BAB 3 DATA DAN METODOLOGI PENELITIAN

BAB 3 DATA DAN METODOLOGI PENELITIAN

3.1 Data

Dalam karya akhir ini digunakan data harga komoditas energi pada pasar spot dan futures. Komoditas yang diteliti adalah komoditas energi WTI, Heating oil dan Propane yang diperdagangkan di NYMEX. WTI (West Texas Intermediate) adalah salah satu jenis minyak mentah (crude oil) yang diproduksi di Texas dan Oklahoma, Amerika, yang menjadi referensi penetapan harga minyak mentah lainnya. Minyak mentah merupakan bahan baku bensin (gasoline), bahan bakar diesel, heating oil dan bahan bakar jet. Jenis komoditas energi ini merupakan jenis yang paling aktif diperdagangkan. Heating oil adalah bahan bakar hasil penyulingan yang digunakan untuk pemanas rumah tangga atau untuk mesin indutri ukuran menengah. Kontrak future heating oil umumnya digunakan untuk hedging bahan bakar diesel dan jet. Sementara Propane adalah produk sampingan dari produksi gas alam dan pengilangan minyak. Propane dapat digunakan untuk campuran LPG (bahan bakar rumah tangga), pertanian, pemanas ruangan, dan industri petrokimia. Transaksi Propane banyak digunakan sebagai salah satu tool manajemen risiko di sektor industri gas cair. Periode waktu untuk data harga tiap-tiap komoditas adalah sebagai berikut : Tabel 3.1 Data Harga Komoditas energi Jenis Komoditas

Data Harga

WTI Spot

31 Desember 1986-31 Mei 2007

Heating Oil Spot

31 Desember 1986-31 Mei 2007

Propane Spot

30 Desember 1993-31 Mei 2007

WTI Future

31 Desember 1986-31 Mei 2007

Heating Oil Future

31 Desember 1986-31 Mei 2007

Propane Future

30 Desember 1993-31 Mei 2007

Sumber : Data EIA

43

Universitas Indonesia

Perhitungan risiko...,Dewi Khujah Kejora, FE UI, 2009

44

Tabel 3.1 di atas menunjukkan sampel data yang digunakan untuk estimasi parameter EVT. EVT memerlukan sebanyak mungkin data sampel agar estimasi parameter dapat dilakukan lebih tepat. Akan tetapi karena adanya keterbatasan data di EIA, data series harga yang digunakan untuk menghitung VaR EVT komoditas Propane adalah data mulai 30 Desember 1993. Sedangkan untuk estimasi volatilitas dengan standar deviasi normal, EWMA dan GARCH hanya digunakan data harga mulai 30 Desember 1999 sampai dengan 31 Mei 2007. Data dibatasi mulai 30 Desember 1999 sehingga data observasi tidak terlalu panjang, untuk menghindari terjadinya persistency pada model. Data harian harga untuk semua komoditas energi tersebut didapat dari website EIA yang di-download pada Juni 2008. Statistik deskriptif data ditampilkan pada Tabel 3.2. Tabel 3.2 Statistik Deskriptif Data Return Harga Komoditas Energi Jenis Komoditas

Mean

Standar Deviasi

Skewness

Kurtosis

WTI Spot

0,000491

0,024630

-0,561952

6,965195

Heating Oil Spot

0,000538

0,031552

-1,974517

44,25663

Propane Spot

0,000489

0,028732

-3,902304

75,43769

WTI Future

0,000496

0,023440

-0,540803

5,915738

Heating Oil Future

0,000543

0,026153

-0,686759

8,412489

Propane Future

0,000507

0,021982

-1,595176

18,77632

Sumber: Data EIA, diolah

3.2 Metodologi Penelitian

Setelah dilakukan pengumpulan data, tahap penelitian yang dilakukan adalah penetapan exposure dan holding period yang sesuai untuk karakteristik perdagangan komoditas energi dan pengolahan data. Pengolahan data harga komoditas energi diawali dengan perhitungan return, pengujian data return, perhitungan volatilitas, perhitungan VaR dan diakhiri oleh pengujian validitas. Mitigasi risiko dilakukan dengan strategi hedging. Untuk memperoleh strategi hedging yang tepat perlu dilakukan perhitungan hedge ratio yang optimal untuk Universitas Indonesia


45

masing-masing data spot. Berdasarkan output yang didapat dilakukan pembahasan sebelum ditarik kesimpulan.

3.2.1 Perhitungan Return

Perhitungan data return harus dilakukan sebelum dilakukan pemodelan volatilitas return harga komoditas energi, karena volatilitas dipengaruhi oleh karakteristik data return tersebut. Return harga komoditas energi diperoleh dengan menggunakan rumus geometric return pada Persamaan (2.10). Perhitungan dilakukan dengan menggunakan software Microsoft Excel.

3.2.2 Pengujian Data Return

Pengujian data return meliputi uji stationeritas, uji normalitas, dan uji heteroskedastisitas. Uji stationeritas dilakukan dengan ADF test, sedangkan uji normalitas dilakukan dengan Jarque Bera test. Uji heteroskedastisitas dilakukan dengan White Heteroskedasticity test, dan hasilnya digunakan untuk menghitung volatilitas.

3.2.2.1 Uji Stationeritas

Pengujian stationeritas dilakukan untuk memastikan bahwa data return sudah stasioner. Uji stationeritas data return dilakukan dengan menggunakan ADF test. ADF test bertujuan untuk mengetahui apakah data return masih mengandung unit roots atau tidak. Jika data return masih mengandung unit root maka disimpulkan data tersebut belum stasioner, sebaliknya apabila data return sudah tidak mengandung unit root maka data tersebut sudah stasioner. Bila data return sudah stasioner maka data tersebut sudah layak digunakan dalam langkah atau proses perhitungan selanjutnya. Namun, apabila hasil uji ADF test diketahui bahwa data return masih mengandung unit roots, atau data belum stasioner, maka harus dilakukan proses pembedaan (differencing) data hingga kondisinya menjadi stasioner. ADF test dilakukan dengan prosedur hipotesis sebagai berikut:



46 1. H0 : γ =1, terdapat unit root dan data non stationary 2. H1 : stationary data Untuk mengetahui apakah data return sudah stasioner dapat dilakukan dengan membandingkan nilai ADF test dengan critical value χ df2 = 2 . Jika nilai ADF test lebih kecil dari critical value atau memiliki probabilitas lebih kecil dari 1% maka data tersebut sudah tidak mengandung unit roots, dengan kata lain sudah stasioner. Sebaliknya, jika nilai ADF test lebih besar dari critical value atau mempunyai probabilitas lebih besar daripada 1%, maka maka data return tersebut masih mengandung unit roots atau dengan kata lain data tersebut belum stasioner dan harus dilakukan proses differencing data sampai nilai ADF test lebih kecil dari critical value-nya. Uji stationeritas dapat dilakukan dengan menggunakan software EViews 4.1. Setelah data return dimasukkan ke dalam Series, ADF test dapat dilakukan dengan mengikuti menu View lalu Unit Root Test. Parameter yang digunakan untuk ADF test adalah Test Type berupa Augmented Dickey Fuller, Test for unit root in diisi dengan Level (tidak dilakukan differencing), dan untuk Lag Length dipilih Automatic Selection dengan Schwartz Info Criterion. Dalam tabel ADF Unit Root Test yang dihasilkan dalam Eviews 4.1, tercantum angka t-statistic dan probabilitasnya. Apabila angka probabilitas lebih kecil daripada 1% dapat disimpulkan bahwa data sudah stationer, sedangkan jika angka probabilitas masih lebih besar daripada 1% maka diperlukan proses differencing data hingga angka probabilitasnya lebih kecil daripada 1%.

3.2.2.2 Uji Normalitas

Uji normalitas return dilakukan untuk mengetahui apakah data return terdistribusi secara normal atau tidak. Pengujian ini dilakukan dengan mencari nilai Jarque Bera (JB), yaitu nilai yang ditentukan berdasarkan nilai skewness dan kurtosis. Setelah diketahui berapa nilai JB, maka selanjutnya nilai tersebut dibandingkan dengan nilai Universitas Indonesia


47 critical value yaitu Chi-Square (χ2) pada degree of freedom = 2 yang secara lengkap dinotasikan χ df2 = 2 . Hipotesis nol (H0) yang digunakan dalam uji ini adalah distribusi return adalah normal. Jika nilai JB lebih besar daripada critical value-nya atau memiliki probabilitas lebih kecil daripada 1% maka reject H0, sehingga data return yang dihasilkan tidak mengikuti distribusi normal, sebaliknya jika nilai JB lebih kecil daripada critical value-nya atau memiliki probabilitas lebih besar daripada 1% maka do not reject H0 sehingga data return yang dihasilkan mengikuti distribusi normal. Nilai dan probabilitas JB tercantum dalam statistik deskriptif yang dihasilkan dengan menggunakan software EViews 4.1. Cara menampilkan statistik deskriptif tersebut adalah mengikuti menu View lalu Descriptive Statistics dan Histogram and Stats. Apabila return terdistribusi secara normal maka α (fungsi dari confidence level ) dapat ditentukan dengan z-score, sedangkan jika return tidak terdistribusi normal maka α harus dikoreksi dengan Cornish Fisher Expansion yaitu dengan Persamaan (2.2).

3.2.2.3 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk mengetahui apakah varians dari return bersifat konstan atau time varying. Apabila varians dari return adalah konstan (homoskedastic) maka perhitungan volatilitas return cukup dengan menggunakan persamaan standar deviasi biasa, namun apabila varians dari return tidak konstan (time varying), maka perhitungan volatilitas return dilakukan dengan pendekatan EWMA atau ARCH/GARCH. Uji heteroskedastisitas dapat dilakukan langsung dengan menggunakan software EViews 4.1. Langkah pertama yang dilakukan adalah mengestimasi persamaan moving average dengan metode least square dengan menggunakan menu Quick lalu Estimate Equation. Kolom Equation specification diisi dengan persamaan “return c return(-1)” dengan kata return diganti dengan nama data return yang sesuai dalam Eviews. Estimation settings dipilih untuk menggunakan metode least square Universitas Indonesia


48

dengan sampel data return. Langkah kedua adalah melakukan uji heteroskedastisitas dengan White Heteroscedasticity test. Dengan mengikuti menu View lalu Residual Tests dan White Heteroscedasticity (no cross terms). Dalam tabel ADF White Heteroscedasticity test yang dihasilkan dalam EViews 4.1, tercantum angka F-statistic dan nilai probabilitasnya. Dengan merumuskan bahwa hipotesis nol (H0) adalah no heteroscedastic volatility, apabila angka probabilitas lebih kecil daripada 1% maka reject H0 dan dapat disimpulkan bahwa data return bersifat heteroskedastik, sedangkan jika angka probabilitas masih lebih besar daripada 1% maka do not reject H0 dan data return bersifat homoskedastik.

3.2.3 Perhitungan Volatilitas

Untuk data yang bersifat homoskedastik, volatilitas berupa standar deviasi dapat langsung diketahui dari statistik deskriptif yang telah dikeluarkan EViews atau dapat dihitung menggunakan formula Microsoft ExcelTM “=STDEV”, sedangkan untuk data yang bersifat heteroskedastik, volatilitas dihitung dengan menggunakan metode EWMA atau ARCH/GARCH. Perhitungan volatilitas dengan pendekatan EWMA dilakukan berdasarkan Persamaan (2.22) dengan menggunakan Microsoft Excel

TM

. Perhitungan EWMA

sangat bergantung pada parameter λ (decay factor) yang nilainya berkisar 0< λ <1. Untuk menetapkan besarnya nilai λ , dicari λ yang menghasilkan Root Mean Square Error (RMSE) terkecil melalui trial and error. Sebagaimana yang dilakukan dalam pengujian data, maka perhitungan volatilitas dengan pendekatan GARCH juga menggunakan EViews 4.1. Pemodelan ARCH/GARCH dilakukan dengan mengestimasi persamaan mean process dengan metode ARCH. Hal ini dapat dilakukan dengan masuk ke menu Quick lalu Estimate Equation. Pada kolom Equation specification dimasukkan persamaan mean process yang sesuai dan metode yang digunakan adalah ARCH. ARCH/GARCH yang dipilih dapat dipilih dari berbagai ordo ARCH dan ordo GARCH dan berbagai jenis tipe ARCH/GARCH melalui pilihan yang tersedia. Untuk kemudahan perhitungan, mean Universitas Indonesia


49

process dimasukkan persamaan “return c return(-1)” dengan kata return diganti dengan nama yang sesuai. Dalam tabel hasil perhitungan ARCH/GARCH diperoleh konstanta untuk persamaan variance process beserta z-statistic dan probabilitasnya, angka Akaike Info Criterion (AIC) dan Schwarz Criterion (SIC). Untuk menentukan model GARCH terbaik dilakukan melalui berbagai variasi atas variance process. Sebagai contoh, dilakukan pemodelan dengan ARCH(1). Apabila ordo ARCH(1) menunjukkan probabilitas yang signifikan selanjutnya dilakukan pemodelan dengan ARCH(2) dan seterusnya hingga tercapai ordo ARCH yang menunjukan probabilitas yang tidak signifikan. Selanjutnya dilakukan

pemodelan

GARCH

dengan

GARCH(1,1)

berikutnya

dengan

GARCH(2,1) dan seterusnya hingga tercapai ordo ARCH dan GARCH yang menunjukkan probabilitas yang tidak signifikan. Pemodelan kemudian diteruskan dengan GARCH(1,2), GARCH(2,2) dan seterusnya. Pemodelan dihentikan apabila pemodelan selanjutnya tidak dapat menunjukkan hasil probabilitas yang tidak signifikan. Sementara, untuk menentukan model GARCH dengan distribusi Student-t atau Skewed Student-t digunakan software G@RCH 5.0 yang merupakan bagian dari modul OxMetrics 5.00. Pada aplikasi G@RCH 5.0, dipilih kategori Model for financial data dan Univariate GARCH Model lalu dicari ARMA order, GARCH order, model GARCH dan distribusi yang sesuai. Beberapa model tersebut harus diseleksi lebih lanjut sehingga hanya satu model yang dipilih sebagai model GARCH terbaik. Untuk menentukan model GARCH terbaik maka kriteria selanjutnya yang digunakan adalah kriteria statistik lainnya berupa nilai AIC dan SIC. Model yang baik mempunyai angka AIC dan SIC yang terkecil. Apabila angka AIC dan SIC menunjukkan hasil yang saling bertentangan, maka diambil angka Log Likelihood sebagai angka pembanding lainnya. Model yang baik mempunyai angka Log Likelihood yang tertinggi. Selanjutnya dilakukan pengecekan konstanta khusus untuk GARCH. Apabila penjumlahan penjumlahan konstanta α dan β seperti pada Persamaan (2.29) sama atau mendekati nilai satu, maka model tersebut persistent. Apabila model GARCH Universitas Indonesia


50

persistent, maka perlu dilakukan perhitungan I-GARCH. Apabila diperlukan, perhitungan volatilitas I-GARCH dapat dicari dengan aplikasi G@RCH 5.0. Batasan bahwa suatu model GARCH persistent atau bukan adalah penjumlahan konstanta α1 dan β1 lebih besar atau sama dengan 0,98. Persamaan variance process yang didapat dari pemodelan kemudian digunakan untuk perhitungan volatilitas dengan memasukkan nilai conditional variance dan nilai error. Nilai conditional variance pada EViews 4.1 diperoleh dengan fasilitas Procs kemudian make GARCH variance series, sedangkan nilai error didapat dengan melihat tabel Actual, Fitted and Residual. Sementara nilai conditional variance pada G@RCH 5.0, dapat diperoleh dari fungsi Test lalu pilih Test Menu serta pilih Store dan Store in database untuk Residual dan Conditional Variance.

3.2.4 Perhitungan VaR EWMA dan GARCH

Setelah didapatkan data volatilitas, maka dapat dihitung VaR untuk return harga komoditas energi. VaR dihitung setelah mendapatkan nilai alpha, volatilitas, exposure dan holding period dengan confidence level 99% dengan menggunakan Persamaan (2.1). Perhitungan nilai VaR dilakukan dengan menggunakan Microsoft ExcelTM.

3.2.5 Uji Validasi Value at Risk

Untuk validasi dari nilai VaR yang dihasilkan, dilakukan backtesting Backtesting dilakukan dengan membandingkan antara nilai VaR dengan actual loss-nya. Apabila nilai actual loss-nya melampaui nilai VaR maka terjadi penyimpangan atau overshoot. Untuk mengetahui sejauh mana penyimpangan yang terjadi dapat ditolerir maka dilakukan Kupiec Test dan perbandingan jumlah exception yang terjadi dengan jumlah yang diterima dalam Basel Penalty Zone. Untuk Kupiec Test, angka Likelihood Ratio diperoleh dengan menggunakan Persamaan (2.8). Sementara untuk pengujian berdasarkan ketentuan Basel Committee dapat mengacu pada Tabel 2.2. Validitas model dapat diketahui dengan membandingkan nilai Likelihood Ratio (LR) dengan nilai chi-square critical value. Nilai chi-square untuk alpha Universitas Indonesia


51

sebesar 1% diketahui nilainya sebesar 6,635. Dengan hipotesis nol (H0) model valid, jika LR lebih kecil daripada 6,635 maka do not reject Ho, sebaliknya jika LR lebih besar daripada 6,635 maka reject Ho atau model tidak valid. Perhitungan penyimpangan dan Kupiec Test dilakukan dengan menggunakan Microsoft ExcelTM.

3.2.6 Perhitungan Hedging

Langkah-langkah mitigasi yang dapat dilakukan meng-hedge transaksi spot dengan perdagangan derivatifnya pada posisi yang berlawanan. Transaksi derivatif yang dapat digunakan salah satunya adalah futures. Untuk memudahkan perhitungan hedging, posisi long setiap jenis komoditas di pasar spot dipasangkan dengan posisi short NYMEX Futures kontrak satu bulan yang sejenis. Hal terpenting yang dilakukan dalam perhitungan hedging adalah mengukur hedge ratio. Untuk mengukurnya, digunakan rumus hedge ratio pada Persamaan (2.33). Nilai hedge ratio dapat diperoleh dengan menggunakan Microsoft ExcelTM.

3.2.7 Estimasi Parameter EVT

Pada penelitian ini, parameter EVT diestimasi dengan pendekatan Probabiltiy Weighted Moment (PWM), baik itu untuk distribusi Generalized Extreme Value (GEV) maupun Generalized Pareto (GPD). Pendekatan PWM merupakan salah satu dari beberapa pendekatan untuk estimasi parameter EVT. Pendekatan PWM dipilih dalam penelitian ini karena lebih mudah untuk diterapkan. Cruz (2002,70) menerapkan teori Hosking et al dengan menggunakan spreadsheet untuk membantu perhitungannya. Kemudian cara Cruz dimodifikasi oleh Coleman (2002,12). Sehingga, proses estimasi parameter EVT yang akan dilakukan akan mengikuti cara estimasi yang dilakukan oleh Cruz dan Coleman. PWM merupakan pendekatan estimasi parameter moment yang dimiliki distribusi EVT, yaitu distribusi GEV dan GPD.



52

3.2.7.1 Distribusi GEV

Metode block maxima dapat digunakan untuk menghitung nilai VaR dengan persentil tinggi (99%). Pada pendekatan ini, data sampel kerugian dimasukkan dalam kelompok waktu seperti mingguan, bulanan, triwulanan atau tahunan. Kelompok waktu itu disebut sebagai blok. Masing-masing blok diambil sampel kerugian yang mempunya nilai maksimum. Masing-masing blok memiliki nilai maksimum yang disebut subsampel. Kemudian subsampel tersebut dipergunakan untuk mengukur distribusi probabilitas yang sesuai. Menurut metode Fisher-Tippet-Gnedenko, distribusi yang cocok untuk nilai-nilai maksimum tersebut mengikuti distribusi GEV. Distribusi GEV selanjutnya akan diestimasi terhadap semua parameternya yaitu

ξ , μ dan σ . Kemudian nilai parameter hasil estimasi tersebut dapat dimasukkan ke dalam rumus VaR GEV seperti tercantum pada Persamaan (2.56) dan (2.57). Dalam mengestimasi parameter ξ , μ dan σ terlebih dahulu harus diestimasi moments (m) atau weight( ω ) untuk data yang ke r. Data kerugian merupakan data terdistribusi dan identik dengan x1 > x2 ... > xn .

Estimator moments atau weight

tersebut mengikuti Persamaan (2.37) dan (2.38), dimana nilai plot diperoleh berdasarkan Persamaan (2.39). Selanjutnya, untuk memperoleh nilai m1 , dapat digunakan Persamaan (2.41), setelah terlebih dahulu dicari nilai ω0 dan ω1 . Kemudian dicari nilai m2 dengan Persamaan (2.42) setelah terlebih dahulu diperoleh nilai ω2 . Estimasi parameter ξ mengikuti Persamaan (2.43), setelah sebelumnya diperoleh nilai koefisien c dengan Persamaan (2.44). Setelah itu dilakukan estimasi parameter σ dengan menggunakan Persamaan (2.45) dan μ dengan menggunakan Persamaan (2.46). Nilai estimasi paramter ξ disebut juga sebagai tail index, dan merupakan shape parameter atau parameter bentuk dari distribusi GEV. Sedangkan

σ dan μ merupakan parameter scale dan location dari distribusi GEV. Di dalam Persamaan (2.45) dan (2.46) untuk mengestimasi parameter σ dan

μ diperlukan adanya penyelesaian fungsi Gamma. Untuk membantu penyelesaiannya Universitas Indonesia


53

digunakan rumus gamma function seperti tertera pada Persamaan (2.47). Namun, untuk memudahkan, dapat digunakan program “Add-Ins” dari Microsoft Excel

TM

,

yaitu “xnumber”. Program ini dapat menyelesaikan rumus gamma function secara otomatis. Sementara itu, untuk mendapatkan parameter-parameter distribusi GEV seperti ξ , μ dan σ dengan cara yang lebih cepat, dapat digunakan bantuan software EasyFit 4.3 Professional. Untuk menggunakan bantuan software ini, cukup dengan mengaplikasikan fungsi Fit Distribution, lalu pilih Generalized Extreme Value kepada data block minima yang telah diurutkan dan ingin kita analisis. Berdasarkan output software, kita akan mengetahui nilai parameter-parameter ξ , μ dan σ dan VaR pada fungsi inverse CDF sesuai dengan tingkat keyakinan yang kita inginkan.

3.2.7.2 Distribusi GPD

Seperti halnya metode block maxima, peak over threshold (POT) merupakan metode alternatif untuk menghitung VaR EVT. POT menggunakan teorema PicklandsDalkema-de Hann untuk memperoleh model distribusi kerugiannya. Metode POT yang distribusinya terbentuk dari semua peristiwa yang melebihi threshold atau batas yang telah ditentukan mengikuti distribusi GPD. Teorema Picklands-Dalkema-de Hann menetapkan Fu adalah kondisi excess dari fungsi distribusi loss yang berurut dan melampaui threshold yang ditentukan. Kemudian untuk menyesuaikan dengan batas atas threshold distribusi terbatas Fu adalah dengan menggunakan distribusi GPD dengan fungsi distribusi kumulatif (c.d.f) seperti yang telah dirumuskan pada Persamaan (2.58) dan (2.59). Fungsi tersebut memberi informasi mengenai distribusi nilai excess di atas threshold secara pasti. Selanjutnya adalah bagaimana menetapkan nilai tinggi suatu threshold u. Pada penelitian ini ada dua cara penetapan threshold yang dipakai, yaitu dengan menggunakan ad hoc percentage (10% rule) dan 100 minima terbesar.



54

Penetapan threshold dengan ad hoc percentage (10% rule) dilakukan dengan mengambil sepersepuluh data kerugian terbesar setelah diurutkan untuk dihitung nilai parameter-parameternya. Selain ad hoc percentage (10% rule), threshold pada penelitian ini juga menggunakan cara 100 minima terbesar. Penetapan threshold ini mengacu pada teori Hosking et al dalam Coleman (2002,8) yang menyatakan bahwa dengan pendekatan PWM, tidak ada kelemahan yang dapat ditemui pada sampel yang jumlahnya 100 atau kurang. Cara penetapan threshold ini juga merujuk teknik yang dilakukan oleh Adkins and Krehbiel (2005,330) yang menggunakan threshold seratus standardized residual terbesar untuk mencari nilai conditional EVT. Hampir sama dengan distribusi GEV, estimasi parameter GPD juga menggunakan juga menggunakan parameter ξ , μ dan σ . Akan tetapi, untuk mendapatkan parameter-parameter tersebut digunakan rumus yang berbeda. Untuk parameter ξ pada distribusi GPD, digunakan Persamaan (2.48). Sedangkan untuk parameter σ digunakan Persamaan (2.49) dan parameter μ dengan Persamaan (2.50).

3.3 Flow Chart Alur Penelitian

Berikut akan ditampilkan diagram alur penelitian pada Gambar 3.1 untuk prosedur penghitungan VaR EWMA, ARCH/GARCH dan Standar Deviasi Normal serta Gambar 3.2 untuk perhitungan VaR EVT.



55

Gambar 3.1 Flowchart Prosedur Perhitungan VaR EWMA, ARCH/GARCH dan Standar Deviasi Normal



56

Gambar 3.2 Flowchart Prosedur Perhitungan VaR EVT

Mulai

Penentuan Horizon Penelitian dan Pengumpulan Data

Penentuan Confidence Level

Perhitungan Return

Return Negatif Bukan data kerugian

Tidak

Ya

Penentuan Threshold

Penentuan Block Minima

Estimasi Parameter dengan Microsoft Excel

Data 10% terbesar

Data 100 minima terbesar



Estimasi Parameter dengan EasyFit

Hitung VaR EVT

Analisis

Kesimpulan dan Saran

Selesai



BAB 3 DATA DAN METODOLOGI PENELITIAN

Recommend Documents