keuangan. Berdasarkan hal tersebut dapat dikatakan bahwa nilai volatilitas sebagai variansi dari data yang berfluktuasi Iskandar dalam Aji, 2009.
3.3.2 Mean Process
Pembentukan model estimasi volatilitas pada model time series univariate memerlukan mean process. Mean process diperlukan guna menghasilkan residual
yang diestimasi perubahannya. Mean process memegang peranan penting dalam variance process
menghasilkan insigni
pemodelan volatilitas. Apabila pembentukan fikansi pada parameter mean process, maka dengan sendirinya variance
process tersebut gugur sebagai suatu model yang valid, karena volatilitas yang
dihasilkan amat tergantung dari jenis mean process yang dibentuk Iskandar dalam Aji, 2009. Mean process umumnya dibentuk berdasarkan persamaan
ARMA Autoregressive Moving Average. Akan tetapi tidak jarang pula mean process
dihasilkan dari suatu persamaan dalam bentuk konstanta. Hal ini umumnya terjadi pada data yang diambil dalam interval yang panjang. Akibat
panjangnya interval, maka fluktuasi di sekitar titik kesetimbangan akan berlangsung secara random. Penggunaan interval yang lebih rendah akan
menyebabkan pergerakan terstruktur pada salah satu titik kesetimbangan. Dampaknya akan terlihat pada signifikansinya autokorelasi residual yang terjadi.
3.3.3 Metode Peramalan Box-Jenkins
Metode Box-Jenkins mengacu pada himpunan prosedur untuk mengidentifikasikan, mencocokkan dan memeriksa model ARIMA
Autoregressive Integrated Moving Average dengan data deret waktu. Metode ini
ang karena model ini tidak menyertakan asumsi pola tertentu pada data historis
dan Jenkins. Model ARIMA diterapkan untuk analisis deret waktu, peramalan dan
ARMA yang dikem Pertama
, identifikasi efisiensi dan berbeda dengan metode peramalan lain y
dari deret data yang diramalkan. Model ini menggunakan pendekatan iterarif pada identifikasi suatu model yang mungkin
dari model umum. Model ARIMA telah dikembangkan oleh dua orang, yaitu Box
pengendalian. Model Autoregressive AR pertama kali dikembangkan oleh Yule dan kemudian dikembangkan oleh Walker, sedangkan model Moving Average
MA dikembangkan oleh Slutzky. Dan pada tahun 1938 Wold menggabungkan kedua proses tersebut. Wold membentuk model Autoregressive Moving Average
bangkan pada tiga hal. prosedur penaksiran untuk proses AR, MA dan ARMA campuran. Kedua,
perluasan dari hasil tersebut untuk cakup deret berkala musiman. Ketiga, pengembangan hal-hal sederhana yang mencakup proses-proses non stasioner
Makridakis et.al dalam Aji, 2009. Bentuk umum model AR :
….. 3 …
Bentuk umum model MA : ….. 4
Bentuk umum model ARMA : ….. 5
dimana :
= Variabel respon terikat pada w bel respon pada masing-masing selang waktu
… = Koefisien yang diestimasi
c = Mean konstanta proses
… idak
… u sebelumnya yang pada saat t
nilainya menyatu dengan nilai respon Kemudian Box dan Jenkins berhasil mencapai kesepakatan mengenai
i model ARIMA untuk d
eries . Dasar pendekatan yang
dikembangk n ecara identifikasi, tahap estimasi dan taha
Tahap Identifikasi
aktu t …
= Varia
= Koefisien yang diestimasi =
Bentuk galat
yang mewakili efek variabel yang t
dijelaskan oleh model = Galat pada periode wakt
nformasi relevan yang diperlukan untuk memahami dan menggunakan model- ata univariate time s
a s umum dapat dibedakan menjadi tiga tahap, yaitu tahap
p evaluasi, serta tahap aplikasi.
Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu identifikasi terhadap kestasioneran data, identifikasi terhadap unsur musiman, dan identifikasi
terhadap pola atau perilaku fungsi autokorelasi ACF dan fungsi autokorelasi parsial PACF untuk menentukan model tentatif. Kestasioneran dapat dianalisis
dengan alat analisis dalam bentuk sebaran grafik plot dari data awal atau dari
relasi Autocorrelation FunctionalACF. Suatu data deret waktu
3.3.4 Variance Process