Fitrika Rakhmadyah, 080710441 (2012) DETEKSI OUTLIER PADA MODEL AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (ARCH) DENGAN METODE RASIO LIKELIHOOD. Skripsi thesis, UNIVERSITAS AIRLANGGA.

Preview

Text MPM 68 - 12 Rak d.pdf Download (1MB) | Preview

Abstract

Model ARCH (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 ARCH dengan metode rasio likelihood. Kemudian menerapkan pada data nilai tukar mata uang DEM terhadap BEF dari tanggal 9 April 1979 sampai 24 Agustus 1981yang diindikasikan mengandung model ARCH dan terdapat outlier didalam datanya. Berdasarkan hasil pendeteksian dengan metode rasio likelihood diperoleh bahwa data tersebut mengandung outlier tipe AVO yang didapat dari pendeteksian outlier dengan menggunakan program S-Pluss. 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,SBC dan MSE dari model awal dan model data baru. Nilai AIC, SBC dan MSE yang didapat pada data awal adalah -5.8886, -5.8630 dan 0.0001604 sedangkan pada data akhir adalah -10.1789, -10.1535 dan 0.00002515 sehingga dapat disimpulkan bahwa model yang paling baik adalah setelah penghapusan outlier.

Actions (login required)

View Item