PEMODELAN DATA DERET WAKTU DENGAN VARIANS TIDAK KONSTAN MENGGUNAKAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICITY (GARCH)

AMBAR MANGESTI, . (2015) PEMODELAN DATA DERET WAKTU DENGAN VARIANS TIDAK KONSTAN MENGGUNAKAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICITY (GARCH). Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

Text Skripsi_Ambar Mangesti_3125111212_FMIPA.pdf Restricted to Registered users only Download (4MB)

Abstract

Skripsi ini membahas tentang pemodelan data deret waktu yang mem- punyai varians residual tidak konstan (heterokedastisitas). Kondisi heterokedastisi- tas ini disebabkan adanya volatilitas yang tinggi pada data deret waktu. Varians residual yang tidak konstan dapat dimodelkan dengan Generalized Autoregressive Conditional Heterocedasticity (GARCH), yang merupakan pengembangan dari model Autoregressive Conditional Heterocedasticity(ARCH). Pada model ARCH, varians residual hanya bergantung pada kuadrat residual masa lalu, sedangkan pada model GARCH, varians residual tidak hanya bergantung pada kuadrat re- sidual masa lalu tetapi juga bergantung pada varians residual masa lalu. Dalam penulisan skripsi ini dijelaskan tentang pemodelan data deret waktu dengan vari- ans residual tidak konstan, dimana kondisi tidak konstan tersebut diatasi dengan memodelkan residual menggunakan GARCH. Selain pendugaan parameter dari model GARCH, pada skripsi ini juga dibahas aplikasi GARCH pada pemode- lan data penutupan harga saham harian PT. Unilever Indonesia, Tbk periode 6 Mei 2010 - 16 Januari 2015. Hasil analisis menunjukkan bahwa model AR- MA (1,1) dengan model residual GARCH (1,1) merupakan model dugaan terbaik untuk memodelkan penutupan harga saham pada PT. Unilever Indonesia, Tbk. This thesis study about modeling of time series data which has a non- constant residual variance (heterocedasticity). The Heterocedasticity is caused by the high volatility in time series data. A non-constant residual variance can be modeled by Generalized Autoregressive Conditional Heterocedasticity (GARCH), which is a generalization of Autoregressive Conditional Heterocedasticity (ARCH) model. Residual variance in the ARCH model depends only on the squared of past residual. On the other hand, residual variance in the GARCH model not only depends on the squared of past residual but also past residual variance. This the- sis discuss about modeling time series data with non-constant variance, where the non-constant condition resolved by modeling the residual using GARCH. Beside estimating parameter of GARCH model, in this thesis is also discussed the appli- cation of GARCH on modeling of daily closing stock price PT. Unilever Indonesia, Tbk period of May 6,2010 - January 16,2015. The result of analysis showed that ARMA(1,1) model with residual model GARCH(1,1) is the best estimation model to modeling daily closing stock price on PT. Unilever Indonesia, Tbk.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Prof. Dr. Suyono, M.Si. ; 2). Dian Handayani, M. Si.
Subjects:	Sains > Matematika
Divisions:	FMIPA > S1 Matematika
Depositing User:	Users 8922 not found.
Date Deposited:	18 Apr 2022 01:45
Last Modified:	19 Apr 2022 03:27
URI:	http://repository.unj.ac.id/id/eprint/26750

Actions (login required)

View Item