Moh. Taufiq, 080710349 (2011) Deteksi Outlier Pada Model Generalizez Autoregressive Conditional Heteroscedastic dengan Metode Rasio Likelihood. Skripsi thesis, UNIVERSITAS AIRLANGGA.

Preview	Text (ABSTRAK) gdlhub-gdl-s1-2012-taufiqmoh-22402-mpm621-k.pdf Download (93kB) | Preview
	Text (FULLTEXT) gdlhub-gdl-s1-2012-taufiqmoh-18118-mpm6211.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Model GARCH (Generalized Autoregressive Conditional Heteroscedastic) adalah salah satu model time series yang memiliki varian error tidak konstan. Akibatnya, data terdapat lonjakan lonjakan tinggi, dan banyak kejadian yang sifatnya mengganggu khususnya dibidang finansial. Salah satu kejadian yang sifatnya mengganggu adalah munculnya outlier. Outlier adalah suatu data yang menyimpang dari sekumpulan data yang lain. Keberadaan outlier akan memberikan efek yang kurang bagus dalam proses analisis data. Dalam kaitannya dengan bidang finansial, munculnya outlier dapat menyebabkan kerugian yang besar apabila tidak segera ditangani. Terutama outlier tipe AVO (Additive Volatility Outlier) dan ALO (Additive Level Outlier). Skripsi ini bertujuan untuk mendeteksi adanya outlier dan membedakan tipe outlier pada model GARCH dengan metode Rasio Likelihood. Kemudian menerapkan pada Indeks Harga Saham LQ45 dari bulan Januari 2006 s/d September 2006 yang diindikasikan mengandung model GARCH dan terdapat outlier didalam datanya. Berdasarkan hasil pendeteksian dengan metode Rasio Likelihood diperoleh bahwa data tersebut mengandung outlier tipe AVO. Kemudian data diproses dengan metode Hampel identifier untuk menentukan titik terjadinya outlier, jumlah outlier yang terdeteksi, dan menghapus serta mengganti outlier yang terdeteksi sehingga terbentuk data baru. Data baru tersebut dimodelkan kembali kemudian dibandingkan dengan model awal menggunakan nilai AIC dan SBC dari model awal dan model data baru. Nilai AIC dan SBC yang didapat pada data awal adalah 5.808243 dan 5.878396 sedangkan pada data akhir adalah - 6.014706 dan -5.997233 sehingga dapat disimpulkan bahwa model yang paling baik adalah setelah penghapusan outlier.

Actions (login required)

View Item