Investments. Eight Edition. Singapore ID :

Rabemananjara R Zakoian JM. 1993. Threshold ARCH Models and Asymmetries in Volatility. Journal of Applied Econometrics, vol 8, 31-49 Rosadi D. 2011. Ekonometrika dan Analisis Runtun Waktu Terapan dengan EViews. Yogyakarta ID: Andi Yogyakarta. Samsul M. 2006. Pasar Modal Dan Manajemen Portofolio. Jakarta ID: Erlangga. Siamat. 1995. Manajemen Lembaga Keuangan. Jakarta ID: Intermedia. Simanjuntak AS. 2009. Penanganan Masalah Heteroskedastisitas Dengan Model ARCH-GARCH dan Model Black-Scholes [tesis]. Bogor ID: Institut Pertanian Bogor. Su C. 2010. Application of EGARCH Model to Estimate Financial Volatility of Daily Returns: The empirical case of China [tesis]. Sweden ID: University of Gothenburg Sumaryanto. 2009. Analitis Volatilitas Harga Eceran Beberapa Komoditas Pangan Utama Dengan Model ARCHGARCH. Jurnal Agro Ekonomi, Volume 27: No.2 Utomo W.1999. Analisis Pengaruh Beta Dan Varian Return Saham Terhadap Return Saham [Tesis]. Semarang ID: Unversitas Diponegoro Wu J. 2010. Threshold GARCH Model: Theory and Application [tesis]. USA ID: The University of Western Ontario www.idx.com2014 www.yahoofinance.com2014 Zakoian JM. 1994. Threshold Heteroskedastic Models. Journal of Economic Dynamics and Control, 185:931–955. DAFTAR ISTILAH ARMA p,q Suatu model yang terdiri atas gabungan proses regresi diri ordo p dan rataan bergerak ordo q ARIMA Kependekan dari Autoregresif AR, Integrated I, dan Moving Average MA. Suatu deret waktu {Yt} disebut mengikuti model ARIMA jika deret beda ke-d, Wt= Δ d Y t adalah proses ARMA yang stasioner ARCHGARCH Auto Regressive Conditional HeteroscedasticityGeneral Auto Regressive Conditional Heteroscedasticity Suatu model yang menganggap variance yang tidak konstan heteroskedastisitas bukan sebagai suatu masalah tetapi justru dapat digunakan untuk modeling dan peramalan forcasting ARCH Suatu error process yang dapat digunakan untuk memodelkan periode volatilitas dalam kerangka univariate dan juga conditional short run variance “volatilitas” dari series yang merupakan fungsi dari nilai masa lalu galat kuadrat. Artinya, efek dari suatu shock baru ε t , tergantung pada ukuran dari shock masa lalunya—shock yang besar pada periode t akan meningkatkan pengaruh terhadap y shock pada periode t+1, t+2 dst. Autoregressive AR y Suatu model yang menggambarkan suatu peubah terikat dipengaruhi oleh peubah terikat itu sendiri pada periode-periodewaktu-waktu sebelumnya. Autoregressive AR p Regresi antara Y pada periode t dengan Y pada periode-periode t-1, t-2, t-3......t-p Beta Risiko pasar atau risiko yang disebabkan oleh pergerakan pasar agregat, dimana saham bergerak tergantung dari pergerakan pasar GARCH Model yang merupakan pengembangan terhadap model ARCH yang memungkinkan conditional variance menjadi ARMA proses Heteroskedasticity Suatu kondisi apabila kesalahan tidak memiliki sebuah ragam konstan terhadap selang nilai Faktor Acak Irregular, tidak teratur Suatu kondisi dalam time series, dimana terjadi gerakan yang berbeda tetapi dalam waktu yang singkat, dengan pola yang tidak diketahui dan tidak dapat diperkirakan Koefisien Autokorelasi Angka yang menunjukkan tingkat asosiasikeeratan hubungan antara nilai-nilai dari peubah yang sama dengan periode waktu time lags yang berbeda Moving Average MA Model Suatu model yang meramalkan nilai Yt berdasarkan kombinasi linier nilai galat masa lalu dalam jumlah terbatas Risiko Sistematik Risiko yang tidak dapat didiversifikasi dihindarkan, disebut juga dengan risiko pasar Proses Stokastik Sekuens peubah random {Y1, Y2, ......., Yt}, missal Yt adalah pengamatan pada waktu t dan Yt adalah peubah random peubah acak Stasioner Suatu kondisi data time series jika rata-rata, variance, dan covariance dari peubah-peubah tersebut seluruhnya tidak dipengaruhi oleh waktu Tren Kecenderungan jangka panjang peubah time series yang secara grafis digambarkan sebagai gariskurva yang halus yang menunjukkan kecenderungan umum naik atau turun. Unit root test Tes formal untuk menguji kestasioneran data White noise Apabila tidak ada suatu pola apa pun dalam data deret waktu LAMPIRAN Lampiran 1 Hasil penelitian terdahulu yang relevan Tahun Peneliti Judul Metode Hasil 2013 Efri Junaidi Analisis Volatilitas Harga Minyak Sawit dan Harga Minyak Goreng ARCH- GARCH Volatilitas harga minyak sawit dipengaruhi oleh volatilitas pada dua periode sebelumnya, sedangkan volatilitas harga minyak goreng dipengaruhi oleh volatilitas dan varian pada satu periode sebelumnya. Volatilitas harga minyak sawit lebih tinggi dibandingkan volatilitas harga minyak goreng. 2012 Khoiru Liummah Ayu Nastiti, Agus Suharsono Analisis Analisis Volatilitas SahamPerusahaanG o PublicdenganMetod e ARCH-GARCH Analisis ARCH- GARCH variabel beta saham dan varian Hasilnya return saham ANTM, BBCA dan SMGRmemiliki sifat heteroskedasticity sedangkansaham ASII dan UNTR telahbersifat homoskedasticity. Model volatilitas yang diperoleh yaitu sahamANTM memiliki model GARCH 1,1 dan saham SMGR memiliki modelARCH 1. Berdasarkan plot conditional variance volatilitas didapatkan bahwa saham SMGR memiliki potensi risiko lebih tinggi dari padasaham ANTM. 2010 Chang Su Application of EGARCH Model to Estimate FinancialVolatility of Daily Returns:The empirical case of China EGARCH Model EGARCH cocok dengan data sampel yang lebih baik daripada model GARCH dalam pemodelan volatilitas return saham Cina. Hasil penelitian juga menunjukkan bahwa volatilitas jangka panjang lebih stabil selama periode krisis. Berita buruk menghasilkan efek yang lebih kuat dari kabar baik bagi pasar saham Cina selama krisis 2010 Jing Wu Threshold GARCH Model: Theory and Application Threshold GARCH Estimator maximum likelihood adalah baik dan konsisten untuk ukuran sampel sederhana ketika kondisi stasioneritas terpenuhi. Dengan menggunakan indeks volatilitas sebagai variabel threshold, padadata 20 saham dari Major Market Index MMI,ditemukan bahwa model threshold dengan pemicu eksogen Chicago Board Options Exchange CBOE Volatility Index VIXdapat dimodelkan dengan baik. Lanjutan Lampiran 1 Tahun Peneliti Judul Metode Hasil 2009 Moses Alfian Simanjuntak Penanganan Masalah Heterskedastisitas dengan Model ARCH-GARCH dan Model Black-Sholes ARCH- GARCH dan Black-Scholes Dari data 5 perusahaan, didapat bahwa adannya kecenderungan menghasilkan kondisi heteroskedasitas,sehingga model deret waktu membutuhkan persamaan ARCH-GARCH Model deret waktu lebih baik dibandingkan model Black-Scholes karena memiliki rataan MSE dan simpangan baku MSE yang lebih kecil. Model Black-Scholes lebih baik dibandingkan model deret waktu dalam hal penyebaran data MSE yang kekar robust 2009 Sumaryanto Analisis Volatility Harga Eceran Beberapa Komoditas Pangan Utama Dengan Metode ArcgGarch ARCH- GARCH Ragam Harga Eceran Terdeflasi untuk komoditas gula pasir, cabai merah, beras, terigu dan bawang merah bersifat heteroskedasitas sehingga model peramalan yang lebih sesuai adalah ARCHGARCH. 2006 Anton Analisis ModelVolatilitas Return Saham Studi Kasus pada Saham LQ 45 di Bursa Efek Jakarta ARCH- GARCH- EGARCH Hasil penelitian menunjukkanbahwa return saham di Indonesia memilikipermasalahan time varying volatility, tetapi tidakterjadi leverage effect pada volatilitasreturn saham, serta return saham tidak dipengaruhioleh volume perdagangan.Ternyata pasar modal Indonesiatermasuk pasar bentuk lemah Lampiran 2 Data return saham harian yang bersifat white noise random 1. Return Saham Harian BMRI 2. Return Saham Harian BBNI Lanjutan Lampiran 2 3. Return Saham Harian BBKP 4. Return Saham Harian BNII Lanjutan Lampiran 2 5. Return Saham Harian BNLI Lampiran 3 Uji stasioner return mingguan dengan unit root dengan ADFPP 1. BMRI Null Hypothesis: RETURN_BMRI has a unit root Exogenous: Constant Lag Length: 25 Automatic - based on SIC, maxlag=25 t-Statistic Prob. Augmented Dickey-Fuller test statistic -7.797714 0.0000 Test critical values: 1 level -3.433299 5 level -2.862729 10 level -2.567449 MacKinnon 1996 one-sided p-values. Null Hypothesis: RETURN_BMRI has a unit root Exogenous: Constant Bandwidth: 80 Newey-West automatic using Bartlett kernel Adj. t-Stat Prob. Phillips-Perron test statistic -10.76431 0.0000 Test critical values: 1 level -3.433262 5 level -2.862712 10 level -2.567440 MacKinnon 1996 one-sided p-values.

2. BBNI

Null Hypothesis: RETURN_BBNI has a unit root Exogenous: None Bandwidth: 61 Newey-West automatic using Bartlett kernel Adj. t-Stat Prob. Phillips-Perron test statistic -14.55046 0.0000 Test critical values: 1 level -2.566062 5 level -1.940974 10 level -1.616598 MacKinnon 1996 one-sided p-values. Null Hypothesis: RETURN_BBNI has a unit root Exogenous: None Lag Length: 25 Automatic - based on SIC, maxlag=25 t-Statistic Prob. Augmented Dickey-Fuller test statistic -6.452857 0.0000 Test critical values: 1 level -2.566075 5 level -1.940976 10 level -1.616597 MacKinnon 1996 one-sided p-values. Lanjutan Lampiran 3 3. BBKP Null Hypothesis: RETURN_BUKOPIN has a unit root Exogenous: None Lag Length: 25 Automatic - based on SIC, maxlag=25 t-Statistic Prob. Augmented Dickey-Fuller test statistic -7.663629 0.0000 Test critical values: 1 level -2.566062 5 level -1.940974 10 level -1.616598 MacKinnon 1996 one-sided p-values. Null Hypothesis: RETURN_BUKOPIN has a unit root Exogenous: None Bandwidth: 54 Newey-West automatic using Bartlett kernel Adj. t-Stat Prob. Phillips-Perron test statistic -15.06611 0.0000 Test critical values: 1 level -2.566049 5 level -1.940973 10 level -1.616599 MacKinnon 1996 one-sided p-values.

4. BNII

Null Hypothesis: RETURN_BNII has a unit root Exogenous: None Bandwidth: 102 Newey-West automatic using Bartlett kernel Adj. t-Stat Prob. Phillips-Perron test statistic -14.57598 0.0000 Test critical values: 1 level -2.566062 5 level -1.940974 10 level -1.616598 MacKinnon 1996 one-sided p-values. Null Hypothesis: RETURN_BNII has a unit root Exogenous: None Lag Length: 20 Automatic - based on SIC, maxlag=25 t-Statistic Prob. Augmented Dickey-Fuller test statistic -7.718940 0.0000 Test critical values: 1 level -2.566073 5 level -1.940976 10 level -1.616597 MacKinnon 1996 one-sided p-values.