pemodelan smooth transition autoregressive · memperoleh gelar sarjana sains matematika ......
TRANSCRIPT
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
i
PEMODELAN SMOOTH TRANSITION AUTOREGRESSIVE
(STAR) PADA KURS THAI BATH TERHADAP RUPIAH
oleh
RAHMA NUR CAHYANI
M0105059
SKRIPSI
ditulis dan diajukan untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Sains Matematika
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET SURAKARTA
2010
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
ii
ABSTRAK Rahma Nur Cahyani, 2010. PEMODELAN SMOOTH TRANSITION AUTOREGRESSIVE (STAR) PADA KURS THAI BATH TERHADAP RUPIAH. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret
Runtun waktu finansial dan perekonomian suatu negara, termasuk kurs mempunyai kecenderungan nonlinier sehingga diperlukan suatu uji nonlinieritas. Jika asumsi nonlinier dipenuhi maka diperlukan model yang nonlinier untuk memodelkan runtun waktu tersebut. Runtun waktu nonlinier dapat dimodelkan menggunakan model Smooth Transition Autoregressive (STAR). Terdapat dua tipe model STAR, yaitu Logistic Smooth Transition Autoregressive (LSTAR) dan Exponential Smooth Transition Autoregressive (ESTAR).
Tujuan skripsi ini adalah menentukan model runtun waktu nonlinier yang sesuai untuk kurs thai bath terhadap rupiah kemudian menggunakan model tersebut untuk meramalkan kurs dolar thai bath terhadap rupiah pada satu periode ke depan. Metode yang digunakan dalam skripsi ini adalah studi kasus. Data yang digunakan adalah kurs thai bath terhadap rupiah periode 1 Januari 2005 sampai 9 April 2010 sebagai in-sample dan periode 12 April 2010 sampai 9 Juli 2010 sebagai out-of sample.
Hasil pemodelan nonlinier yang diperoleh adalah model LSTAR (2,2). Berdasarkan nilai standar deviasi dan Akaike Info Criterion (AIC) pada pembentukan model data in-sample, model LSTAR (2,2) berhasil memodelkan kenonlinearan runtun waktu kurs thai bath terhadap rupiah dengan cukup baik. Akan tetapi berdasarkan mean squared error (MSE) dan mean percentage error (MAPE), evaluasi peramalan pada out-of sample menunjukkan bahwa hasil ramalan model LSTAR (2,2) kurang akurat.
Kata kunci : runtun waktu, nonlinearitas, STAR.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
iii
ABSTRACT
Rahma Nur Cahyani, 2010. SMOOTH TRANSITION AUTOREGRESSIVE (STAR) MODELLING IN THAI BATH EXCHANGE RATE OF THAILAND TO THE INDONESIAN RUPIAH. Faculty of Mathematics and Natural Sciences. Sebelas Maret University
During the past years investigators have found evidence indicating that financial and economic time series, such as exchange rate may be nonlinear. In this final project it is assumed that the time series is nonlinear, then it can be adequately described by a Smooth Transition Autoregressive (STAR) model. The STAR-type nonlinearities are Logistic Smooth Transition Autoregressive (LSTAR) and Exponential Smooth Transition Autoregressive (ESTAR).
The purpose of this final project is to determine nonlinear time series model that appropriate for thai bath exchange rate of Thailand to the Indonesian rupiah and then use the model to forecast the thai bath exchange rate of Thailand to the Indonesian rupiah in one period to the future. The method applied in this final project is case study. Data applied for modelling this nonlinear time series is thai bath exchange rate of Thailand to the Indonesian rupiah between 1 Januari 2005 to 9 April 2010 periods as in-sample and 12 April 2010 to 9 July 2010 as out-of sample.
The result of modelling nonlinearity is LSTAR (2,2) model. Based on the value of standarized deviation and Akaike Info Criterion (AIC), the model described the nonlinearity of thai bath exchange rate of Thailand to the Indonesian rupiah succesfully. Nevertheless, forecast evaluation to the out-of sample showed less forecast accuracy.
Key words: time series, nonlinearity, STAR.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
iv
MOTO
“… dan tiada sehelai daun pun yang gugur melainkan Dia mengetahuinya (pula)....”
(Al-An’aam: 59)
”Aku sesuai dengan prasangka hambaKu kepadaKu, maka
Berprasangkalah ia kepadaKu sesukanya.”
(Hadist Qudsi)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
v
PERSEMBAHAN
Karya ini kupersembahkan untuk:
♥ Orang tuaku tercinta
Yang selalu melimpahkan kasih sayang, mendidik, mendoakan, dan
memberikan dukungan. Terima kasih untuk semuanya.
♥ Kakak dan adikku tersayang
Yang selalu memberikan kebahagiaan, keceriaan, dan semangat.
Kalian membuat hariku lebih berwarna.
♥ Sahabat-sahabatku
Untuk setiap waktu, semangat, dukungan, dan perhatian kalian.
Tetaplah menjadi sahabat-sahabat terbaikku.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
vi
KATA PENGANTAR
Bismillahirohmanirrohim. Alhamdulillahirobbil’alamin, puji syukur penulis
panjatkan kehadirat Allah SWT, atas rahmat dan hidayah-Nya penulis dapat
menyelesaikan skripsi ini.
Penulis menyadari bahwa dalam menyelesaikan skripsi ini banyak pihak yang
telah membantu. Untuk itu, pada kesempatan ini penulis ingin mengucapkan terima
kasih kepada
1. Drs. Sugiyanto, M.Si., sebagai Pembimbing I yang telah dengan sabar dan
teliti memberikan bimbingan dalam penulisan skripsi ini.
2. Supriyadi Wibowo, M.Si., sebagai Pembimbing II yang telah dengan sabar
dan teliti memberikan bimbingan dalam penulisan skripsi ini.
3. Winita Sulandari, M.Si., selaku pembimbing akademik yang dengan sabar
membimbing dan memotivasi penulis.
4. Bapak dan ibu, atas doa, dukungan, kasih sayang, perhatian, dan pengorbanan
yang diberikan selama ini.
5. Kakak dan adikku, atas keceriaan yang diberikan, kalian membuat hariku
lebih berwarna.
6. Sahabat-sahabatku, untuk setiap waktu, semangat, dukungan, dan perhatian
kalian.
7. Semua pihak yang telah membantu dalam penyusunan skripsi ini.
Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi seluruh
pembaca.
Surakarta, Juli 2010
Penulis
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
vii
DAFTAR ISI
Halaman
HALAMAN JUDUL ……………………………………………………….... i
HALAMAN PENGESAHAN ……………………………………………….. ii
ABSTRAK…………………………………………………………………..... iii
ABSTRACT…………………………………………………………………... iv
MOTO………………………………………………………………………… v
PERSEMBAHAN……………………………………………………………. vi
KATA PENGANTAR ……………………………………………………...... vii
DAFTAR ISI …………………………………………………………………. viii
DAFTAR GAMBAR..……………………………………………………….. x
DAFTAR TABEL….…………………………………………………………. xi
DAFTAR NOTASI DAN SIMBOL…………………………………………... xii
BAB I PENDAHULUAN
1.1 Latar Belakang……………….…………………………….…………
1.2 Perumusan Masalah………………………………..………………....
1.3 Batasan Masalah……………………………………..……………….
1.4 Tujuan Penelitian…………………………………..…………………
1.5 Manfaat………………………………….………………..…………..
1
2
2
2
3
BAB II LANDASAN TEORI
2.1 Tinjauan Pustaka…………………………………………………….
2.1.1 Return………………...………………………………………..
2.1.2 Stasioneritas Proses Autoregresif Linear ………………………
2.1.3 Estimasi Parameter AR Linear…………………………………
2.1.4 Model Smooth Transition Autoregressive (STAR) …..……..…
2.1.5 Uji Nonlinearitas………………………………………………..
2.1.6 Pemilihan Variabel Transisi…………..………………………..
4
4
4
7
9
11
14
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
viii
2.1.7 Pemilihan Fungsi Transisi……………………….……………..
2.1.8 Estimasi Parameter Model STAR………………………………
2.1.9 Pemeriksaan diagnostik………………………………...………
2.1.10 Kriteria Pemilihan Model………………………………………
2.1.11 Peramalan………………………………………………………
2.1.12 Evaluasi Hasil Peramalan………………………………………
2.2 Kerangka Pemikiran……….………………………………………...
BAB III METODE PENELITIAN……….……………………………………
14
14
17
19
19
20
21
22
BAB IV PEMBAHASAN
4.1 Deskripsi Data………………………………………………………
4.2 Stasioneritas Data…………….………………………………………
4.3 Identifikasi Model AR LInear………………..………………………
4.4 Estimasi dan Evaluasi Model AR Linear……..……………………...
4.5 Uji Nonlinearitas………………………...……………………………
4.6 Identifikasi Model STAR…………………………………………….
4.7 Estimasi dan Evaluasi Model LSTAR (2,1) …………………………
4.8 Estimasi dan Evaluasi Model LSTAR (2,2).…………………………
4.8.1 Uji Autokorelasi Residu…………………………………..…..
4.8.2 Uji Efek Heteroskedastisitas……...…………………………...
4.8.3 Distribusi Residu……………………………….……………..
4.9 Peramalan dan Evaluasi………………...…………………….………
BAB V PENUTUP
5.1 Kesimpulan…………………………………..………………….……
5.2 Saran……………………………………………………….…………
DAFTAR PUSTAKA……………………………………………..……………
LAMPIRAN……………………………………………………………………
23
24
24
25
27
27
29
31
32
33
34
35
38
38
39
40
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
ix
DAFTAR GAMBAR
Gambar 4.1 Plot Kurs Thai Bath terhadap Rupiah Periode 1 Januari 2005 sampai
9 April 2010………………………………………………………..…
23
Gambar 4.2 Plot Log Return Kurs Thai Bath terhadap Rupiah Periode 1 Januari
2005 sampai 9 April 2010………………...……………….…………
24
Gambar 4.3 Plot ACF dan PACF Log Return Kurs Thai Bath terhadap Rupiah
Periode 1 Januari 2005 sampai 9 April 2010…………….…...………
25
Gambar 4.4 Plot Log Return, Hasil Estimasi, dan Residu Model LSTAR (2,2) …. 32
Gambar 4.5 Histogram dan Ringkasan Statistik Residu Model LSTAR (2,2) …… 34
Halaman
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
x
DAFTAR TABEL
Tabel 4.1 Ringkasan Statistik Data Kurs Thai Bath terhadap Rupiah Periode 1
Januari 2005 sampai 9 April 2010…………………………………..
23
Tabel 4.2 Hasil Estimasi Model AR(2) Tanpa Konstanta pada Data Log
Return…………………………………………….……….…………
26
Tabel 4.3 Hasil Uji Breusch-Godfrey sampai Lag-5 Residu Model AR(2)…… 26
Tabel 4.4 Uji Nonlinearitas pada Data Log Return ……………………...…… 27
Tabel 4.5 Model Regresi Bantu dengan Variabel Transisi 1−tX pada Uji
Nonlinearitas pada Data Log Return……………………….……….
28
Tabel 4.6 Hasil Estimasi Model LSTAR (2,1) ……………………….………. 29
Tabel 4.7 Hasil Uji Breusch-Godfrey sampai Lag-5 Residu LSTAR (2,1) …... 30
Tabel 4.8 Model Regresi Bantu dengan Variabel Transisi 2−tX pada Uji
Nonlinearitas pada Data Log Return…………………………..……
31
Tabel 4.9 Hasil Estimasi Model LSTAR (2,2)……………………..…………. 31
Tabel 4.10 Hasil Uji Breusch-Godfrey sampai Lag-5 Residu LSTAR (2,2) …... 33
Tabel 4.11
Uji Lagrange Multiplier sampai lag-1 untuk Residu Model LSTAR
(2,2) …………………………………………………………………
34
Tabel 4.12 Evaluasi Peramalan Model LSTAR (2,2) dan AR (2)……………… 37
Halaman
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
xi
DAFTAR NOTASI DAN SIMBOL
tX : log return pada waktu t
T : jumlah observasi
( )E : harga harapan
kγ : autokovariansi pada lag-k
kc : estimasi autokovariansi pada lag-k
kρ : autokorelasi pada lag-k
kr : estimasi autokorelasi pada lag-k
kkφ : autokorelasi parsial pada lag-k
kφ : estimator autokorelasi parsial pada lag-k
B : operator Backward Shift
φ : parameter autoregresif
θ : parameter STAR
φ : estimasi parameter autoregresif
θ : estimasi parameter STAR
p : order parameter autoregresif µ : rata-rata
2σ : variansi
*SSR : jumlah kuadrat residu 2R : koefisien determinasi
tε : residu model autoregresif pada waktu t
tε : deret white noise
tΩ : himpunan semua informasi tX pada saat sampai di waktu t
γ : parameter slope pada STAR
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
xii
c : parameter lokasi pada STAR
dtX − : variable transisi pada STAR
d : delay
),,( etXcG −γ : fungsi transisi
),,( dtXcR −• γ : fungsi remainder
),,( dtXcT −• γ : pendekatan Taylor untuk fungsi transisi
X : estimasi log return
β : parameter regresi bantu
e : residu model regresi bantu
b : estimasi parameter regresi bantu
r : jumlah observasi out-of sample
( )thtXE Ω+ : harga harapan bersyarat dari htX + diberikan tΩ
( )D : turunan pertama
l : fungsi log likelihood 2χ : statistik uji Breusch-Godfrey
M : jumlah parameter
n : jumlah rasidu *ξ : statistik uji Lagrange Multiplier 2pχ : distribusi Chi-Squared dengan derajat bebas p
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Globalisasi dalam bidang ekonomi menyebabkan berkembangnya sistem
perekonomian dan perdagangan ke arah yang lebih terbuka antar negara. Hal ini
membawa suatu dampak ekonomis terjadinya perdagangan internasional antar
negara-negara di dunia. Perbedaan mata uang yang digunakan oleh negara-negara
yang bersangkutan baik negara pengekspor maupun pengimpor menimbulkan
suatu perbedaan nilai tukar mata uang (kurs). Perubahan nilai tukar disebut
fluktuasi nilai tukar, dengan adanya perbedaan nilai tukar ini memberikan
kesempatan bagi pihak-pihak tertentu untuk mengambil keuntungan. Kurs juga
dapat dijadikan alat untuk mengukur kondisi perekonomian suatu negara.
Mata uang Thailand (thai bath) dianggap sebagai salah satu mata uang
regional yang mempengaruhi perekonomian Asia. Krisis ekonomi yang terjadi di
kawasan Asia, termasuk Indonesia pada tahun 1997 berawal dari devaluasi nilai
thai bath (www.wikipedia.com). Mengingat besarnya dampak dari fluktuasi kurs
terhadap perekonomian maka diperlukan suatu manajemen kurs yang baik.
Fluktuasi dapat diprediksi menggunakan analisis runtun waktu finansial karena
deretan observasi dari variabel random kurs thai bath terhadap rupiah dapat
dinyatakan sebagai data runtun waktu.
Dalam analisis runtun waktu, nilai masa kini dipengaruhi oleh nilai sejenis
di masa lalu. Jika hanya nilai data masa lalu yang berpengaruh maka proses yang
terjadi dinamakan proses autoregresif. Dengan metode Box-Jenkins dapat disusun
model autoregresif untuk proses tersebut. Model yang dihasilkan dalam metode
ini adalah model-model linear, sementara tidak semua runtun waktu finansial
adalah linear (Tsay, 2002). Menurut Derek (2007), kurs termasuk runtun waktu
finansial yang memiliki kecenderungan nonlinear. Jika uji nonlinearitas
menunjukkan bahwa asumsi nonlinearitas dipenuhi maka kurang sesuai jika
digunakan model linear konvensional seperti metode Box-Jenkins. Oleh karena
itu, diperlukan model baru yang nonlinear terhadap data tersebut. Model Smooth
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
2
Transition Autoregressive (STAR) merupakan model nonlinear yang sesuai untuk
pemodelan kurs (Derek, 2007). Model STAR terbagi menjadi model Logistic
Smooth Transition Autoregressive (LSTAR) dan Exponential Smooth Transition
Autoregressive (ESTAR).
Sejak adanya artikel dari Terasvirta dan Anderson (1992) dan Terasvirta
(1994), model STAR telah menjadi pemodelan nonlinear yang populer dalam
terapan bidang ekonomi modern. Model STAR telah diterapkan dalam pemodelan
dinamik dari berbagai macam runtun waktu finansial dan ekonomi, seperti
produksi industri oleh Terasvirta dan Anderson (1992), suku bunga oleh Van Dijk
dan Franses (2000), nilai tukar mata uang oleh Taylor, Peel, dan Sarno (2001),
dan tingkat pengangguran oleh Skalin dan Terasvirta (2002). Oleh karena itu,
pada penelitian ini akan diterapkan pemodelan STAR pada kurs thai bath terhadap
rupiah.
1.2 Perumusan Masalah
Berdasarkan latar belakang, masalah yang akan dibahas dalam penelitian
ini adalah
1. bagaimana model kurs thai bath terhadap rupiah menggunakan model STAR,
2. bagaimana ramalan kurs thai bath terhadap rupiah pada periode selanjutnya
menggunakan model STAR.
1.3 Batasan Masalah
Peramalan dalam penelitian ini dibatasi hanya pada ramalan untuk satu
periode selanjutnya.
1.4 Tujuan Penelitian
Tujuan yang akan dicapai dalam penelitian ini adalah
1. menentukan model yang sesuai untuk kurs thai bath terhadap rupiah
menggunakan model STAR,
2. menentukan ramalan kurs thai bath terhadap rupiah pada periode selanjutnya
dengan menggunakan model STAR.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
3
1.5 Manfaat
Manfaat yang dapat diperoleh adalah
1. mengetahui lebih mendalam tentang penerapan model STAR sebagai salah
satu model alternatif nonlinear dalam runtun waktu finansial,
2. mendapatkan informasi tentang hasil ramalan kurs thai bath terhadap rupiah
pada satu periode selanjutnya.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
4
BAB II
LANDASAN TEORI
2.1 Tinjauan Pustaka
Untuk mencapai tujuan penulisan skripsi, diperlukan beberapa pengertian
dan teori yang relevan dengan pembahasan yang akan dilakukan. Oleh karena itu
pada sub bab ini akan disajikan beberapa teori yang berhubungan dengan
pembahasan.
2.1.1 Return
Sebagian besar studi mengenai ekonomi dan finansial lebih
menitikberatkan pada return daripada nilai sebenarnya. Hal ini disebabkan karena
untuk data finansial, yang menjadi pusat perhatian adalah fluktuasi harga yang
terjadi. Pendekatan untuk fluktuasi harga adalah perubahan relatif atau return
yang sering didefinisikan sebagai log return. Menurut Tsay (2002), log return
dirumuskan sebagai
1
ln−
=t
tt P
PX ,
dengan tP adalah observasi pada waktu t.
2.1.2 Stasioneritas Proses Autoregresif (AR) Linear
Menurut Box dan Jenkins (1976), data runtun waktu adalah himpunan
observasi yang terurut terhadap dimensi waktu. Observasi pada waktu t dapat
dituliskan sebagai tP . Barisan T observasi runtun waktu dapat dinyatakan dengan
TPPPP ,...,,, 321 . Menurut Tsay (2002), apabila suatu log return diperlakukan
sebagai kumpulan dari variabel random terhadap waktu t , maka terdapat runtun
waktu tP .
Pola stasioner terjadi jika data berfluktuasi di sekitar nilai rata-rata
konstan, data runtun waktu seperti ini adalah stasioner terhadap nilai rata-ratanya
(Makridakis dkk, 1995).
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
5
Autocorrelation Function (ACF)
Kovariansi antara observasi pada saat t yaitu tX , dengan observasi pada
saat kt + yaitu ktX + , didefinisikan sebagai
( ) ( )( )[ ]µµγ −−== ++ kttkttk XXEXX ,cov ,
yang diestimasi oleh
( ) ( )( ) K, ..., , kXXTc k
t kttk ∑ = + =−−=1
,210 ,1 µµ
dengan k adalah nilai lag.
Autokorelasi antara tX dengan ktX + didefinisikan sebagai
( ) ( )ktt
kttk XX
XX
+
+=varvar
),cov(ρ .
Karena ( ) ( ),varvar ktt XX += maka
( )( )[ ]( ) 0var γ
γµµρ k
t
kttk X
XXE=
−−= + .
Autokorelasi antara tX dengan ktX + diestimasi oleh
( )( )( )∑
∑=
+= +
−
−−= T
t t
T
kt kttk
XX
XXXX
1
21ρ , Kk ,...,2,1,0= ,
dengan tX adalah observasi dari suatu runtun waktu pada waktu t dan X adalah
rata-rata dari deret runtun waktu. Himpunan dari kρ , ,...2,1; =kkρ untuk
berbagai lag k disebut Autocorrelation Function (ACF) (Wei, 1990).
Menurut Pankratz (1983), jika suatu runtun waktu dengan rata-rata
stasioner maka estimasi nilai dari ACF turun secara cepat mendekati nol dengan
semakin bertambahnya lag, tetapi jika rata-ratanya tidak stasioner maka estimasi
nilai dari ACF turun secara perlahan mendekati nol.
Partial Autocorrelation Function (PACF)
Autokorelasi parsial pada lag k dapat dipandang sebagai korelasi antara
observasi tX dan ktX + setelah menghilangkan hubungan dari 121 ,...,, −+++ kttt XXX
(Wei, 1990).
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
6
Autokorelasi parsial dari tX pada lag k didefinisikan sebagai
1
11
11
1321
2311
1221
1321
2311
1221
ρρρρ
ρρρρρρρρρρρρρ
ρρρρρρρρ
φ
K
MM
K
K
K
MM
K
K
−−−
−−
−−
−−−
−
−
=
kkk
kk
kk
kkkk
k
k
kk.
Himpunan dari kkφ , ,...2,1; =kkkφ , disebut sebagai Partial Autocorrelation
Function (PACF). Fungsi kkφ menjadi notasi standar untuk autokorelasi parsial
antara observasi tX dan ktX + dalam analisis runtun waktu. Fungsi kkφ akan
bernilai nol untuk lag k > p. Sifat ini dapat digunakan untuk identifikasi model
AR, yakni pada model autoregresif berlaku ACF akan meluruh secara
eksponensial menuju nol sedangkan nilai PACF pkkk >= ,0φ (Wei, 1990).
Proses White Noise
Proses tε dikatakan White Noise dengan rata-rata nol dan variansi 2σ
dapat ditulis tε ~ ),0( 2σWN jika dan hanya jika mempunyai mean nol dan fungsi
autokovariansi
⎩⎨⎧
≠=
=,0 jika ,00 jika ,2
kk
kσ
γ
fungsi autokorelasi
⎩⎨⎧
≠=
=,0 jika ,0
0 jika ,1kk
kρ
dan fungsi autokorelasi parsial
⎩⎨⎧
≠=
=.0 jika ,0
0 jika ,1kk
kkφ
Menurut definisi di atas, suatu proses tε disebut White Noise jika proses
tersebut merupakan variabel random yang tidak berkorelasi dari suatu distribusi
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
7
tertentu dengan mean konstan ( ) µε =tE biasanya diasumsikan nol, variansi 2σ ,
dan ( ) ( ) 0, == +kttCovk εεγ untuk setiap 0≠k (Wei, 1990).
Proses Autoregresif Orde p
Menurut Wei (1990), proses AR(p) dapat didefinisikan sebagai
tptpttt XXXX εφφφ ++++= −−− ...2211 ,
dengan AR(p) adalah proses autoregresif sampai lag ke-p dan tε adalah nilai
residu sampai waktu ke-t dari model AR(p), atau dapat ditulis dalam bentuk
( ) ttXB εφ = ,
di mana ( ) pp BBBB φφφφ −−−−= ...1 2
21 dan operator backward-shift (lag
operator) didefinisikan sebagai
( ) ,jttj XXB −= Ztj ∈, .
2.1.3 Estimasi Parameter AR Linear
Menurut Cryer (1983), estimasi dari parameter model dapat diperoleh
dengan menggunakan metode kuadrat terkecil (least square method), yaitu dengan
meminimumkan jumlah kuadrat residu (sum squared error) berikut
( )2
22211
2 ...∑∑=
−−− −−−−==T
tptptttt XXXXSSE φφφε .
Jumlah kuadrat residu pada persamaan (2.1) di atas akan minimum jika turunan
parsial pertama terhadap pφφφ ,...,, 21 sama dengan nol.
Misal dipunyai model AR(1) sebagai berikut
ttt XX εφ += −1 ,
dengan t=1, 2, ...,T dan tε ~ ),0( 2σWN . Nilai estimasi dari φ dapat diperoleh
dengan meminimumkan jumlah kuadrat residu berikut
( )2
21
2 ∑∑=
−−==T
tttt XXSSE φε .
Jumlah kuadrat residu pada persamaan (2.3) di atas akan minimum jika turunan
parsial terhadap φ sama dengan nol,
(2.3)
(2.2)
(2.1)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
8
( )
.
0
02
2
21
21
2
21
21
211
∑
∑
∑∑
∑
=−
=−
=−
=−
=−−
=⇔
=−⇔
=−−=∂∂
T
tt
T
ttt
T
tt
T
ttt
T
tttt
X
XX
XXX
XXXSSE
φ
φ
φφ
Estimasi dari φ dapat dinyatakan sebagai
∑
∑
=−
=−
= T
tt
T
ttt
X
XX
2
21
21
φ .
Untuk model AR(p)
tptpttt XXXX εφφφ ++++= −−− ...2211 ,
dengan t=1,...,T, Rp ∈φφφ ,...,, 21 , dan tε ~ ),0( 2σWN diperoleh sistem persamaan
linear dengan p parameter sebagai berikut
( ) 0...22
221111
=−−−−−=∂∂ ∑
=−−−−
T
tptptttt XXXXXSSE φφφ
φ
( )
( ) .0...2
0...2
22211
222112
2
=−−−−−=∂∂
=−−−−−=∂∂
∑
∑
=−−−−
=−−−−
T
tptptttpt
p
T
tptptttt
XXXXXSSE
XXXXXSSE
φφφφ
φφφφ
M
Dari persamaan (2.4) diperoleh
∑∑∑∑
∑∑∑∑
∑∑∑∑
=−
=−
=−−−
=−
=−
=−−
=−−
=−
=−
=−−
=−−
=−
=+++
=+++
=+++
T
ttpt
T
tptp
T
ttptpt
T
tt
T
ttt
T
tpttp
T
ttt
T
tt
T
ttt
T
tpttp
T
ttt
T
tt
XXXXXXX
XXXXXXX
XXXXXXX
22
2
222
211
22
22
2
2222
211
21
21
2212
2
211
...
...
...
φφφ
φφφ
φφφ
M
(2.5)
(2.4)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
9
Jika direpresentasikan ke dalam bentuk matriks maka persamaan (2.5) dapat
disederhanakan menjadi
⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
=
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
∑
∑
∑
∑∑∑
∑∑∑
∑∑∑
=−
=−
=−
=−
=−−
=−−
=−−
=−
=−−
=−−
=−−
=−
T
ttpt
T
ttt
T
ttt
pT
tpt
T
ttpt
T
ttpt
T
tptt
T
tt
T
ttt
T
tptt
T
ttt
T
tt
XX
XX
XX
XXXXX
XXXXX
XXXXX
2
22
21
2
1
2
2
22
21
22
2
22
212
21
221
2
21
M
M
L
MOMM
L
L
φ
φφ
atau dapat dituliskan menjadi
=x'x x'Xφ ,
dengan
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1 1 1 2 1
2 2 2 3 2 1
1
t t t p
t t t p
n t p n t p n t n
X X X
X X X
X X X
− − −
− − − −
− − − −
⎡ ⎤⎢ ⎥⎢ ⎥
= ⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
x
L
L
M M O M
L
,
1
2
t
t
nt
XX
X
⎡ ⎤⎢ ⎥⎢ ⎥=⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
XM
, dan
1
2
p
φφ
φ
⎡ ⎤⎢ ⎥⎢ ⎥=⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
Mφ .
Estimasi parameter dari φ dalam bentuk vektor menjadi sebagai berikut
( )-1= x'x x'X)φ .
2.1.4 Model Smooth Transition Autoregressive (STAR)
Model STAR merupakan pemodelan nonlinear perluasan dari model
autoregresif di mana dalam modelnya terdapat dua rezim dan nilai dari
parameternya dimuluskan dengan pemulusan transisi.
Menurut Terasvirta (1994), model STAR(p,d) untuk runtun waktu
univariat yang diobservasi pada saat t=1,…,T-1,T dimodelkan sebagai
( )( ) ( ) 1 2' 1 , , ' , ,t t t d t t d tX G c X G c Xγ γ ε− −= − + +X Xφ φ ,
dengan
STAR(p,d) : model STAR dengan orde p dan variabel transisi dtX − ,
( )''1,t t=X X% di mana ( )'
1 2,, ,...,t t t t pX X X− − −=X% : log return saat periode ke-t,
'
1 1,0 1,1 1,2 1,, , ,..., pφ φ φ φ⎡ ⎤= ⎣ ⎦φ : parameter pada rezim 1,
(2.6)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
10
'
2 2,0 2,1 2,2 2,, , ,..., pφ φ φ φ⎡ ⎤= ⎣ ⎦φ : parameter pada rezim 2,
dtX − : variabel transisi di mana pd ≤≤1 ,
( )dtXcG −,,γ : fungsi transisi bernilai [0,1],
c : parameter lokasi,
γ : slope, dan
tε : nilai residu sampai waktu ke-t dari model STAR (p,d).
Persamaan (2.6) di atas dapat dijabarkan sebagai
( ) ( )( ) ( )( ) ,,,
...,,1... ,211,20,2,111,10,1
tdt
ptptdtptptt
XcGXXXcGXXX
εγ
φφφγφφφ
+
++++−+++=
−
−−−−−
atau dapat dituliskan menjadi
( )( ) ( ) tdt
p
jjtjdt
p
jjtjt XcGXXcGXX εγφφγφφ +⎟⎟
⎠
⎞⎜⎜⎝
⎛++−⎟⎟
⎠
⎞⎜⎜⎝
⎛+= −
=−−
=− ∑∑ ,,,,1
1,20,2
1,10,1 .
Fungsi transisi ( )dtXcG −,,γ bergantung pada nilai variabel transisi ( dtX − ),
slope (γ ), dan parameter lokasi (c). Besarnya parameter slope (γ ) menentukan
kemulusan antar rezim, sedangkan nilai dari parameter lokasi (c) mengindikasikan
lokasi transisi.
Menurut Terasvirta (1994), model STAR terbagi dalam dua tipe
berdasarkan fungsi transisinya, yaitu logistik dan eksponensial. Jika fungsi transisi
pada persamaan (2.6) berupa fungsi logistik
( ) ( )( ) 0 ,exp1
1,, >−−+
=−
− γγ
γcX
XcGdt
dt
maka disebut model Logistic Smooth Transition Autoregressive (LSTAR). Jika
fungsi transisi pada persamaan (2.6) berupa fungsi eksponensial
( ) ( )( ) 0 ,exp1,, 2 >−−−= −− γγγ cXXcG dtdt
maka disebut model Exponential Smooth Transition Autoregressive (ESTAR).
Sifat dari fungsi transisi logistik dan eksponensial yaitu pada saat parameter slope
0γ = , model LSTAR dan ESTAR akan menjadi model linear.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
11
2.1.5 Uji Nonlinearitas
Diketahui model STAR dari persamaan (2.6) sebagai berikut
( )( ) ( ) 1 2' 1 , , ' , ,t t t d t t d tX G c X G c Xγ γ ε− −= − + +X Xφ φ .
Hipotesis nol dari nonlinearitas dapat diekspresikan sebagai persamaan dari
parameter AR dalam dua rezim sebagai berikut
0 1 2:H =φ φ (model linear),
1 1, 2,: , i iH ≠φ φ pi ,...1,0satu minimaluntuk ∈ (model nonlinear).
Menurut Van Dijk (1999), pada masalah uji nonlinearitas untuk alternatif
dari tipe STAR dianjurkan sejumlah solusi untuk mengganti fungsi transisi
( )dtXcG −,,γ dengan pendekatan Taylor yang sesuai. Nonlinearitas dapat diuji
dengan statistik Lagrange Multiplier (LM), di mana statistik uji ini memiliki
distribusi asimtotis standar Chi-Squared ( )2χ di bawah 0H .
Uji terhadap LSTAR
Model STAR pada persamaan (2.6) dapat ditulis dalam bentuk
( ) ( )'' 1 2 1 , ,t t t t d tX G c Xγ ε−= + − +X Xφ φ φ .
Menurut Van Dijk (1999), fungsi transisi ( )dtXcG −,,γ diganti dengan
pendekatan Taylor orde tiga di sekitar 0=γ ,
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( ),,,481
41
21
,,,,61
,,21,,,0,,,
333
30
3
33
02
22
03
cXRcXcX
cXRcXG
cXGcXGcXGcXT
dtdtdt
dtdt
dtdtdtdt
γγγ
γγ
γγ
γγγ
γγγγ
γ
γγ
−−−
−
=
−
=
−
=
−−−
+−+−+=
+∂
∂+
∂∂
+∂
∂+=
di mana ( )cXR dt ,,3 γ− merupakan fungsi remainder. Dengan mensubstitusikan
( )cXT dt ,,3 γ− dalam persamaan (2.8) pada ( )dtXcG −,,γ dalam persamaam (2.7)
didapatkan model bantuan, 2 3
0,0 0 1 2 3' ' ' '
t t t t d t t d t t d tX X X X eβ − − −= + + + + +β X β X β X β X% % % % ,
(2.7)
(2.9)
(2.8)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
12
di mana ( ) ( )' 2 1 3 , ,t t t t de R X cε γ−= + − Xφ φ , dan 0β , iβ di mana i=1,2,3
merupakan fungsi parameter dari 1 2, , γφ φ , dan c.
Uji hipotesisnya menunjukkan 0:'0 =γH berhubungan dengan
''0 1 2 3: 0H =β = β = β , yang dapat diuji menggunakan uji LM. Uji statistik tersebut
disebut sebagai 3LM , di bawah hipotesis nol linear dan memiliki distribusi
asimtotis Chi-Squared dengan derajat bebas 3p ( 23 pχ ) (Van Dijk, 1999).
Uji terhadap ESTAR
Menurut Van Dijk (1999), nonlinearitas dapat diuji melalui alternatif
ESTAR yang diberikan oleh persamaan (2.7) dengan mengganti fungsi transisi
eksponensial dengan pendekatan Taylor orde pertama di sekitar 0=γ ,
( ) ( ) ( ) ( )
( )( )( ) ( ) ( )( ) ( )( )( ) ( ) ( )
( ) ( ),,,
,,0exp1
,,expexp1
,,,,
,0,,,
12
12
122
10
1
cXRcX
cXRcX
cXRcXcXcX
cXRcXG
cXGcXT
dtdt
dtdt
dtdtdtdt
dtdt
dtdt
γγ
γγ
γγγ
γγγ
γγγ
−−
−−
−−−−
−=
−−−
+−=
+−+−=
+−−−+−−−=
+∂
∂+=
di mana ( )cXR dt ,,1 γ− merupakan fungsi remainder. Dengan mensubstitusikan
( )1 , ,t dT X cγ− dalam persamaan (2.10) pada ( )dtXcG −,,γ dalam persamaan (2.7)
didapatkan model bantuan, 2
0,0 0 1 2' ' '
t t t t d t t d tX X X eβ − −= + + + +β X β X β X% % % ,
di mana ( ) ( )'2 1 1 , ,t t t t de R X cε γ−= + − Xφ φ , dan 0β , iβ di mana i=1,2,3
merupakan fungsi parameter dari 1 2, , γφ φ , dan c. Ekspresi dari 0,0β dan
, 1,2,3i i =β menunjukkan bahwa pembatasan 0=γ berhubungan dengan
1 2 0= =β β dalam persamaan (2.11). Uji statistik untuk hipotesis nol ini adalah
2LM dengan distribusi asimtotis 22 pχ .
Pada penentuan tipe fungsi transisi model STAR digunakan prosedur dari
Terasvirta yaitu melalui uji 3LM . Meskipun 3LM dikembangkan untuk uji
(2.11)
(2.10)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
13
alternatif LSTAR, namun uji ini memiliki kemampuan yang sama untuk alternatif
ESTAR. Cara intuitif untuk memahami hal ini adalah dengan membandingkan
persamaan (2.9) dan (2.11) yang digunakan untuk menghitung statistik statistik
2LM dan 3LM . Terlihat bahwa semua regreser bantuan dalam persamaan (2.11)
terkandung dalam persamaan (2.9). Oleh karena itu, statistik 3LM diduga
memiliki kemampuan yang sama baiknya terhadap ESTAR (Van Dijk, 1999).
Statistik 3LM berdasarkan persamaan (2.9) dapat diperoleh dengan cara
1. meregresikan tX terhadap tX~ , menghitung residual tε , dan jumlah kuadrat
residual
∑=
=T
itSSR
1
20 ε ,
2. menduga regresi bantuan (auxiliary regression) tε terhadap ( )1, tX% dan
, 1, 2,3it t dX i− =X% ,
2 30,0 0 1 2 3ˆ ' ' ' '
t t t t d t t d t t d tβ X X X eε − − −= + + + + +β X β X β X β X% % % % ,
kemudian menghitung jumlah residual kuadrat
∑=
=T
iteSSR
1
21 ˆ ,
3. dengan hipotesis
0.........: ,31,3,21,2,11,10 ====== pppH ββββββ (model linear),
noldengan sama tidak yang satu ada minimal :1 βH (model nonlinear),
statistik uji 3LM dapat dihitung berdasarkan
( )0
103 SSR
SSRSSRTLM
−= ,
di mana distribusinya mengikuti distribusi 23 pχ .
2.1.6 Pemilihan Variabel Transisi
Variabel transisi dapat ditentukan lebih dahulu tanpa menspesifikasikan
bentuk alternatif dari fungsi transisi. Dengan menghitung statistik uji 3LM untuk
beberapa kandidat dari variabel transisi, dipilih variabel transisi dengan p-value
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
14
terkecil atau statistik uji 3LM terbesar. Dasar pemikiran di balik prosedur ini
adalah bahwa uji harus memiliki kekuatan maksimum dalam hal model alternatif
telah dispesifikasikan dengan benar.
2.1.7 Pemilihan Fungsi Transisi
Jika uji nonlinearitas ditolak, dan variabel transisi yang tepat telah dipilih
maka langkah selanjutnya adalah memilih bentuk dari fungsi transisi ( )dtXcG −,,γ
berdasarkan statistik uji 3LM (Van Dijk, 1999).
Berdasarkan model regresi bantuan pada persamaan (2.9) , 2 3
0,0 0 1 2 3' ' ' '
t t t t d t t d t t d tX X X X eβ − − −= + + + + +β X β X β X β X% % % % ,
uji hipotesisnya adalah
linear), (model 0.........: ,31,3,21,2,11,10 ====== pppH ββββββ
0dengan sama tidak yang satu ada minimal :1 βH (nonlinear).
Pemilihan fungsi transisi ( )dtXcG −,,γ dilakukan dengan menguji urutan hipotesis
nol berikut
( )( )( )
0,3 3
0,2 2 3
0,1 1 3 2
i : 0 ,
ii : 0 0,
iii : 0 0,
H
H
H
=
= =
= = =
β
β β
β β β
yaitu
(i) jika 3 0 ≠β maka model adalah LSTAR,
(ii) jika 3 0,=β tetapi 2 0 ≠β maka model adalah ESTAR,
(iii) jika 3 0=β dan 2 0,=β tetapi 1 0 ≠β maka model adalah LSTAR dan jika
1 0,=β maka model adalah ESTAR.
2.1.8 Estimasi Parameter Model STAR
Van Dijk (1999) menggunakan metode nonlinear least square (NLS)
untuk mengestimasi parameter dari model STAR(p,d). Estimasi parameter pada
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
15
metode NLS ditentukan dengan memiminimumkan jumlah kuadrat residu yang
didefinisikan sebagai
( ) ( )( )2
1
ˆ arg min arg min ,T
T t tt
Q X F X=
= = −∑θ θ θ ,
dengan
( ) ( )( ) ( )1,0 1, 2,0 2,1 1
, 1 , , , , ,p p
t j t j t d j t j t dj j
F X X G c X X G c Xφ φ γ φ φ γ− − − −= =
⎛ ⎞ ⎛ ⎞= + − + +⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠
∑ ∑θ
di mana
( ) ( )( ) 0 ,exp1
1,, >−−+
=−
− γγ
γcX
XcGdt
dt untuk model LSTAR, dan
( ) ( )( ) 0 ,exp1,, 2 >−−−= −− γγγ cXXcG dtdt untuk model ESTAR.
Proses pencarian nilai parameter pada metode NLS ini dilakukan dengan
menggunakan metode numerik untuk melakukan estimasi secara iterasi.
Metode Gauss-Newton
Metode Gauss-Newton merupakan suatu algoritma untuk meminimumkan
jumlah kuadrat residu. Konsep yang mendasari teknik tersebut adalah uraian deret
Taylor yang digunakan untuk menyatakan persamaan nonlinear semula dalam
suatu bentuk pendekatan yang linear. Dengan demikian, teori NLS dapat
digunakan untuk memperoleh estimator-estimator baru dari parameter yang
bergerak ke arah yang meminimumkan jumlah kuadrat residu tersebut.
Secara umum iterasi Gaus-Newton dinyatakan sebagai
( ) ( ) ( )( ) ( )( ) ( )( ) ( )1' '1 ,i i i i i
t tD D D X F X−
+ ⎡ ⎤ ⎡ ⎤= − −⎣ ⎦⎢ ⎥⎣ ⎦θ θ θ θ θ θ ,
dengan
( )( )( ) ( ) ( ) '
1 2( , ) ( , ) ( , ), , ,i i i
i TF X F X F XD⎡ ⎤∂ ∂ ∂
= ⎢ ⎥∂ ∂ ∂⎣ ⎦
θ θ θθθ θ θ
L .
Misal dipunyai model STAR(p,d) sedemikian hingga
( )( ) ( ) tdt
p
jjtjdt
p
jjtjt XcGXXcGXX εγφφγφφ +⎟⎟
⎠
⎞⎜⎜⎝
⎛++−⎟⎟
⎠
⎞⎜⎜⎝
⎛+= −
=−−
=− ∑∑ ,,,,1
1,20,2
1,10,1 ,
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
16
dengan
( ) ( )( ) 0 ,exp1
1,, >−−+
=−
− γγ
γcX
XcGdt
dt untuk model LSTAR,
( ) ( )( ) 0 ,exp1,, 2 >−−−= −− γγγ cXXcG dtdt untuk model ESTAR, dan
tε adalah nilai residu dari model.
Oleh karena itu, dimiliki vektor parameter θ sebagai
( )'
1,0 1, 2,0 2,,..., , ,..., , ,p p cφ φ φ φ γ=θ .
Menurut Nainggolan (2010), langkah awal algoritma Gauss-Newton
adalah menentukan nilai awal dan kemudian didekati dengan ( )θ,tXF untuk T
pengamatan oleh bentuk linear menggunakan ekspansi deret Taylor di sekitar nilai
awal ( )0g , yaitu
( ) ( )( ) ( ) ( )( )0 0,
ˆ
,, t
t t
F XF X F X
⎡ ⎤∂≈ + ⎢ ⎥∂⎣ ⎦θ=g
θθ g θ - g
θ,
dengan
( ) ( ) ( ) ( ) '0 0 0 00 1 kg g g⎡ ⎤= ⎣ ⎦g K adalah vektor dari parameter nilai awal.
Dengan penyederhanaan notasi ( ) ( )( )0 0,t tF F X= g ,
( ) ( )0 0= −β θ g ,
( ) ( )( ) ( )0 0
0
ˆ
,tt
F XD
=
⎡ ⎤∂= ⎢ ⎥∂⎣ ⎦θ g
θθ
,
pendekatan pada persamaan (2.12) dapat ditulis menjadi
( ) ( ) ( ) ( )0 0 0,t t tF X F D≈ +θ β .
Oleh karena itu, diperoleh pendekatan model nonlinear ( ),t t tX F X ε= +θ
sebagai ( ) ( ) ( )0 0 0
t t t tX F D ε≈ + +β .
(2.12)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
17
Karena ( ) ( )00
ttt FXX −≈ ,
maka diperoleh pendekatan model regresi linear ( ) ( ) ( )0 0 0t t tX D ε≈ +β ,
atau dapat dituliskan dalam bentuk matriks sebagai berikut ( ) ( ) ( )0 0 0≈ +X D β ε ,
dengan
( ) ( ) ( ) ( ) '0 0 0 01 1 2 2, , , T TX F X F X F⎡ ⎤= − − −⎣ ⎦X K
( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
0 0 0 0 0 01 1 1 1 1 1
1,0 1, 2,0 2,
0 0 0 0 0 02 2 2 2 2 2
01,0 1, 2,0 2,
0 0 0 0 0 0
1,0 1, 2,0 2,
p p
p p
T T T T T T
p p
F F F F F Fc
F F F F F Fc
F F F F F Fc
φ φ φ φ γ
φ φ φ φ γ
φ φ φ φ γ
⎡ ⎤∂ ∂ ∂ ∂ ∂ ∂⎢ ⎥∂ ∂ ∂ ∂ ∂ ∂⎢ ⎥⎢ ⎥∂ ∂ ∂ ∂ ∂ ∂⎢ ⎥⎢ ⎥= ∂ ∂ ∂ ∂ ∂ ∂⎢ ⎥⎢ ⎥⎢ ⎥∂ ∂ ∂ ∂ ∂ ∂⎢ ⎥⎢ ⎥∂ ∂ ∂ ∂ ∂ ∂⎣ ⎦
D
L L
L L
M M M M M M
L L
( ) ( ) ( ) ( ) '0 0 0 00 1, , , kβ β β⎡ ⎤= ⎣ ⎦β K .
Parameter ( )0β dapat di taksir dari persamaan normal pada model regresi
linear sederhana dan diperoleh
( ) ( ) ( ) ( ) ( ) ( )10 0 0 0 0' 'i −⎡ ⎤= − ⎣ ⎦b θ D D D X ,
di mana ( )0b adalah vektor dari koefisien regresi kuadrat terkecil yang ditaksir
dan dapat digunakan untuk memperoleh taksiran parameter regresi berikutnya
dengan koefisien regresi ( ) ( ) ( )1 0 0= +g g b .
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
18
2.1.9 Pemeriksaan Diagnostik
Model yang diperoleh perlu diperiksa lebih lanjut untuk mengetahui ada
tidaknya autokorelasi di dalam residu yang dihasilkan, efek heteroskedastisitas,
dan distribusi residu (Terasvirta, 1994). Model stasioner yang baik akan
memenuhi asumsi bahwa tidak ada autokorelasi dan efek heteroskedastisitas di
dalam residu yang dihasilkan serta residu yang berdistribusi normal.
Bentuk Distribusi Residu
Bentuk distribusi residu dari model dapat dilihat melalui nilai kurtosis dan
skewness yang dimiliki. Pada distribusi normal, kurtosis bernilai 0 dan skewness
bernilai 3.
Uji Autokorelasi Residu
Salah satu uji yang dapat digunakan untuk menguji autokorelasi adalah uji
Breusch-Godfrey. Langkah-langkah uji Breusch-Godfrey adalah
1. meregresikan suatu model, sehingga diperoleh nilai residunya tε ,
2. meregresikan tε terhadap seluruh variabel independen dalam model, ditambah
dengan pttt −−− εεε ,,2,1 K , yaitu
qtqppptptt XX −++−− +++++= ελελλλε K111 ... ,
dengan p adalah orde model dan q adalah lag yang diinginkan, kemudian
dihitung koefisien nilai determinasi 2R nya.
3. menguji hipotesis
H0: tidak terdapat autokorelasi dalam residu model
H1: terdapat autokorelasi dalam residu model,
4. menghitung statistik uji Breusch-Godfrey. Statistik uji yang digunakan adalah
Chi-Squared dengan derajat bebas p yaitu 22 nR=χ ,
dengan n adalah banyaknya residu, dan 2R adalah koefisien determinasi,
5. H0 ditolak jika 22pnR χ> .
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
19
Uji Efek Heteroskedastisitas
Pengujian efek heteroskedastisitas dilakukan menggunakan uji Lagrange
Multiplier dengan langkah-langkah sebagai berikut
1. menentukan persamaan yang paling sesuai untuk data runtun waktu, dari
persamaan tersebut diperoleh residu kuadrat ( 2tε ),
2. meregresikan 2tε pada konstanta dan q lag-nya sendiri,
2 2 20 1 1t t q t qε α α ε α ε− −= + + +K ,
kemudian dihitung koefisien nilai determinasi 2R nya,
3. menguji hipotesis dengan
H0 : 1 2 qα α α= = =K = 0 (tidak ada efek ARCH sampai lag m)
H1 : paling sedikit terdapat satu ,0≠kα 1, 2, ,k q= K ,
4. menggunakan asumsi normalitas, statistik uji yang digunakan adalah 2* nR=ξ ,
dengan n adalah banyaknya residu dan 2R adalah koefisien determinasi,
5. H0 ditolak jika * 2qξ χ> .
2.1.10 Kriteria Pemilihan Model
Model terbaik dapat dipilih berdasarkan nilai Akaike Info Criterion (AIC)
(Wei, 1990). AIC dirumuskan sebagai
AIC = Ml 22 +− ,
dengan l adalah fungsi log likelihood, dan M adalah jumlah parameter yang
diestimasi.
2.1.11 Peramalan
Misal thtX +ˆ merupakan peramalan dari htX + pada waktu t, dengan
prediksi residu sebagai berikut
hthttht XXe +++ −= ˆ .
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
20
Peramalan thtX +ˆ meminimumkan prediksi residu kuadrat berikut
[ ] ( ) ⎥⎦⎤
⎢⎣⎡ Ω−= +++ tththttht XXEeE
22 ˆ ,
di mana tΩ merupakan himpunan semua informasi dari waktu lampau sampai
waktu t. Peramalan yang meminimumkan persamaan (2.13) merupakan ekspektasi
bersyarat dari htX + pada waktu t,
[ ]thttht XEX Ω= ++ˆ .
Jika terdapat model AR(1) sebagai berikut
ttt XX εφ += −11 ,
maka peramalannya adalah
[ ] thtththttht XXEX 1111ˆˆ
−++−++ =Ω+= φεφ ,
dengan ttht XX =−+ 1ˆ , untuk h=1.
Model umum AR nonlinear untuk orde 1 adalah
( )1,t t tX F X ε−= +θ .
Jika terdapat model STAR (1,1) sedemikian hingga
( ) ( ) ( )( ) ( ) ( )1 1,0 1,1 1 1 2,0 2,1 1 1, 1 , , , ,t t t t tF X X G c X X G c Xφ φ γ φ φ γ− − − − −= + − + +θ ,
dengan asumsi [ ] 01 =Ω+ ttE ε , maka peramalan satu langkah ke depan 1+tX dapat
diperoleh sebagai
( )11ˆ ;t t tt tX E X F X++ ⎡ ⎤= Ω =⎣ ⎦ θ .
Pada peramalan lebih dari satu periode ke depan (multi-step forecast)
berlaku
( ) ( ) ( )2 1 12 1ˆ ˆ ,t t t t t tt t t tX E X E F X F E X F X+ + ++ +
⎡ ⎤ ⎡ ⎤⎡ ⎤= Ω = Ω ≠ Ω =⎣ ⎦ ⎣ ⎦ ⎣ ⎦ θ
sehingga perhitungannya akan lebih rumit.
2.1.11 Evaluasi Hasil Peramalan
Evaluasi hasil peramalan bertujun untuk mengevaluasi kualitas dari hasil
peramalan model runtun waktu. Hasil peramalan relatif dapat juga digunakan
(2.13)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
21
sebagai kriteria pemilihan model, sebagai alternatif atau pelengkap perbandingan
dalam sampel (in-sampel) dari model yang berbeda (Van Dijk, 1999). Ukuran
yang digunakan untuk evaluasi hasil peramalan adalah
1. Mean Squared Error (MSE)
( )∑=
−=n
ttt PP
rMSE
1
2ˆ1
dengan
tP :data asli kurs thai bath terhadap rupiah periode ke-t,
tP : ramalan kurs thai bath terhadap rupiah periode ke-t,
r : jumlah ramalan.
2. Mean Absolute Percentage Error (MAPE)
∑=
×⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
n
t t
tt
PPP
rMAPE
1
100ˆ1 .
Model dengan MSE dan atau MAPE yang lebih kecil memiliki hasil peramalan
yang lebih baik (Van Dijk, 1999).
2.2 Kerangka Pemikiran
Banyak kasus runtun waktu seperti runtun waktu finansial dan
perekonomian suatu negara, termasuk kurs mempunyai kecenderungan nonlinear
sehingga diperlukan suatu uji nonlinearitas. Jika asumsi nonlinear dipenuhi maka
kurang sesuai jika digunakan model linear konvensional. Oleh karena itu,
diperlukan model baru yang nonlinear terhadap runtun waktu tersebut. Pada
penelitian ini, akan digunakan model STAR sebagai salah satu alternatif model
nonlinear untuk diterapkan pada runtun waktu kurs thai bath terhadap rupiah guna
mencari model dan ramalan yang paling tepat untuk satu periode selanjutnya.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
22
BAB III
METODE PENELITIAN
Metode yang digunakan dalam penelitian ini adalah studi kasus. Data yang
digunakan dalam penelitian ini adalah data sekunder berupa data runtun waktu
kurs thai bath terhadap rupiah dalam frekuensi harian dari 1 Januari 2005 sampai
9 Juli 2010. Data periode 1 Januari 2005 sampai 9 April 2010 sebanyak 1285
observasi sebagai in-sample dan data selanjutnya sebanyak 63 observasi sebagai
out-of-sample. Analisis data dilakukan dengan bantuan software Eviews.
Langkah-langkah yang ditempuh untuk mencapai tujuan penelitian ini
adalah
1. Memodelkan data dengan proses AR.
a. Membuat plot runtun waktu untuk data asli (menggunakan data in-sample)
untuk melihat pola data dan stasioneritasnya.
b. Data yang belum stasioner diubah ke dalam bentuk log-return untuk
menstasionerkan data terhadap rata-rata.
c. Menentukan model AR(p) yang sesuai berdasarkan plot ACF dan PACF.
d. Melakukan estimasi parameter AR(p).
e. Melakukan uji autokorelasi residu model AR yang diperoleh. Orde model
AR yang terbentuk akan digunakan dalam pengujian nonlinearitas pada
model STAR.
2. Memodelkan data dengan STAR.
a. Memeriksa kelinearan data.
b. Jika data terbukti nonlinear, maka dipilih variabel transisi dan bentuk
fungsi transisi yang tepat.
c. Melakukan estimasi parameter model STAR.
3. Melakukan pemeriksaan diagnostik tehadap model STAR yang terbentuk dan
evaluasi berdasarkan nilai AIC dan standar deviasinya.
4. Modifikasi model jika diperlukan.
5. Menentukan ramalan untuk satu periode berikutnya.
6. Evaluasi peramalan berdasarkan nilai MSE dan MAPE.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
23
BAB IV
PEMBAHASAN
4.1 Deskripsi Data
Dalam skripsi ini digunakan data runtun waktu finansial berupa nilai tukar
mata uang atau kurs yang bersumber dari data Bank Indonesia, yaitu kurs mata
uang Thailand (thai bath) terhadap rupiah pada periode 1 Januari 2005 sampai 9
Juli 2010. Data periode 1 Januari 2005 sampai 9 April 2010 sebanyak 1285
observasi digunakan untuk spesifikasi model (in-sample) dan data selanjutnya
digunakan untuk evaluasi dalam peramalan (out-of-sample). Plot data dapat dilihat
pada Gambar 4.1 dan ringkasan statistiknya dapat dilihat pada Tabel 4.1.
200
220
240
260
280
300
320
340
250 500 750 1000 1250
DATA_ASLI
Gambar 4.1 Plot Kurs Thai Bath terhadap Rupiah Periode 1 Januari 2005 sampai
9 April 2010
Dari plot data terlihat bahwa kurs thai bath terhadap rupiah berfluktuasi dari
waktu ke waktu.
Tabel 4.1 Ringkasan Statistik Data Kurs Thai Bath terhadap Rupiah Periode
1 Januari 2005 sampai 9 April 2010
Estimasi Nilai
Rata-rata
Median
Maksimum
Minimum
Standar Deviasi
254,62
253,29
337,49
217,52
26,81733
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
24
Dalam rentang waktu 1 Januari 2005 sampai 9 April 2010, kurs terendah
berada di titik 217,52 yang merupakan data pada tanggal 12 Mei 2006, dan kurs
tertinggi berada di titik 337,49 yang merupakan data pada tanggal 25 November
2008. Rata-rata kurs thai bath terhadap rupiah dalam periode tersebut adalah
254,62 dengan median 253,29 dan standar deviasi 26,81733.
4.2 Stasioneritas Data
Pada penelitian ini data kurs thai bath terhadap rupiah diubah ke dalam
bentuk log return. Perubahan data ke dalam fungsi log return menyebabkan
jumlah observasi berubah menjadi T-1 = 1284 observasi. Perubahan data ke dalam
bentuk log return bertujuan untuk menjadikan data lebih stasioner dengan nilai
yang mendekati nol. Hal ini dapat dilihat pada plot log return yang tersaji pada
Gambar 4.2.
-.15
-.10
-.05
.00
.05
.10
.15
250 500 750 1000 1250
RETURN
Gambar 4.2 Plot Log Return Kurs Thai Bath terhadap Rupiah Periode 1 Januari
2005 sampai 9 April 2010
4.3 Identifikasi Model AR Linear
Spesifikasi model STAR diawali dengan identifikasi proses AR linear.
Identifikasi awal dalam mencari model AR yang sesuai untuk data log return yang
stasioner dapat dilihat dari nilai ACF dan PACF. Pada Gambar 4.3 tampak bahwa
nilai ACF meluruh menuju nol dan nilai PACF terpotong menuju nol setelah lag-2
sehingga dapat dikatakan terjadi proses AR(2) dalam data.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
25
Gambar 4.3 Plot ACF dan PACF Log Return Kurs Thai Bath terhadap Rupiah
Periode 1 Januari 2005 sampai 9 April 2010
4.4 Estimasi dan Evaluasi Model AR Linear
Hasil uji pada identifikasi model awal menghasilkan proses AR(2) tanpa
konstanta merupakan model yang paling tepat untuk menggambarkan log return.
Hasil estimasi model AR(2) dapat dilihat pada Tabel 4.2.
Hasil estimasi parameter memperlihatkan nilai 1φ dan 2φ signifikan tidak
sama dengan nol karena memiliki p-value kurang dari 0,05. Selain itu, estimasi
parameter φ telah memiliki kondisi stasioner karena nilai φ kurang dari satu.
Model AR(2) yang diperoleh adalah
tttt XXX ε+= −− 21 0,286011--0,495213 ,
dengan tX adalah data log return saat periode ke-t dan tε adalah residu yang
dihasilkan oleh model. Output model AR(2) selengkapnya dapat dilihat pada
Lampiran 3.
(4.1)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
26
Tabel 4.2 Hasil Estimasi Model AR(2) Tanpa Konstanta pada Data Log Return
Parameter Koefisien Standar deviasi t-Statistik Probabilitas
1φ -0,495213 0,026770 -18,49885 0,0000
2φ -0,286011 0,026745 -10,69392 0,0000
Standar Deviasi 0,013659
AIC -5,747221
Model AR(2) yang telah diperoleh akan diperiksa lebih lanjut. Model ini
diperiksa apakah terdapat autokorelasi di dalam residu yang dihasilkan. Uji
autokorelasi residu dilakukan dengan menggunakan uji statistik Breusch-Godfrey.
Uji ini menggunakan hipotesis nol yang menyatakan bahwa tidak terdapat
autokorelasi di dalam residu model AR(2). Statistik Breusch-Godfrey sampai lag-
5 menghasilkan p-value = 0,999001. Hal ini dapat dilihat pada Tabel 4.3.
Tabel 4.3 Hasil Uji Breusch-Godfrey sampai Lag-5 Residu Model AR(2)
Koefisien Probabilitas
Uji Breusch-Godfrey 0,999001
AR(1) 0,264090 0,7225
AR(2) 0,063912 0,8347
Residu pada lag-1 -0,267255 0,7194
Residu pada lag-2 0,060191 0,9063
Residu pada lag-3 0,030402 0,8423
Residu pada lag-4 -0,047929 0,7029
Residu pada lag-5 0,005482 0,9460
Apabila diberikan tingkat signifikansi 05,0=α , maka hipotesis nol akan
ditolak jika p-value uji Breusch-Godfrey lebih kecil dari 05,0=α . Karena p-value
uji Breusch-Godfrey = 0,999001 lebih besar dari 05,0=α maka dapat
disimpulkan bahwa tidak terdapat autokorelasi di dalam residu model AR(2).
Berdasarkan Tabel 4.3 dapat dilihat bahwa residu model AR(2) tidak terdapat
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
27
autokorelasi sampai lag ke-5 sekalipun. Output uji Breusch-Godfrey residu AR(2)
selengkapnya dapat dilihat pada Lampiran 5.
4.5 Uji Nonlinearitas
Orde model STAR diperoleh berdasarkan orde model AR linear.
Diperoleh orde AR linear p=2 sehingga kandidat variabel transisi dalam model
STAR adalah 1−tX dan 2−tX . Uji nonlinearitas dilakukan terhadap kedua kandidat
variabel transisi dengan menggunakan uji Lagrange Multiplier ( 3LM ). Apabila
diberikan hipotesis nol yang menyatakan bahwa parameter AR kedua rezim pada
model STAR adalah sama (model linear) dan diberikan tingkat signifikansi
05,0=α , maka hipotesis nol tersebut akan ditolak jika nilai statistik uji 3LM
lebih besar dari nilai 23 pχ pada tabel distribusi Chi-Squared, yaitu sebesar 12,59.
Tabel distribusi Chi-Squared dapat dilihat pada lampiran 6.
Tabel 4.4 Uji Nonlinearitas pada Data Log Return
Variabel
Transisi
( dtX − )
Jumlah Kuadrat
Residu AR(2)
( 0SSR )
Jumlah Kuadrat
Residu Regresi Bantu
( 1SSR )
Statistik
Uji
3LM
1−tX 0,238821
0,204966 182,0184
2−tX 0,225639 70,8719
Hasil uji nonlinearitas pada Tabel 4.4 menunjukkan bahwa kedua pilihan
variabel transisi memberikan model yang nonlinear karena nilai statistik uji 3LM
lebih besar dari 12,59. Variabel transisi terpilih yang akan digunakan dalam model
STAR adalah 1−tX karena memiliki nilai 3LM lebih besar. Output hasil uji
nonlinearitas selengkapnya dapat dilihat pada lampiran 7.
4.6 Identifikasi Model STAR
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
28
Setelah terbukti nonlinear dan variabel transisi yang tepat telah dipilih maka
dilakukan pemilihan bentuk dari fungsi transisi ( )dtXcG −,,γ . Pemilihan fungsi
transisi ( )dtXcG −,,γ dilakukan dengan menguji urutan hipotesis nol berikut
( )( )( )
0,3 3
0,2 2 3
0,1 1 3 2
i : 0 ,
ii : 0 0,
iii : 0 0,
H
H
H
=
= =
= = =
β
β β
β β β
yaitu
(i) jika 3 0 ≠β maka model adalah LSTAR,
(ii) jika 3 0,=β tetapi 2 0 ≠β maka model adalah ESTAR,
(iii) jika 3 0=β dan 2 0,=β tetapi 1 0 ≠β maka model adalah LSTAR dan jika
1 0,=β maka model adalah ESTAR.
Berdasarkan Tabel 4.5, parameter 1,3β dan 2,3β signifikan tidak sama
dengan nol karena memiliki p-value kurang dari 0,05, artinya hipotesis nol
0,3 3 : 0 H =β dalam prosedur penentuan tipe fungsi transisi ditolak. Oleh karena
itu, model yang harus dipilih adalah model LSTAR(2,1).
Tabel 4.5 Model Regresi Bantu dengan Variabel Transisi 1−tX pada Uji
Nonlinearitas pada Data Log Return
Parameter Koefisien Standar Deviasi t-Statistik Probabilitas
1,1β -7,712112 0,935572 -8,243204 0,0000
2,1β -3,231941 1,349183 -2,395480 0,0167
1,2β -58,46676 6,172829 -9,471632 0,0000
2,2β -56,22146 6,918879 -8,125805 0,0000
1,3β 689,3938 77,35728 8,911881 0,0000
2,3β 410,0942 117,6363 3,486120 0,0005
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
29
4.7 Estimasi dan Evaluasi Model LSTAR(2,1)
Hasil estimasi model LSTAR(2,1) pada Tabel 4.6 memperlihatkan nilai
estimasi dari parameter 0,1φ , 1,1φ , 2,1φ , 0,2φ , dan 1,2φ signifikan tidak sama dengan
nol karena mimiliki p-value kurang dari 0,05.
Tabel 4.6 Hasil Estimasi Model LSTAR(2,1)
Parameter Koefisien Standar Deviasi t-Statistik Probabilitas
0,1φ -0,037859 0,010302 -3,674863 0,0002
1,1φ -1,032200 0,154190 -6,694360 0,0000
2,1φ -0,507625 0,063378 -8,009492 0,0000
0,2φ 0,020159 0,005236 3,849893 0,0001
1,2φ -0,985679 0,074961 -13,14924 0,0000
γ 82,86620 17,01573 4,869977 0,0000
c -0,008792 0,003171 -2,772503 0,0056
Standar Deviasi 0,0128
AIC -5,865251
Model LSTAR(2,1) yang diperoleh adalah
( ) ( )( )
( ) ( )( ) tt
t
tttt
XX
XXXX
ε+⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
+
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
−=
−−
−−−
0,00879282,86620exp11 0,985679-0,020159
0,00879282,86620exp111 0.,07625-1,032200-0,037859-
11
121
dengan tX adalah data log return saat periode ke-t dan tε adalah residu yang
dihasilkan oleh model. Output model LSTAR(2,1) selengkapnya dapat dilihat
pada Lampiran 8.
Model LSTAR(2,1) yang telah diperoleh ini akan diperiksa lebih lanjut.
Model ini diperiksa tingkat kesesuaiannya di dalam memodelkan data runtun
waktu log return kurs thai bath terhadap rupiah.
Uji autokorelasi residu dilakukan dengan menggunakan uji statistik
Breusch-Godfrey. Berdasarkan Tabel 4.7, p-value uji Breusch-Godfrey=0,000000
lebih kecil dari 05,0=α maka dapat disimpulkan bahwa masih terdapat
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
30
autokorelasi di dalam residu model LSTAR(2,1). Hal ini menunjukkan bahwa
model LSTAR(2,1) belum sesuai digunakan untuk memodelkan data log return
kurs thai bath terhadap rupiah sehingga perlu dilakukan identifikasi kembali untuk
menentukan model STAR yang lebih tepat. Output uji Breusch-Godfrey residu
LSTAR(2,1) selengkapnya dapat dilihat pada Lampiran 10.
Tabel 4.7 Hasil Uji Breusch-Godfrey sampai Lag-5 Residu LSTAR (2,1)
Koefisien Probabilitas
Uji Breusch-Godfrey 0,000000
0,1φ 0,005379 0,6017
1,1φ 0,550073 0,0015
2,1φ 0,208833 0,0127
0,2φ -0,004304 0,4267
1,2φ 0,576510 0,0000
γ 18.80214 0,2700
c 0,001056 0,7572
Residu pada lag-1 -0,566961 0,0000
Residu pada lag-2 0,130437 0,0151
Residu pada lag-3 0,108098 0,0019
Residu pada lag-4 -0,027394 0,3430
Residu pada lag-5 0,031646 0,2636
Identifikasi dilakukan kembali dengan mengganti pilihan variabel transisi
2−tX dan menentuan kembali tipe fungsi transisi yang tepat.
Pada Tabel 4.8, parameter 2,3β signifikan tidak sama dengan nol karena
memiliki p-value kurang dari 0,05, artinya hipotesis nol 0,3 3: 0 H =β dalam
prosedur penentuan tipe fungsi transisi ditolak. Oleh karena itu, model yang harus
dipilih adalah model LSTAR(2,2).
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
31
Tabel 4.8 Model Regresi Bantu dengan Variabel Transisi 2−tX
pada Uji Nonlinearitas pada Data Log Return
Parameter Koefisien Standar Deviasi t-Statistik Probabilitas
1,1β 3,877463 1,492268 2,598369 0,0095
2,1β -2,336404 1,009192 -2,313123 0,0208
1,2β 19,79220 7,594445 2,606142 0,0093
2,2β -21,15918 6,105798 -3,465424 0,0005
1,3β -245,1739 135,9705 -1,803141 0,0716
2,3β 191,8080 87,51854 2,191627 0,0286
4.8 Estimasi dan Evaluasi Model LSTAR(2,2)
Berdasarkan hasil estimasi model LSTAR(2,2) pada Tabel 4.9, nilai
estimasi dari parameter 0,1φ , 1,1φ , 2,1φ , 0,2φ , 1,2φ , dan 2,2φ signifikan tidak sama
dengan nol karena mimiliki p-value kurang dari 0,05.
Tabel 4.9 Hasil Estimasi Model LSTAR(2,2)
Parameter Koefisien Standar Deviasi t-Statistik Probabilitas
0,1φ -0,048256 0,013860 -3,481720 0,0005
1,1φ -0,578928 0,090679 -6,384383 0,0000
2,1φ -0,860747 0,168046 -5,122095 0,0000
0,2φ 0,013315 0,005206 2,557731 0,0107
1,2φ -0,584055 0,036515 -15,99503 0,0000
2,2φ -0,673833 0,085245 -7,904642 0,0000
γ 80,09008 20,41493 3,923113 0,0001
c -0,017486 0,004514 -3,873322 0,0001
Standar Deviasi 0,013203
AIC -5,810466
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
32
Model LSTAR(2,2) yang diperoleh adalah
( ) ( )( )
( ) ( )( ) tt
tt
tttt
XXX
XXXX
ε+⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
+
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
−=
−−−
−−−
0,01748680,09008exp11 0,673833-0,584055-0,013315
0,01748680,09008exp111 0,860747-0,578928-0,048256-
221
221
dengan tX adalah data log return saat periode ke-t dan tε adalah residu yang
dihasilkan oleh model. Output model LSTAR(2,2) selengkapnya dapat dilihat
pada Lampiran 8.
Plot data log return, hasil estimasi, dan residu model LSTAR(2,2) tersaji
pada Gambar 4.4.
Gambar 4.4 Plot Log Return, Hasil Estimasi, dan Residu Model LSTAR (2,2)
4.8.1 Uji Autokorelasi Residu
Statistik uji Breusch-Godfrey sampai lag-5 menghasilkan p-value =
0,982539. Hal ini dapat dilihat pada Tabel 4.10. Output uji Breusch-Godfrey
residu LSTAR(2,2) selengkapnya dapat dilihat pada Lampiran 10.
Apabila diberikan tingkat signifikansi 05,0=α , maka hipotesis nol akan
ditolak jika p-value uji Breusch-Godfrey lebih kecil dari 05,0=α . Karena p-value
uji Breusch-Godfrey = 0,982539 lebih besar dari 05,0=α maka dapat
disimpulkan bahwa tidak terdapat autokorelasi di dalam residu model
LSTAR(2,2). Pada Tabel 4.10 dapat dilihat bahwa residu model LSTAR (2,2)
tidak terdapat autokorelasi sampai lag ke-5 sekalipun.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
33
Tabel 4.10 Hasil Uji Breusch-Godfrey sampai Lag-5 Residu LSTAR(2,2)
Koefisien Probabilitas
Uji Breusch-Godfrey 0,982539
0,1φ -0,000341 0,9805
1,1φ 0,005541 0,9646
2,1φ 0,039056 0,8346
0,2φ -4,27E-05 0,9935
1,2φ 0,001404 0,9907
2,2φ 0,039383 0,7646
γ -0,091865 0,9965
c -0,000154 0,9730
Residu pada lag-1 -0,002210 0,9848
Residu pada lag-2 -0,041795 0,6579
Residu pada lag-3 0,028252 0,6209
Residu pada lag-4 0,010297 0,7479
Residu pada lag-5 0,009848 0,7558
4.8.2 Uji Efek Heteroskedastisitas
Efek heteroskedastisitas diuji menggunakan uji Lagrange Multiplier. Uji
ini dilakukan untuk melihat apakah masih terdapat efek heteroskedastisitas.
Apabila diberikan hipotesis nol yang menyatakan bahwa tidak terdapat efek
heteroskedastisitas (ARCH) dan diberikan tingkat signifikansi 05,0=α , maka
hipotesis nol tersebut akan ditolak jika nilai p-value < 05,0=α . Berdasarkan
Tabel 4.11 nilai p-value = 0,000001 maka hipotesis nol ditolak. Jadi masih
terdapat efek ARCH di dalam residu model LSTAR(2,2). Output uji Lagrange
Multiplier selengkapnya dapat dilihat pada Lampiran 10.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
34
Tabel 4.11 Uji Lagrange Multiplier sampai lag-1 untuk Residu Model
LSTAR(2,2)
Koefisien Probabilitas
Uji Lagrange Multiplier 0,000001
0α 0,000150 0,000000
1α 0,136220 0,000000
4.8.3 Distribusi Residu
Ringkasan statistik beserta histogram dari residu model LSTAR(2,2) dapat
dilihat pada Gambar 4.5.
0
100
200
300
400
500
600
700
-0.10 -0.05 0.00 0.05 0.10 0.15
Series: ResidualsSample 3 1284Observations 1282
Mean 6.96E-11Median -0.000738Maximum 0.149477Minimum -0.103583Std. Dev. 0.013167Skewness 2.914779Kurtosis 35.14174
Gambar 4.5 Histogram dan Ringkasan Statistik Residu Model LSTAR(2,2)
Nilai kurtosis residu sebesar 35,14174 signifikan lebih besar dari 3 yang
berarti residu memiliki distribusi dengan ekor yang lebih pendek dari distribusi
normal yang menyebabkan distribusinya berbentuk leptokurtik. Nilai skewness
sebesar 2,914779 bernilai positif menunjukkan bahwa distribusinya memililki
ekor bagian kanan yang lebih panjang. Hal ini berarti bahwa residu model
LSTAR(2,2) tidak berdistribusi normal.
Menurut Wei (1990), asumsi dasar dalam runtun waktu adalah residu
merupakan white noise. Hal ini dapat dilihat dari signifikansi nilai autokorelasi
residu melalui uji autokorelasi residu. Berdasarkan uji autokorelasi residu pada
poin 4.12.1 di atas, diperoleh bahwa tidak terdapat autokorelasi pada residu model
LSTAR(2,2) sehingga dapat dikatakan bahwa residu adalah white noise. Oleh
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
35
karena itu, dapat dikatakan bahwa model LSTAR(2,2) cukup layak dalam
memodelkan data log return kurs thai bath terhadap rupiah.
Jika dibandingkan dengan model linear AR(2), model LSTAR(2,2)
menghasilkan nilai standar deviasi, dan AIC yang lebih baik. Standar deviasi
residu model LSTAR(2,2) lebih kecil 3,38 % dibandingkan residu model AR(2).
Nilai AIC yang lebih kecil juga menunjukkan bahwa model LSTAR(2,2) berhasil
memodelkan kenonlinearan runtun waktu kurs thai bath terhadap rupiah meskipun
terjadi penambahan jumlah parameter yang diestimasi. Oleh karena itu, secara
umum dapat dikatakan bahwa model nonlinear LSTAR(2,2) berhasil memodelkan
data kurs thai bath terhadap rupiah .
4.9 Peramalan dan Evaluasi
Ramalan log return dari waktu t menggunakan model LSTAR(2,2)
dihitung berdasarkan persamaan
( ) ( ) ( )( )
( ) ( )( ) .0,01748680,09008exp1
1 0,673833-0,584055-0,013315
0,01748680,09008exp111 0,860747-0,578928-0,048256-;,
21
211
⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
+
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
−=
−−
−−−
ttt
ttttt
XXX
XXXXXF θ
Ramalan nilai log return untuk satu periode ke depan adalah
[ ] ( )θ;,ˆ111 −++ =Ω= tttttt XXFXEX
sehingga nilai ramalan log return untuk satu periode ke depan periode 1285,
berdasarkan data log return sebanyak t = 1284 adalah
( )
( ) ( )( )
( ) ( )( ) .0,01748680,09008exp1
1 0,673833-0,584055-0,013315
0,01748680,09008exp111 0,860747-0,578928-0,048256-
;,ˆ
21
21
11
⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
+
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
−=
=
−−
−−
−+
ttt
ttt
tttt
XXX
XXX
XXFX θ
(4.1)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
36
( ) ( )( )
( ) ( )( )⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
+
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
−=
0,01748680,09008exp11 0,673833-0,584055-0,013315
0,01748680,09008exp111 0,860747-0,578928-0,048256-ˆ
128312831284
12831283128412841285
XXX
XXXX
( ) ( )( )
( )( )( ) ( )( )
( )( )0,000798.
0,0174860,00223480,09008exp11
0,0022340,673833-0,0007180,584055-0,013315
0,0174860,00223480,09008exp111
0,0022340,860747-0,0007180,578928-0,048256-ˆ12841285
=
⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
+
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
−
=X
Log return dirumuskan sebagai
1lnln −−= ttt PPX ,
dengan tP adalah data kurs pada periode t dan 1−tP data kurs pada periode t -1.
Log return bukan merupakan data yang sebenarnya sehingga harus dikembalikan
ke dalam bentuk semula yaitu data kurs pada periode t ( tP ). Berdasarkan
persamaan (4.2) akan diperoleh persamaan untuk data kurs pada periode t ( tP )
sebagai tX
tt ePP 1−= .
Nilai ramalan kurs dapat dicari menggunakan persamaan (4.3). Hasil
ramalan kurs thai bath terhadap rupiah untuk satu periode ke depan, yaitu tanggal
12 April 2010 adalah
( )264,80.264,59 0.000798
1
==
= −
e
ePP tXtt
Hasil ramalan kurs thai bath terhadap rupiah untuk periode 12 April 2010
memberikan informasi bahwa kurs akan mengalami perubahan yang tidak cukup
besar, jika dibandingkan dengan data kurs thai bath asli sebesar 263,41
menghasilkan peramalan yang hampir mirip. Nilai ramalan satu periode ke depan
untuk out-of-sample selengkapnya, yaitu periode 12 April 2010 sampai 9 Juli
2010 dapat dilihat pada lampiran 12.
(4.2)
(4.3)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
37
Untuk mengevaluasi kualitas dari hasil peramalan model runtun waktu
yang diperoleh dilakukan evaluasi peramalan menggunakan MSE dan MAPE.
Berdasarkan Tabel 4.12, nilai MAPE hasil ramalan model LSTAR(2,2)
menunjukkan angka yang cukup kecil yaitu 0,41664 %. Akan tetapi, nilai MAPE
menunjukkan angka yang cukup besar yaitu 2,88875. Nilai MSE dan MAPE hasil
ramalan model LSTAR(2,2) ini pun tidak lebih kecil jika dibandingkan dengan
model AR(2). Ketidaksesuaian ini dimungkinkan karena efek heteroskedastisitas
yang masih terdapat dalam model.
Tabel 4.12 Evaluasi Peramalan Model LSTAR (2,2) dan AR (2)
Ukuran LSTAR (2,2) AR (2)
MSE 2,88875 2,44115
MAPE 0,41664 % 0,35971 %
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
38
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan pembahasan diperoleh kesimpulan sebagai berikut
1. Model STAR yang paling sesuai untuk memodelkan data kurs thai bath
terhadap rupiah yang terlebih dahulu diubah ke bentuk log return adalah
model LSTAR (2,2) yaitu
( ) ( )( )
( ) ( )( ) tt
tt
tttt
XXX
XXXX
ε+⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
+
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛+−+
−=
−−−
−−−
0,01748680,09008exp11 0,673833-0,584055-0,013315
0,01748680,09008exp111 0,860747-0,578928-0,048256-
221
221
dengan tX adalah log return pada periode ke-t dan tε adalah residu yang
dihasilkan oleh model.
2. Evaluasi peramalan model LSTAR(2,2) berdasarkan mean percentage error
(MAPE) menunjukkan nilai yang cukup kecil yaitu 0,41664 %, akan tetapi
mean squared error (MSE) menunjukkan nilai yang cukup besar yaitu
2,88875. Hal ini mungkin disebabkan karena efek heteroskedastisitas yang
masih terdapat dalam residu model LSTAR (2,2).
5.2 Saran
Dari hasil penelitian yang dilakukan, masih terdapat efek heteroskedastis
pada residu model yang dihasilkan. Kajian lebih lanjut dapat dikembangkan untuk
pemodelan heteroskedastis model runtun waktu nonlinear yaitu model Smooth
Transition Autoregressive Conditional Heteroscedastic (STARCH). Selain itu,
ramalan dalam skripsi ini dibatasi hanya untuk satu periode ke depan. Oleh karena
itu bagi para pembaca dapat melanjutkan untuk ramalan lebih dari satu periode ke
depan (multi-step forecast) menggunakan metode Monte Carlo atau Bootstrap.