MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH) PADA DATA RUNTUN WAKTU

MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH) PADA DATA RUNTUN WAKTU Oleh Siti Nurul Karimah 003114071 ABSTRAK Tujuan dalam penulisan skripsi ini adalah untuk menjelaskan model GARCH pada data runtun waktu, mengestimasi parameter model GARCH dan mengetahui contoh penerapan model GARCH pada suatu data. Engle (1982: 987) memperkenalkan suatu model dalam analisis runtun waktu yang memperlakukan variansi dari error sebagai proses Autoregressive (AR), kemudian dikenal sebagai model Autoregressive Conditional Heteroscedasticity (ARCH) dengan mengenalkan konsep Conditional Heteroscedasticity. Selanjutnya Bollerslev (1986: 244) mengembangkan model ARCH menjadi model Generalized Autoregressive Conditional Heteroscedasticity (GARCH), yang memungkinkan variansi dari error sebagai proses Autoregressive Moving Average (ARMA). Adapun bentuk umum model GARCH (p, q) adalah sebagai berikut Maximum Likelihood Estimation (MLE) adalah metode yang digunakan untuk mengestimasi parameter model GARCH. Untuk mempermudah perhitungan estimasi parameter model GARCH dilakukan dengan menggunakan bantuan komputer yaitu program Eviews 3.0. Langkah-langkah mengestimasi parameter model GARCH yaitu menggunakan distribusi error dari model regresi yang mengikuti proses GARCH, mencari nilai penaksir dari sehingga diperoleh persamaan Likelihood dan menyelesaikan persamaan Likelihood dengan menggunakan metode Scoring. Dalam penulisan ini konsep model GARCH diterapkan untuk menyelesaikan masalah peramalan dalam bidang keuangan yaitu mencari model GARCH pada data kurs beli Euro dalam rupiah transaksi dari 4 Mei 2005 sampai 28 Sepetember 2007, didapat adanya efek ARCH pada data dengan menggunakan uji Koleogram Kuadrat Residual dan uji Lagrange Multiplier dan selanjutnya membentuk variansi bersyarat dari error model GARCH, mengestimasi parameter model GARCH dan dilakukan pemeriksaan diagnostik terhadap kecocokkan model, langkah terakhir adalah melakukan peramalan model GARCH pada data kurs beli Euro dalam rupiah yang dapat menangani variansi dalam data tersebut dengan baik sehingga diperoleh besarnya nilai kurs beli Euro dalam rupiah untuk 5 periode kedepan