BAB 4
HASIL DAN PEMBAHASAN
4.1 Analisis Data dengan Menggunakan Model Neuro-GARCH
Analisis data dengan menggunakan model Neuro-GARCH dilakukan dengan membentuk model GARCH dan melakukan peramalan dengan model yang
dihasilkan. Setelah mendapatkan hasil dari peramalan dengan model GARCH, maka akan diterapkan model Backpropagation terhadap hasil tersebut.
4.1.1 Peramalan dengan Menggunakan Model GARCH
4.1.1.1 Identifikasi Kestasioneran Data
Langkah awal yang dilakukan terhadap data pada peramalan menggunakan model GARCH adalah dengan melihat kestasioneran data. Hal ini diperlukan karena
untuk membentuk model GARCH data yang digunakan harus data yang stasioner. Kestasioneran data dapat dilihat dari grafik korelogram yang menunjukkan nilai
AC dan PAC. Nilai AC pada dua lag pertama adalah sebagai berikut:
dengan kesalahan standar:
Nilai AC dan PAC sampai lag ke-36 dapat dilihat pada korelogram yang dihasilkan program Eviews 8 adalah sebagai berikut:
Gambar 4.1. Korelogram data IHSG
Terlihat pada Gambar 4.1. bahwa grafik dari AC turun secara terus menerus namun tidak mendekati 0, sedangkan pada PAC pada lag pertama masih
melewati batas interval. Terlihat bahwa nilai AC masih jauh dari nilai kesalahan standar, sehingga diindikasikan bahwa data tidak stasioner. Hal ini diperkuat
dengan hasil pengujian Unit Root Test yang menunjukkan bahwa nilai lebih besar daripada
pada semua derajat kepercayaan Lampiran 3. Dari hasil uji unit akar Lampiran 3.a diperoleh nilai uji unit akar atau
nilai ADF adalah sebesar -1,758284, sedangkan nilai kritis lebih kecil dari nilai tersebut. Hasil ini memperkuat kesimpulan bahwa data tidak stasioner. Karena
data belum stasioner maka dilakukan pembedaan atau differencing untuk mendapatkan data yang stasioner. Proses pembedaan data asli adalah:
Selengkapnya hasil pembedaan data IHSG dapat dilihat pada lampiran 2.
Setelah dilakukan pembedaan, data diuji kembali dengan uji unit akar dan korelogram. Korelogram setelah dilakukan pembedaan adalah sebagai berikut:
Gambar 4.2. Korelogram data IHSG setelah pembedaan
Dengan perhitungan secara manual nilai AC pada dua lag pertama sebagai berikut:
dengan kesalahan standar
Korelogram hasil pembedaan data IHSG pada Gambar 4.2. menunjukkan perbedaan dibandingkan dengan sebelum pembedaan. AC sudah
tidak ada yang melewati garis putus-putus sebagai batas interval begitu pula PAC. Nilai AC dan PAC sudah dekat dan bahkan lebih kecil dari kesalahan standarnya.
Untuk pengujian unit akar Lampiran 3.b juga sudah menunjukkan hasil yang sama karena sudah memberikan nilai ADF yang lebih kecil dibandingkan nilai
kritisnya, sehingga dapat disimpulkan bahwa data sudah stasioner dan dapat dilanjutkan ke langkah selanjutnya.
4.1.1.2 Membentuk Persamaan Autoregresi Sebagai Model Awal
Kategori