Studi Simulasi Pengaruh Outlier Terhadap Pengujian Linieritas Dan Long Memory Beserta Aplikasinya Pada Data Return Saham

Kartikasari, Puspita (2015) Studi Simulasi Pengaruh Outlier Terhadap Pengujian Linieritas Dan Long Memory Beserta Aplikasinya Pada Data Return Saham. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
1313201048-Master_Theses.pdf - Published Version

Download (2MB) | Preview
[img]
Preview
Text
1313201048-Presentation.pdf - Published Version

Download (2MB) | Preview

Abstract

Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi. Pada umumnya, pada peramalan data time series terdapat outlier, outlier tersebut akan membuat analisis terhadap serangkaian data menjadi bias, atau tidak mencerminkan fenomena yang sebenarnya. Pada penelitian ini dilakukan simulasi untuk mengetahui performansi dari uji terasvirta, uji white dan uji GPH estimator pada data bangkitan yang mengikuti proses linier short memory yaitu dengan model ARIMA ( Autoregressive Integrated Moving Average ), linier long memory dengan model ARFIMA ( Autoregressive Fractional Integrated Moving Average ), nonlinier short memory dengan model LSTAR ( Logistic Smoothing Transition Autoregressive ) dan nonlinier long memory dengan model FILSTAR ( Fractional Integrated Logistic Smoothing Transition Autoregressive ) dengan dan tanpa melibatkan adanya efek outlier menggunakan jumlah sampel sebanyak 200 dan 10 00 . Hasil simulasi menunjukkan bahwa uji white memiliki power yang lebih tinggi dibandingkan uji terasvirta dalam mendeteksi kelinieran dari data bangkitan. Selain itu, uji terasvirta, uji white dan uji GPH estimator mampu mendeteksi kelinieran dan kelongmemoryan dari data yang mengikuti proses ARIMA, ARFIMA, LSTAR dan FILSTAR secara tepat pada parameter-parameter tertentu. Adanya outlier menyebabkan uji terasvirta, uji white dan uji GPH estimator tidak robust lagi digunakan untuk mendeteksi kelinieran dan kelongmemoryan dari data yang mengikuti proses-proses tersebut pada parameter- parameter tertentu. Salah satu penerapan yang dilakukan pada penelitian ini yaitu penerapan pada data return saham. Data return saham yang dijadikan kasus dalam penelitian ini adalah return saham Bank Negara Indonesia karena setelah dilakukan pengujian, return saham dari bank tersebut mengikuti fenomena long memory dan nonlinier. Akan tetapi, hasil pengolahan menunjukkan bahwa data return saham Bank Negara Indonesia lebih baik dimodelkan dengan ARFIMA daripada LSTAR dan FILSTAR karena menghasilkan forecast yang akurasinya lebih baik, yaitu memiliki nilai RMSE dan MSE sebesar 2,01% dan 0,04%. Hasil tersebut mendukung hasil simulasi dengan menunjukkan bahwa adanya outlier dapat mempengaruhi sifat data, yang seharusnya linier long memory terdeeteksi menjadi nonlinier long memory. ============ Forecasting is a technique to estimate the condition that will happen in the future based on the condition in the past and the present. In general, there exists the outliers in time series data such that the outliers will make the analysis of the data become biased , ordoes not reflect the real phenomena. In this study we will conduct a simulation to determine the performance of the terasvista test, white test and GPH estimator test in generated datathat are followed the linear short memory ARIMA model (Autoregressive Integrated Moving Average), linear long memory ARFIMA model (Fractional AutoregressiveIntegrated Moving Average), nonlinear short memory LSTAR model (Logistic Smoothing Transition Autoregressive ) and nonlinear long memory FILSTAR model (Fractionally Integrated Logistic Smoothing Transition Autoregressive) with and without involving the effects of outliers using sample with size 200 and 1000. The simulation results show that the white test has a higher power than terasvirta test in detecting linearity of the data generation. In addition, terasvirta test, white test and GPH estimator test is able to detect long memory and linearity of the data that follow the ARIMA, ARFIMA, LSTAR and FILSTAR model sprecisely on certain parameters . The existence of outliers cause the terasvirta test, the white test and the GPHestimator test become not robust to detect long memory and linearity of the data. One application that is done in this study is the application of the stock return data. Stock return data that isused in this study is the stock return of Bank Negara Indonesia because after testing, the bank stock returns following the long memory and nonlinear phenomena. However, the results indicate that the data processing of Bank Negara Indonesia stock return sare better modeled with ARFIMA than LSTAR and FILSTAR because it produces better forecasts accuracy, which has a value of RMSE and MSE of 2.01% and 0.04%, respectively. These results support the simulation results that indicate the existence of outliers can affect the nature of the data, which issupposed to be linear long memory but detected to be nonlinear long memory

Item Type: Thesis (Masters)
Uncontrolled Keywords: Simulation; ARFIMA; LSTAR; FILSTAR; Terasvirta Test; White Test; GPH Estimator Test; Simulasi; Uji GPH Estimator; Uji Terasvirta; Uji White
Subjects: H Social Sciences > HA Statistics > HA31.3 Regression. Correlation
H Social Sciences > HA Statistics > HA31.7 Estimation
Divisions: Faculty of Mathematics and Science > Statistics > (S2) Master Theses
Depositing User: - Davi Wah
Date Deposited: 31 May 2018 06:04
Last Modified: 31 May 2018 06:04
URI: http://repository.its.ac.id/id/eprint/51962

Actions (login required)

View Item View Item