0.230800, atau lebih besar dari nol. Hal ini menunjukkan bahwa data tersebut memiliki distribusi yang miring ke kanan atau dengan kata lain data lebih banyak
menumpuk pada nilai yang kecil. Koefisien keruncingan kurtosis data harga minyak bernilai 2.35477 nilai keruncingan kurang dari 3. Hal ini menunjukkan
bahwa distribusi return memiliki ekor yang lebih pendek dibandingkan dengan sebaran normal dan mengindikasikan tidak adanya heteroskedastisitas.
Gambar 4.2. Histogram Deskripsi Statistik Data Harga Minyak
4.1.2. Identifikasi Model Volatilitas
Hal yang perlu dilakukan dalam menentukan model GARCH terbaik adalah dengan melakukan sejumlah proses pengolahan data yaitu uji stasioneritas data
return , mengevaluasi model ARIMA terbaik, uji asumsi klasik uji normalitas, uji
autokorelasi, uji white, mengevaluasi model GARCH terbaik, mencari nilai varians, mencari difference log varians, dan mengestimasi hasil dengan metode
OLS.
1. Uji Stasioneritas
Data time series biasanya memiliki permasalahan terkait dengan stasioneritas. Oleh karena itu, melakukan uji stasioneritas data merupakan tahap
2 4
6 8
10 12
4.000 4.125
4.250 4.375
4.500 4.625
4.750 4.875
5.000
Series: LO Sample 2000M01 2011M12
Observations 144 Mean
4.406857 Median
4.418650 Maximum
4.983824 Minimum
4.000178 Std. Dev.
0.234885 Skewness
0.230800 Kurtosis
2.345477 Jarque-Bera
3.848843 Probability
0.145960
yang penting dalam menganalisis data time series untuk melihat ada atau tidaknya unit root
yang terkandung di antara variabel sehingga hubungan antara variabel dalam persamaan menjadi valid dan tidak menghasilkan sporious regression.
Uji stasioneritas dilakukan dengan menggunakan Augmented Dickey Fuller ADF test Lampiran 2. Berdasarkan uji tersebut, jika nilai statistik ADF dari
masing-masing variabel lebih kecil daripada nilai kritis MacKinnon maka dapat dikatakan bahwa data tersebut stasioner atau varians residualnya konstan.
Tabel 4.1. Hasil Pengujian Stasioneritas ADF Pada Data Level
Variabel Critical Value
t-statistik Probability
Keterangan
Lo 1 -3.476805
-2.49314 0.1193
Tidak Stasioner
5 -2.881830 10 -2.577668
Berdasarkan Tabel 4.1 menunjukkan bahwa variabel harga minyak yang digunakan dalam penelitian tidak stasioner pada tingkat level. Ketidakstasioneran
data dapat dilihat dari nilai t-ADF yang lebih besar dari nilai kritis MacKinnon pada taraf nyata lima persen. Selain itu, dapat dilihat juga dari nilai probabilitas
yang kurang dari taraf nyata 1, 5, ataupun 10. Oleh karena itu, pengujian akar-akar unit ini perlu dilanjutkan pada tingkat first difference. Setelah dilakukan
first difference , variabel sudah stasioner karena memiliki nilai t-ADF yang lebih
kecil dari nilai kritis MacKinnon pada taraf nyata 1, 5, ataupun 10. Tabel 4.2. Uji Stasioneritas Variabel Harga Minyak pada first difference
Variabel Critical Value
t-Stat Probability
Keterangan
lo 1 -3.476805
-8.42199 0.0000
Stasioner 5
-2.881830 10
-2.577668
2. Mengevaluasi Model ARIMA
Model ARIMA p,d,q terbentuk dari data yang sudah stasioner. Penentuan lag terbaik dari model ARIMA dibangun berdasarkan koefisien autokorelasi
ACF dan autokorelasi parsial PACF. Berdasarkan plot korelogram maka dapat ditentukan time lag untuk membangun model. Time lag yang digunakan pada
penelitian ini adalah lag 1 lampiran 2. Data harga minyak stasioner pada first difference
dan lag maksimum adalah 1, maka model tentatif dalam penelitian ini yaitu AR 1 dan MA1, serta ARIMA 1,1,1. Pemilihan model yang terbaik
berdasarkan goodness of fit. Tabel 4.3. Hasil Evaluasi Model ARIMA
Model Probabilitas adj.
R-sq AIC SC SSR
ARIMA 1,1,0 0.0001
0.102416 -2.62448
-2.58285 0.585846
ARIMA 0,1,1 0.0000
0.103964 -2.62969
-2.58826 0.587019
ARIMA 1,1,1 AR1
MA1 0.4630
0.4871 0.098853
-2.6136 -2.55115
0.58397
Berdasarkan evaluasi model Tabel 4.3, maka model ARIMA 0,1,1 merupakan model yang terbaik. Hal ini berdasarkan dari tingkat signifikansi yang
tinggi, nilai adj R-sq yang tertinggi dan kriteria nilai AIC, SC, dan SSR terkecil Lampiran 3.
3. Uji Asumsi
