49
digunakan adalah kriteria dari BIC [10]. Oleh karena itu, model ARCH 1 akan menjadi model untuk menjelaskan volatilitas IHSG selama periode pengamatan.
4.3.4 Diagnostik Model
Uji kelayakan model dapat dilakukan diagnostik model terhadap sisaan. Ditunjukkan pada Gambar 4.2 secara eksploratif untuk data bulanan IHSG
sisaannya menyebar normal, sehingga model dapat ARCH 1 dikatakan layak.
Gambar 4.2 Sebaran sisaan data bulanan IHSG
Grafik ini didukung secara statistik berdasarkan probability Jarque Berra yang lebih besar dari tingkat signifikansi 0.05 0.211 0.05. Kemudian,
pemeriksaan model pada data IHSG diperoleh hasil bahwa pada sisaan masih terdapat autokorelasi yang ditunjukkan dari nilai prob. 0.00 untuk lag 1 hingga
lag 36. Namun, pada kuadrat sisaan prob. 0.05 untuk lag 1 sampai lag 36 tidak terdapat autokorelasi antar kuadrat sisaan, yang mengindikasikan ragam sudah
homogen. Series : Standardized Residual
Sampel 1 90 Observations 90
Jarque Bera 3.105068
Probability 0.211711
50
Tabel 4.11 Hasil pemeriksaan model dengan pengujian autokorelasi sisaan dan
kuadrat sisaan data bulanan IHSG selama periode pengamatan. Lag ke-
Terhadap sisaan Terhadap kuadrat sisaan
2
Q-stat Prob
Q-stat Prob
1
31.2640 0.0000
0.7937 0.3730
2
47.2570 0.0000
0.8139 0.6660
3
54.9190 0.0000
1.0021 0.8010
4
58.0840 0.0000
1.0048 0.9090
5
62.5440 0.0000
1.0104 0.9620
6
67.5440 0.0000
1.4245 0.9640
7
71.4860 0.0000
1.7938 0.9700
8
75.9900 0.0000
1.7938 0.9870
9
77.5110 0.0000
3.6982 0.9300
10
79.3340 0.0000
3.8575 0.9540
11
79.3830 0.0000
3.9208 0.9720
12
79.7810 0.0000
4.5292 0.9720
13
80.0560 0.0000
6.0233 0.9450
14
82.1880 0.0000
8.1053 0.8840
15
82.9920 0.0000
8.1228 0.9190
16
84.2660 0.0000
10.0590 0.8640
17
91.0350 0.0000
10.0650 0.9010
18
97.7030 0.0000
13.1740 0.7810
19
106.5200 0.0000
13.7980 0.7950
20
110.5400 0.0000
15.6040 0.7410
21
116.2200 0.0000
15.8560 0.7780
22
118.8200 0.0000
17.2590 0.7490
23
119.6000 0.0000
17.5670 0.7810
24
122.5200 0.0000
19.3940 0.7310
25
126.7300 0.0000
19.5790 0.7690
… …
… …
… …
… …
… …
… …
… …
… 33
142.7200 0.0000
29.9510 0.6200
34
142.8600 0.0000
29.9970 0.6640
35
143.5000 0.0000
30.3550 0.6920
36
144.3900 0.0000
30.6560 0.7200
51
4.3.5 Simulasi Peramalan
Simulasi peramalan dilakukan untuk mengetahui seberapa baik model yang diduga yang dapat digunakan untuk meramal dengan data yang berbeda.
Hasil peramalan akan dibandingkan dengan data aktual.
Gambar 4.3 Plot IHSG peramalan model ARCH-GARCH
Data IHSG yang diperlihatkan pada Gambar 4.3, perbandingan hasil peramalan dengan data aktual memperlihatkan adanya perbedaan yang awalnya
besar, menjadi hampir mirip antara hasil peramalan dengan data aktual. Ini menunjukkan bahwa model ARCH 1 dapat mewakili pergerakan IHSG selama
periode pengamatan. Berikut ini juga ditampilkan nilai Mnna Absolute Percentage Erorr MAPE dari model ARCH 1.
52
Tabel 4.12 Nilai MAPE model ARCH-GARCH
IHSG IHSGF
Error
2348.67 2091.02
0.11 2194.34
1963.14 0.11
2359.21 2065.80
0.12 2643.49
2253.27 0.15
2688.33 2180.55
0.19 2745.83
2180.92 0.21
2627.25 2047.66
0.22 2721.94
2075.19 0.24
2447.30 1939.25
0.21 2304.52
1799.73 0.22
2444.35 1825.55
0.25 2349.10
1718.61 0.27
2304.51 1933.95
0.16 2165.94
1904.13 0.12
1832.51 1731.87
0.05 1256.70
1319.73 -0.05
1241.54 1316.73
-0.06 1355.41
1523.26 -0.12
1332.67 1349.88
-0.01 1285.48
1210.11 0.06
1434.07 1426.53
0.01 1722.77
1784.70 -0.04
1916.83 1881.64
0.02 2026.78
2012.40 0.01
2323.24 2255.45
0.03 2341.54
2315.51 0.01
2467.59 2488.99
-0.01 2367.70
2381.05 -0.01
2415.84 2424.15
0.00 2534.36
2492.75 0.02
JUM LAH rat a2
2.47 0.08
M APE 8.23
53
Model ARCH 1 memiliki nilai MAPE sebesar 8.23. Hal ini menunjukkan bahwa model ARCH 1 menangkap banyak informasi dan dapat
menjelaskan pergerakan dari data deret waktu IHSG.
4.3.6 Interpretasi model ARCH-GARCH
