PEMODELAN AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY UNTUK MERAMALKAN INFLASI BULANAN INDONESIA

Abstract

Salah satu hal yang penting mengenai teori Gauss Markov dalam penggunaan metode penaksiran Ordinary Least Square adalah asumsi varians galat yang konstan . Jika asumsi ini terpenuhi, maka galat disebut homoskedastisitas, dan jika sebaliknya disebut heteroskedastisitas. Asumsi homoskedastisitas dalam banyak praktik mungkin tidak realistis. Contohnya pada data instrumen keuangan seperti inflasi, varians galat data inflasi adakalanya tidak tergantung pada variabel bebasnya melainkan variabel tersebut berubah-ubah seiring dengan perubahan waktu. Hal ini terjadi karena terdapat sifat penting yang sering dimiliki oleh data deret waktu dibidang keuangan, yaitu adanya volatility clustering. Untuk memodelkan data yang heteroskedastistas seperti inflasi bulanan dapat digunakan model ARCH/GARCH. Salah satu syarat untuk melakukan pemodelan ARCH/GARCH adalah terdapat efek ARCH pada galat model. Pembentukan  model ARCH/GARCH dilakukan melalui beberapa tahapan, hingga diperoleh model terbaik dan melakukan peramalan dari model ARCH/GARCH terbaik. Hasil penelitian menunjukkan terdapat efek ARCH pada galat model inflasi bulanan sehingga dapat menggunakan model ARCH/GARCH. Berdasarkan model inflasi bulanan yang diperoleh, nilai inflasi bulanan periode sekarang tergantung pada nilai inflasi satu periode sebelumnya. Selanjutnya diperoleh model ARCH/GARCH terbaik, yaitu model GARCH (1,1). Melalui model GARCH (1,1) dilakukan peramalan inflasi 12 periode selanjutnya, yaitu sampai Desember 2014 dengan nilai taksiran inflasi sebesar 0,01135 persen.