169
72 -0.00282
73 -0.00071
74 0.00157
75 -0.00071
76 0.00026
77 0.00032
78 -0.00157
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
79 -0.0018
80 0.0017
81 -0.00128
82 -0.00077
83 -0.00096
84 -0.00169
85 -0.00014
86 0.00077
87 -0.00058
88 -0.00183
89 0.00154
90 -0.0027
91 0.00112
92 0.00113
93 -0.00013
94 0.00308
95 -0.00093
96 0.00116
97 -0.00028
98 -0.00027
99 -0.00023
100 -0.00118
101 3e-005
102 -0.00023
103 0.00059
104 0.00056
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 11
AUGMENTED DICKEY-FULLER UNIT ROOT TEST ON DATA BARU
Null Hypothesis: SERIES01 has a unit rootExogenous: ConstantLag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -9.339652 0.0000Test critical values: 1% level -3.494378
5% level -2.88947410% level -2.581741
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(SERIES01)Method: Least SquaresDate: 02/23/12 Time: 20:02Sample (adjusted): 2 105Included observations: 104 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
SERIES01(-1) -0.922976 0.098823 -9.339652 0.0000C -0.000121 0.000146 -0.828155 0.4095
R-squared 0.460971 Mean dependent var 5.38E-06Adjusted R-squared 0.455686 S.D. dependent var 0.002003S.E. of regression 0.001478 Akaike info criterion -10.17711Sum squared resid 0.000223 Schwarz criterion -10.12626Log likelihood 531.2100 F-statistic 87.22910Durbin-Watson stat 1.983737 Prob(F-statistic) 0.000000
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 12 Correlogram Of Data Baru
Tabel ACF dan PACF Data Baru
Date: 02/23/12 Time: 20:10Sample: 1 105Included observations: 105
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. |* | . |* | 1 0.077 0.077 0.6382 0.424
. |. | . |. | 2 0.041 0.035 0.8209 0.663
. |. | . |. | 3 -0.039 -0.045 0.9891 0.804
. |. | . |. | 4 -0.020 -0.015 1.0317 0.905
. |* | . |* | 5 0.087 0.094 1.8895 0.864
.*|. | .*|. | 6 -0.080 -0.096 2.6210 0.855
.*|. | .*|. | 7 -0.136 -0.135 4.7495 0.690
.*|. | . |. | 8 -0.079 -0.044 5.4684 0.707
. |. | . |. | 9 0.012 0.032 5.4854 0.790
. |. | .*|. | 10 -0.053 -0.078 5.8165 0.830
.*|. | .*|. | 11 -0.091 -0.085 6.7966 0.815
. |* | . |* | 12 0.069 0.113 7.3790 0.832
. |* | . |* | 13 0.084 0.072 8.2382 0.828
. |. | .*|. | 14 -0.035 -0.112 8.3930 0.868
. |. | . |. | 15 -0.012 -0.010 8.4098 0.906
. |. | . |. | 16 -0.021 0.023 8.4631 0.934
. |. | . |. | 17 0.020 -0.028 8.5166 0.954
. |* | . |. | 18 0.076 0.030 9.2661 0.953
. |. | . |. | 19 -0.009 0.029 9.2779 0.969
. |. | . |. | 20 -0.022 0.000 9.3406 0.979
. |. | .*|. | 21 -0.048 -0.078 9.6507 0.983
. |. | . |* | 22 0.061 0.066 10.148 0.985
. |. | . |. | 23 -0.022 -0.005 10.217 0.990
.*|. | .*|. | 24 -0.074 -0.097 10.972 0.989
. |. | . |. | 25 0.005 0.012 10.976 0.993
. |* | . |** | 26 0.145 0.212 13.984 0.973
. |* | . |* | 27 0.135 0.093 16.602 0.940
. |. | .*|. | 28 -0.019 -0.097 16.652 0.955
.*|. | .*|. | 29 -0.102 -0.063 18.181 0.940
. |. | . |* | 30 0.030 0.092 18.315 0.953
. |. | . |. | 31 0.056 -0.025 18.795 0.958
. |. | .*|. | 32 -0.015 -0.076 18.829 0.969
. |. | . |* | 33 -0.054 0.072 19.283 0.972
. |. | . |. | 34 -0.044 0.046 19.591 0.977
. |* | . |. | 35 0.076 -0.003 20.514 0.976
. |. | . |. | 36 -0.004 -0.017 20.517 0.982
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
Lampiran 13
Estimasi Parameter Data Baru
Variable Coefficient Std. Error t-Statistic Prob.
MA(1) -0.981839 0.011157 -88.00388 0.0000
R-squared 0.451517 Mean dependent var 5.38E-06Adjusted R-squared 0.451517 S.D. dependent var 0.002003S.E. of regression 0.001484 Akaike info criterion -10.17896Sum squared resid 0.000227 Schwarz criterion -10.15353Log likelihood 530.3059 Durbin-Watson stat 1.837083
Inverted MA Roots .98
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
LAMPIRAN 14
UJi Ke-white noisan dengan Correlogram Residuals
Correlogram Residuals dari IMA(1,1)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. |. | . |. | 1 -0.002 -0.002 0.0003 0.987
. |. | . |. | 2 0.039 0. 039 0.1648 0.921
. |. | . |. | 3 -0.040 -0.040 0.3356 0.953
. |. | . |. | 4 -0.022 -0.023 0.3870 0.984
. |* | . |* | 5 0.096 0.100 1.4203 0.922
.*|. | .*|. | 6 -0.075 -0.076 2.0610 0.914
.*|. | .*|. | 7 -0.125 -0.137 3.8437 0.798
.*|. | . |. | 8 -0.070 -0.057 4.4088 0.818
. |. | . |. | 9 0.022 0.034 4.4670 0.878
. |. | .*|. | 10 -0.048 -0.069 4.7361 0.908
.*|. | .*|. | 11 -0.093 -0.098 5.7585 0.889
. |* | . |* | 12 0.070 0.100 6.3503 0.897
. |* | . |* | 13 0.083 0.089 7.1799 0.893
. |. | .*|. | 14 -0.042 -0.105 7.4002 0.918
. |. | . |. | 15 -0.009 -0.021 7.4094 0.945
. |. | . |. | 16 -0.021 0.024 7.4646 0.963
. |. | . |. | 17 0.016 -0.028 7.4966 0.976
. |* | . |. | 18 0.077 0.026 8.2552 0.975
. |. | . |. | 19 -0.013 0.031 8.2780 0.984
. |. | . |. | 20 -0.017 0.010 8.3166 0.990
. |. | .*|. | 21 -0.052 -0.083 8.6770 0.992
. |* | . |. | 22 0.067 0.060 9.2821 0.992
. |. | . |. | 23 -0.022 0.007 9.3482 0.995
.*|. | .*|. | 24 -0.074 -0.097 10.095 0.994
. |. | . |. | 25 0.001 -0.010 10.096 0.996
. |* | . |** | 26 0.137 0.205 12.733 0.986
. |* | . |* | 27 0.124 0.113 14.945 0.970
. |. | .*|. | 28 -0.022 -0.084 15.015 0.978
.*|. | .*|. | 29 -0.102 -0.075 16.552 0.969
. |. | . |* | 30 0.035 0.088 16.734 0.976
. |. | . |. | 31 0.057 -0.013 17.223 0.978
. |. | .*|. | 32 -0.015 -0.082 17.258 0.984
. |. | . |. | 33 -0.051 0.062 17.657 0.987
. |. | . |. | 34 -0.046 0.049 17.996 0.989
. |* | . |. | 35 0.080 0.002 19.017 0.987
. |. | . |. | 36 -0.003 -0.015 19.019 0.991
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah
ADLN Perpustakaan Universitas Airlangga
Skripsi Deteksi Outlier Pada Model Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood
Fitrika Rakhmadyah