TA : Analisis Peramalan Harga Saham Menggunakan Metode Arima.

ANALISIS PERAMALAN HARGA SAHAM MENGGUNAKAN

METODE ARIMA

TUGAS AKHIR

Program Studi: S1 Sistem Informasi

Oleh:

ARIF RAHMAN 09410100060

FAKULTAS TEKNOLOGI DAN INFORMATIKA

INSTITUT BISNIS DAN INFORMATIKA STIKOM SURABAYA 2016

METODE ARIMA

TUGAS AKHIR

Diajukan sebagai salah satu syarat untuk menyelesaikan Program Sarjana Komputer

Oleh :

Nama : Arif Rahman NIM : 09.41010.0060 Program : S1 (Strata Satu) Jurusan : Sistem Informasi

FAKULTAS TEKNOLOGI DAN INFORMATIKA

INSTITUT BISNIS DAN INFORMATIKA STIKOM SURABAYA 2016

x

Halaman

ABSTRAK ... vii

KATA PENGANTAR ... viii

DAFTAR ISI ... x

DAFTAR TABEL ... xiii

DAFTAR GAMBAR ... xviii

DAFTAR LAMPIRAN ... xxi

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Perumusan Masalah ... 2

1.3 Pembatasan Masalah ... 2

1.4 Tujuan Penelitian ... 3

1.5 Manfaat Penelitian ... 3

1.6 Sistematika Penulisan ... 3

BAB II LANDASAN TEORI ... 5

2.1 Investasi ... 5

2.1.1 Pengertian Investasi ... 5

2.1.2 Tujuan Investasi ... 5

2.1.3 Jenis-jenis Investasi ... 6

2.2 Saham ... 8

2.2.1 Pengertian Saham ... 8

2.2.2 Jenis-Jenis Saham ... 8

xi

2.3 Peramalan ... 11

2.3.1 Pengertian Peramalan ... 11

2.3.2 Tahap-tahap Peramalan ... 11

2.3.3 Data ... 13

2.3.4 Data Runtut Waktu ... 14

2.3.5 Autokorelasi dan Autokorelasi Parsial ... 16

2.3.6 Metode ARIMA ... 18

2.3.7 Pengukuran Hasil Peramalan ... 24

2.3.8 Minitab ... 26

2.4 Penelitian ... 26

2.4.1 Jenis Penelitian ... 26

2.4.2 Klasifikasi Data ... 27

2.4.3 Teknik Pengumpulan Data ... 28

BAB III METODE PENELITIAN... 29

3.1 Jenis Penelitian ... 29

3.2 Sumber Data ... 29

3.3 Teknik Pengumpulan Data ... 29

3.4 Studi Literatur ... 33

3.5 Blok Diagram dan Flowchart ARIMA... 34

3.6 Pengolahan Data ... 36

BAB IV PEMBAHASAN DAN HASIL ... 48

4.1 Analisis Peramalan Harga Saham EXCL ... 49

4.1.1 Tahap Identifikasi Model ... 49

xii

4.1.3 Tahap Pengecekan Model ... 60

4.1.4 Tahap Peramalan dengan Model ARIMA ... 63

4.2 Analisis Peramalan Harga Saham FREN ... 68

4.2.1 Tahap Identifikasi Model ... 68

4.2.2 Tahap Estimasi Model ... 76

4.2.3 Tahap Pengecekan Model ... 79

4.2.4 Tahap Peramalan dengan Model ARIMA ... 82

4.3 Analisis Peramalan Harga Saham ISAT... 91

4.3.1 Tahap Identifikasi Model ... 91

4.3.2 Tahap Estimasi Model ... 101

4.3.3 Tahap Pengecekan Model ... 104

4.3.4 Tahap Peramalan dengan Model ARIMA ... 106

4.4 Analisis Peramalan Harga Saham TLKM ... 112

4.4.1 Tahap Identifikasi Model ... 112

4.4.2 Tahap Estimasi Model ... 120

4.4.3 Tahap Pengecekan Model ... 125

4.4.4 Tahap Peramalan dengan Model ARIMA ... 127

BAB V PENUTUP ... 133

5.1 Kesimpulan ... 133

5.2 Saran ... 133

xiii

Halaman

Tabel 2.1 Identifikasi Model ARIMA ... 21

Tabel 3.1 Data Histori Harga Saham EXCL ... 30

Tabel 3.2 Data Histori Harga Saham FREN ... 31

Tabel 3.3 Data Histori Harga Saham ISAT ... 31

Tabel 3.4 Data Histori Harga Saham TLKM ... 32

Tabel 4.1 Hasil Perhitungan Uji Autokorelasi (ACF) Harga Saham EXCL... 51

Tabel 4.2 Hasil Perhitungan Uji Autokorelasi Parsial (PACF) Harga Saham EXCL ... 52

Tabel 4.3 Hasil Perhitungan Proses Diferensiasi Harga Saham EXCL ... 53

Tabel 4.4 Kemungkinan Model ARIMA (Harga Saham EXCL) ... 56

Tabel 4.5 Estimasi Parameter ARIMA (1,1,0) – Harga Saham EXCL ... 57

Tabel 4.6 Estimasi Parameter ARIMA (0,1,1) – Harga Saham EXCL ... 58

Tabel 4.7 Estimasi Parameter ARIMA (2,1,0) – Harga Saham EXCL ... 58

Tabel 4.8 Estimasi Parameter ARIMA (0,1,2) – Harga Saham EXCL ... 59

Tabel 4.9 Uji LJung-Box ARIMA (1,1,0) – Harga Saham EXCL ... 60

Tabel 4.10 Uji LJung-Box ARIMA (0,1,1) – Harga Saham EXCL ... 61

Tabel 4.11 Uji LJung-Box ARIMA (2,1,0) – Harga Saham EXCL ... 61

Tabel 4.12 Uji LJung-Box ARIMA (0,1,2) – Harga Saham EXCL ... 62

Tabel 4.13 Ringkasan Hasil Estimasi dan Pengecekan Model (Harga Saham EXCL) ... 62

Tabel 4.14 Hasil Uji Coba Peramalan ARIMA (1,1,0) – Harga Saham EXCL .... 63

Tabel 4.15 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (1,1,0) – Harga Saham EXCL ... 65

xiv

Tabel 4.16 Hasil Uji Coba Peramalan ARIMA (0,1,1) – Harga Saham EXCL .... 66

Tabel 4.17 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (0,1,1) – Harga Saham EXCL ... 67

Tabel 4.18 Perbandingan Tingkat Kesalahan Hasil Ramalan (Harga Saham EXCL) ... 68

Tabel 4.19 Hasil Perhitungan Uji Autokorelasi (ACF) Harga Saham FREN ... 70

Tabel 4.20 Hasil Perhitungan Uji Autokorelasi Parsial (PACF) Harga Saham FREN ... 71

Tabel 4.21 Hasil Perhitungan Proses Diferensiasi Harga Saham FREN ... 72

Tabel 4.22 Kemungkinan Model ARIMA (Harga Saham FREN) ... 75

Tabel 4.23 Estimasi Parameter ARIMA (2,1,0) – Harga Saham FREN ... 76

Tabel 4.24 Estimasi Parameter ARIMA (0,1,2) – Harga Saham FREN ... 77

Tabel 4.25 Estimasi Parameter ARIMA (1,1,0) – Harga Saham FREN ... 78

Tabel 4.26 Estimasi Parameter ARIMA (0,1,1) – Harga Saham FREN ... 78

Tabel 4.27 Uji LJung-Box ARIMA (2,1,0) – Harga Saham FREN ... 79

Tabel 4.28 Uji LJung-Box ARIMA (0,1,2) – Harga Saham FREN ... 80

Tabel 4.29 Uji LJung-Box ARIMA (1,1,0) – Harga Saham FREN ... 80

Tabel 4.30 Uji LJung-Box ARIMA (0,1,1) – Harga Saham FREN ... 81

Tabel 4.31 Ringkasan Hasil Estimasi dan Pengecekan Model (Harga Saham FREN) ... 81

Tabel 4.32 Hasil Uji Coba Peramalan ARIMA (2,1,0) – Harga Saham FREN .... 82

Tabel 4.33 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (2,1,0) – Harga Saham FREN ... 84

Tabel 4.34 Hasil Uji Coba Peramalan ARIMA (0,1,2) – Harga Saham FREN .... 85

Tabel 4.35 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (0,1,2) – Harga Saham FREN ... 86

xv

Tabel 4.36 Hasil Uji Coba Peramalan ARIMA (1,1,0) – Harga Saham FREN .... 87

Tabel 4.37 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (1,1,0) – Harga Saham FREN ... 88

Tabel 4.38 Hasil Uji Coba Peramalan ARIMA (0,1,1) – Harga Saham FREN .... 89

Tabel 4.39 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (0,1,1) – Harga Saham FREN ... 90

Tabel 4.40 Perbandingan Tingkat Kesalahan Hasil Ramalan (Harga Saham FREN) ... 91

Tabel 4.41 Hasil Perhitungan Uji Autokorelasi (ACF) Harga Saham ISAT ... 93

Tabel 4.42 Hasil Perhitungan Uji Autokorelasi Parsial (PACF) Harga Saham ISAT ... 94

Tabel 4.43 Hasil Perhitungan Proses Diferensiasi Harga Saham ISAT ... 95

Tabel 4.44 Hasil Perhitungan Proses Diferensiasi Ordo Ke-2 Harga Saham ISAT ... 98

Tabel 4.45 Kemungkinan Model ARIMA (Harga Saham ISAT) ... 101

Tabel 4.46 Estimasi Parameter ARIMA (1,2,2) – Harga Saham ISAT ... 101

Tabel 4.47 Estimasi Parameter ARIMA (1,2,0) – Harga Saham ISAT ... 102

Tabel 4.48 Estimasi Parameter ARIMA (0,2,1) – Harga Saham ISAT ... 103

Tabel 4.49 Uji LJung-Box ARIMA (1,2,2) – Harga Saham ISAT ... 104

Tabel 4.50 Uji LJung-Box ARIMA (1,2,0) – Harga Saham ISAT ... 104

Tabel 4.51 Uji LJung-Box ARIMA (0,2,1) – Harga Saham ISAT ... 105

Tabel 4.52 Ringkasan Hasil Estimasi dan Pengecekan Model (Harga Saham ISAT) ... 105

Tabel 4.53 Hasil Uji Coba Peramalan ARIMA (1,2,2) – Harga Saham ISAT ... 107

Tabel 4.54 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (1,2,2) – Harga Saham ISAT ... 108

xvi

Tabel 4.55 Hasil Uji Coba Peramalan ARIMA (0,2,1) – Harga Saham ISAT ... 109

Tabel 4.56 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (0,2,1) – Harga Saham ISAT ... 111

Tabel 4.57 Perbandingan Tingkat Kesalahan Hasil Ramalan (Harga Saham ISAT) ... 112

Tabel 4.58 Hasil Perhitungan Uji Autokorelasi (ACF) Harga Saham TLKM .... 114

Tabel 4.59 Hasil Perhitungan Uji Autokorelasi Parsial (PACF) Harga Saham TLKM ... 115

Tabel 4.60 Hasil Perhitungan Proses Diferensiasi Harga Saham TLKM ... 116

Tabel 4.61 Kemungkinan Model ARIMA (Harga Saham TLKM)... 119

Tabel 4.62 Estimasi Parameter ARIMA (2,1,0) – Harga Saham TLKM ... 120

Tabel 4.63 Estimasi Parameter ARIMA (0,1,2) – Harga Saham TLKM ... 121

Tabel 4.64 Estimasi Parameter ARIMA (2,1,1) – Harga Saham TLKM ... 122

Tabel 4.65 Estimasi Parameter ARIMA (1,1,2) – Harga Saham TLKM ... 123

Tabel 4.66 Estimasi Parameter ARIMA (1,1,1) – Harga Saham TLKM ... 124

Tabel 4.67 Uji LJung-Box ARIMA (2,1,0) – Harga Saham TLKM... 125

Tabel 4.68 Uji LJung-Box ARIMA (0,1,2) – Harga Saham TLKM... 125

Tabel 4.69 Uji LJung-Box ARIMA (2,1,1) – Harga Saham TLKM... 126

Tabel 4.70 Uji LJung-Box ARIMA (1,1,2) – Harga Saham TLKM... 126

Tabel 4.71 Uji LJung-Box ARIMA (1,1,1) – Harga Saham TLKM... 126

Tabel 4.72 Ringkasan Hasil Estimasi dan Pengecekan Model (Harga Saham TLKM) ... 127

Tabel 4.73 Hasil Uji Coba Peramalan ARIMA (2,1,1) – Harga Saham TLKM ... 128

xvii

Tabel 4.74 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (2,1,1) –

Harga Saham TLKM ... 129

Tabel 4.75 Hasil Uji Coba Peramalan ARIMA (1,1,1) – Harga Saham

TLKM ... 130

Tabel 4.76 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (1,1,1) –

Harga Saham TLKM ... 131

Tabel 4.77 Perbandingan Tingkat Kesalahan Hasil Ramalan (Harga Saham TLKM) ... 132

xviii

Halaman

Gambar 2.1 Komponen Kecenderungan Tren ... 14

Gambar 2.2 Komponen Kecenderungan Siklus ... 15

Gambar 2.3 Komponen Kecenderungan Musiman ... 15

Gambar 2.4 Komponen Kecenderungan Acak... 16

Gambar 3.1 Blok Diagram Analisis Peramalan Harga Saham Menggunakan Metode ARIMA ... 34

Gambar 3.2 Flowchart Metode ARIMA ... 35

Gambar 3.3 Menu Time Series Plot ... 37

Gambar 3.4 Kotak Dialog Time Series Plot ... 38

Gambar 3.5 Kotak Dialog Time Series Plot–Simple ... 38

Gambar 3.6 Menu Time Series–Autocorrelation ... 39

Gambar 3.7 Kotak Dialog Autocorrelation Function ... 40

Gambar 3.8 Menu Time Series–Partial Autocorrelation ... 41

Gambar 3.9 Kotak Dialog Partial Autocorrelation Function ... 41

Gambar 3.10 Menu Time Series–Differences ... 42

Gambar 3.11 Kotak Dialog Differences ... 43

Gambar 3.12 Menu Times Series– ARIMA ... 44

Gambar 3.13 Kotak Dialog ARIMA ... 45

Gambar 3.14 Kotak Dialog ARIMA –Forecasts ... 47

Gambar 4.1 Plot Data Harga Saham EXCL ... 50

Gambar 4.2 Correlogram Uji Autokorelasi (ACF) Harga Saham EXCL ... 50

Gambar 4.3 Correlogram Uji Autokorelasi Parsial (PACF) Harga Saham EXCL ... 52

xix

Gambar 4.4 Plot Data Hasil Proses Diferensiasi Harga Saham EXCL... 54

Gambar 4.5 Correlogram Uji Autokorelasi (ACF) Hasil Diferensiasi

Harga Saham EXCL ... 55

Gambar 4.6 Correlogram Uji Autokorelasi Parsial (PACF) Hasil

Diferensiasi Harga Saham EXCL ... 56

Gambar 4.7 Plot Data Harga Saham FREN ... 69

Gambar 4.8 Correlogram Uji Autokorelasi (ACF) Harga Saham FREN ... 69

Gambar 4.9 Correlogram Uji Autokorelasi Parsial (PACF) Harga Saham

FREN ... 71

Gambar 4.10 Plot Data Hasil Proses Diferensiasi Harga Saham FREN ... 73

Gambar 4.11 Correlogram Uji Autokorelasi (ACF) Hasil Diferensiasi

Harga Saham FREN ... 74

Gambar 4.12 Correlogram Uji Autokorelasi Parsial (PACF) Hasil

Diferensiasi Harga Saham FREN... 75

Gambar 4.13 Plot Data Harga Saham ISAT ... 92

Gambar 4.14 Correlogram Uji Autokorelasi (ACF) Harga Saham ISAT ... 92

Gambar 4.15 Correlogram Uji Autokorelasi Parsial (PACF) Harga Saham

ISAT ... 94

Gambar 4.16 Plot Data Hasil Proses Diferensiasi Harga Saham ISAT ... 96

Gambar 4.17 Correlogram Uji Autokorelasi (ACF) Hasil Diferensiasi

Harga Saham ISAT ... 97

Gambar 4.18 Correlogram Uji Autokorelasi Parsial (PACF) Hasil

Diferensiasi Harga Saham ISAT ... 98

Gambar 4.19 Plot Data Hasil Proses Diferensiasi Ordo Ke-2 Harga

Saham ISAT ... 99

Gambar 4.20 Correlogram Uji Autokorelasi (ACF) Hasil Diferensiasi

xx

Gambar 4.21 Correlogram Uji Autokorelasi Parsial (PACF) Hasil

Diferensiasi Ordo Ke-2 Harga Saham ISAT ... 100

Gambar 4.22 Plot Data Harga Saham TLKM ... 113

Gambar 4.23 Correlogram Uji Autokorelasi (ACF) Harga Saham TLKM... 113

Gambar 4.24 Correlogram Uji Autokorelasi Parsial (PACF) Harga Saham

TLKM ... 115

Gambar 4.25 Plot Data Hasil Proses Diferensiasi Harga Saham TLKM ... 117

Gambar 4.26 Correlogram Uji Autokorelasi (ACF) Hasil Diferensiasi

Harga Saham TLKM ... 118

Gambar 4.27 Correlogram Uji Autokorelasi Parsial (PACF) Hasil

xxi

Halaman

Lampiran 1. Data Histori Harga Saham EXCL ... 138

Lampiran 2. Data Histori Harga Saham FREN ... 142

Lampiran 3. Data Histori Harga Saham ISAT ... 146

Lampiran 4. Data Histori Harga Saham TLKM... 150

Lampiran 5. Hasil Perhitungan Proses Diferensiasi Harga Saham EXCL... 154

Lampiran 6. Hasil Perhitungan Proses Diferensiasi Harga Saham FREN ... 158

Lampiran 7. Hasil Perhitungan Proses Diferensiasi Harga Saham ISAT ... 162

Lampiran 8. Hasil Perhitungan Proses Diferensiasi Ordo Ke-2 Harga Saham ISAT ... 166

1

PENDAHULUAN

1.1 Latar Belakang Masalah

Pada saat ini banyak masyarakat yang melakukan investasi untuk

mendapatkan passive income. Investasi merupakan suatu komitmen penempatan

dana pada satu atau beberapa objek investasi dengan harapan akan mendapatkan

keuntungan di masa akan datang. Ada sejumlah jenis investasi yang umum dipilih

oleh investor perseorangan, seperti deposito, tabungan, valuta asing, saham,

reksadana, logam mulia, dan properti. Setiap jenis investasi tersebut memiliki

kelebihan dan kekurangan masing-masing.

Hal ini dimanfaatkan oleh banyak perusahaan untuk memperoleh sumber

daya keuangan melalui penawaran saham kepada masyarakat. Berinvestasi dalam

bentuk saham dipercaya dapat memberikan keuntungan besar bagi para investor

-nya. Hal ini tentu menjadi daya tarik tersendiri kepada pelaku bisnis untuk

bergabung menjadi investor dengan harapan memperoleh keuntungan sebagai

akibat terjadinya perubahan atas harga saham. Namun, perlu diingat bahwa saham

merupakan jenis investasi yang memiliki potensi tingkat keuntungan dan kerugian

yang lebih besar dibandingkan jenis investasi lainnya. Hal tersebut terjadi

dikarenakan sulitnya memprediksi pergerakan harga saham yang cenderung

bersifat fluktuatif (Hendarto, 2005). Apabila investor salah melakukan prediksi

terhadap harga saham akan menimbulkan kerugian finansial yang signifikan,

terlebih jika investor memiliki lembar saham yang cukup banyak pada emiten

Untuk bisa memprediksi harga saham yang bersifat fluktuatif tersebut

maka diperlukan sebuah peramalan harga saham pada periode mendatang. Salah

satu metode yang dapat digunakan untuk meramalkan adalah metode ARIMA.

Dengan adanya peramalan harga saham ini, diharapkan mampu membantu

masyarakat dalam memprediksi harga saham beberapa emiten.

1.2 Perumusan Masalah

Berdasarkan latar belakang di atas, maka dapat dirumuskan

permasalahannya yaitu bagaimana menentukan model ARIMA terbaik untuk

peramalan harga saham EXCL, FREN, ISAT, dan TLKM.

1.3 Pembatasan Masalah

Adapun pembatasan masalah pada penelitian ini, yaitu :

1. Data mentah harga saham diambil dari emiten sektor telekomunikasi,

diantaranya : EXCL, FREN, ISAT, dan TLKM. Data tersebut didapatkan dari

situs Yahoo Finance.

2. Data harga saham yang digunakan dalam penelitian ini adalah data harga

penutupan saham (close price). Karena, close price sangat penting bagi para

investor yang dapat dijadikan acuan dalam menentukan tren pasar pada

periode berikutnya. Close price mencerminkan seluruh aktivitas transaksi

dalam satu hari (Adebiyi,dkk, 2014).

3. Periode data histori yang digunakan adalah harian, mulai dari 21 Februari

2014 sampai 19 Februari 2016. Dan, hasil peramalannya untuk 5 hari ke

4. Faktor eksternal dari saham seperti tingkat inflasi, suku bunga, perekonomian

nasional, kinerja emiten tidak mempengaruhi hasil peramalan.

5. Analisis peramalan harga saham menggunakan metode ARIMA dan

menggunakan software Minitab 16.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah menghasilkan model ARIMA terbaik

untuk peramalan harga saham EXCL, FREN, ISAT, dan TLKM.

1.5 Manfaat Penelitian

Berdasarkan tujuan penelitian di atas, maka manfaat dari penelitian ini

adalah mampu membantu masyarakat dalam memprediksi harga saham EXCL,

FREN, ISAT, dan TLKM.

1.6 Sistematika Penulisan

Penulisan laporan penelitian ini disusun dalam bentuk bab.

Masing-masing bab memiliki beberapa sub bab. Berikut adalah penjelasan tentang bab

maupun sub bab yang terdapat pada laporan penelitian ini :

BAB I : PENDAHULUAN

Bab ini berisi tentang latar belakang peramasalahan yang terjadi,

perumusan masalah yang didapat dari latar belakang permasalahan,

pembatasan permasalahan, tujuan dan manfaat penelitian, serta

penjelasan sistematika penulisan.

BAB II : LANDASAN TEORI

Bab ini berisi tentang teori-teori yang mendukung dan digunakan

tentang investasi, saham, teknik peramalan, metode ARIMA, dan

metodologi penelitian.

BAB III : METODE PENELITIAN

Bab ini berisi tentang langkah-langkah yang digunakan dalam

penelitian, diantaranya jenis penelitian, sumber data, teknik

pengumpulan data, studi literatur, blok diagram dan flowchart

ARIMA, serta pengolahan data.

BAB IV : PEMBAHASAN DAN HASIL

Bab ini berisi tentang pembahasan dan analisis dari data yang telah

diolah dengan software Minitab 16. Pembahasan dimulai dari proses

identifikasi model, estimasi model, pengecekan model, dan uji coba

peramalan dengan model ARIMA.

BAB V : PENUTUP

Bab ini berisi kesimpulan dan saran yang diperoleh dari penelitian

5

LANDASAN TEORI

2.1 Investasi

2.1.1 Pengertian Investasi

Investasi sering diartikan menunda pengeluaran konsumtif supaya uang

bisa berkembang biak lebih dulu. Kalau uang sudah berkembang, barulah

tambahan hasil investasi itu digunakan untuk pengeluaran lainnya.

Kedengarannya indah, namun dalam berinvestasi harus memahami lebih dulu

masing-masing produk. Pasalnya, produk investasi bermacam-macam mulai dari

deposito, saham, emas batangan, obligasi, berbagai reksadana, unit link, dan

lain-lain. Di satu sisi, ada yang berisiko tinggi dengan peluang imbalan juga tinggi.

Sebaliknya, ada yang lebih aman dengan risiko rendah namun imbalan juga

rendah (Oei, 2009).

2.1.2 Tujuan Investasi

Menurut Herlianto (2013), tujuan orang melakukan investasi pada

dasarnya adalah untuk mengembangkan dana yang dimiliki atau mengharapkan

keuntungan di masa depan. Secara umum tujuan investasi memang mencari

untung, tetapi bagi perusahaan tertentu kemungkinan ada tujuan utama yang lain

selain untuk mencari untung. Pada umumnya tujuan investasi adalah sebagai

berikut :

1. Untuk memperoleh pendapatan yang tetap dalam setiap periode, antara lain

2. Untuk membentuk suatu dana khusus, misalnya dana untuk kepentingan

ekspansi, kepentingan sosial.

3. Untuk mengontrol dan mengendalikan perusahaan lain, melalui kepemilikan

sebagian ekuitas perusahaan tersebut.

4. Untuk menjamin tersedianya bahan baku dan mendapatkan pasar untuk

produk yang dihasilkan.

5. Untuk mengurangi persaingan di antara perusahaan-perusahaan yang sejenis.

6. Untuk menjaga hubungan antar perusahaan.

Secara lebih khusus ada beberapa alasan mengapa seseorang melakukan

investasi, antara lain adalah :

1. Untuk mendapatkan kehidupan lebih layak di masa datang. Orang yang

bijaksana akan berpikir bagaimana meningkatkan taraf hidupnya dari waktu

ke waktu untuk mempertahankan tingkat pendapatannya sekarang agar tidak

berkurang di masa yang datang.

2. Untuk mengurangi tekanan inflasi, dimana dengan melakukan investasi

seseorang dapat menghindarkan diri dari risiko penurunan nilai kekayaan atau

hak miliknya akibat adanya pengaruh inflasi.

3. Dorongan untuk menghemat pajak, dimana beberapa negara mendorong

tumbuhnya investasi di masyarakat melalui pemberian fasilitas perpajakan

kepada masyarakat yang melakukan investasi pada bidang-bidang tertentu.

2.1.3 Jenis-jenis Investasi

Menurut Hartono (2008), aktivitas investasi ke dalam aktiva keuangan

1. Investasi Langsung

Investasi langsung dapat dilakukan dengan membeli aktiva keuangan yang

dapat diperjual-belikan di pasar uang (money market), pasar modal (capital

market), atau pasar turunan (derivative market). Aktiva keuangan yang dapat

diperjual-belikan di pasar uang hanya aktiva yang mempunya risiko kecil,

jatuh tempo yang pendek dengan likuiditas yang tinggi.

Aktiva keuangan yang diperjual-belikan di pasar modal memiliki sifat

investasi jangka panjang berupa saham-saham (equity securities) dan

surat-surat berharga pendapatan tetap (fixed income securities). Opsi dan future

contract merupakan surat-surat berharga yang diperdagangkan di pasar

turunan (derivative market). Investasi langsung tidak hanya dilakukan dengan

membeli aktiva keuangan yang dapat diperjual-belikan, namun juga dapat

dilakukan dengan membeli aktiva keuangan yang tidak dapat

diperjual-belikan seperti : tabungan, giro, dan sertifikat deposito.

2. Investasi Tidak Langsung

Investasi tidak langsung dilakukan dengan membeli surat-surat berharga di

perusahaan investasi. Perusahaan investasi adalah perusahaan yang

menyediakan jasa-jasa keuangan dengan cara menjual sahamnya ke publik.

Investasi melalui perusahaan investasi menawarkan keuntungan tersendiri

bagi investor. Hanya dengan modal yang relatif kecil kecil, investor dapat

mengambil keuntungan karena pembentukan portofolio investasinya. Selain

itu, dengan membeli saham perusahaan investasi, investor tidak

membutuhkan pengetahuan dan pengalaman yang tinggi. Dengan pembelian

2.2 Saham

2.2.1 Pengertian Saham

Saham adalah surat berharga yang merupakan tanda kepemilikan

seseorang atau badan terhadap perusahaan. Jadi investor yang membeli saham

berarti dia memiliki perusahaan tersebut. Tapi perlu diingat bahwa

kepemilikannya mungkin terbatas, hanya 0.000001% atau bahkan kurang. Karena

jumlah saham yang diterbitkan perusahaan bisa berjuta-juta lembar bahkan

milyaran.

Di zaman ekonomi modern, saham digunakan sebagai alternatif

pembiayaan atau modal bagi perusahaan. Misalnya, jika perusahaan

membutuhkan modal untuk ekspansi usaha, pemilik dapat menawarkan sahamnya

ke pasar (karena itu disebut pasar modal). Ini sama artinya dengan melepaskan

sebagian kepemilikannya atas perusahaan itu ke publik atau masyarakat.

Perusahaan yang melepas sahamnya ke publik akan diberi label Tbk – singkatan

dari “terbuka” – di nama belakang perusahaannya. Sebagai contoh PT. Gapura Prima, Tbk (kode saham GPRA) yang menawarkan saham perdananya untuk

membiayai pembangunan proyek konstruksi berupa perumahan dan apartemen

(Oei, 2009).

2.2.2 Jenis-Jenis Saham

Menurut Hidayat (2011), jenis saham dibagi menjadi dua, yaitu :

1. Saham Biasa (Common Stock)

Saham biasa (atau biasa disebut saham) adalah saham dimana pemegang

saham mewakili kepemilikan di perusahaan sebesar modal yang ditanamkan.

tersebut adalah pemilik perusahaan sebesar modal yang ditanamkan.

Kepemilikan ini akan berhenti sampai saham tersebut dijual kepada investor

lain. Asalkan memenuhi syarat dan ketentuan yang berlaku, masyarakat juga

dapat menjadi pemilik saham di banyak perusahaan. Di Indonesia dapat

dengan mudah membeli saham pada perusahaan yang berstatus terbuka (Tbk)

dan terdaftar di Bursa Efek Indonesia (BEI)

2. Saham Preferen (Preffered Stock)

Saham ini memiliki karakteristik yang sedikit berbeda dibandingkan dengan

saham biasa. Boleh dibilang, saham ini adalah produk hybrid alias campuran

antara saham biasa dengan efek pendapatan tetap karena pemilik saham ini

akan mendapatkan pendapatan tetap yang dibagikan secara rutin dalam

bentuk deviden. Karena saham ini menjanjikan deviden tetap, maka dalam

emisi saham ada penyisihan sebagian keuntungan atau provisi yang harus

dilakukan oleh perusahaan untuk pemegang saham.

2.2.3 Keuntungan dan Risiko Saham

Pada dasarnya, ada dua keuntungan yang diperoleh investor dengan

membeli atau memiliki saham :

1. Deviden, merupakan pembagian keuntungan yang diberikan perusahaan dan

berasal dari keuntungan yang dihasilkan perusahaan. Deviden diberikan

setelah mendapat persetujuan dari pemegang saham dalam RUPS. Jika

seorang pemodal ingin mendapatkan deviden, maka pemodal tersebut harus

memegang saham tersebut dalam kurun waktu yang relatif lama yaitu hingga

kepemilikan saham tersebut berada dalam periode dimana diakui sebagai

dibagikan perusahaan dapat berupa deviden tunai – artinya kepada setiap pemegang saham diberikan deviden berupa uang tunai dalam jumlah rupiah

tertentu untuk setiap saham - atau dapat pula berupa deviden saham yang

berarti kepada setiap pemegang saham diberikan deviden sejumlah saham

sehingga jumlah saham yang dimiliki seorang pemodal akan bertambah

dengan adanya pembagian deviden saham tersebut.

2. Capital Gain, merupakan selisih antara harga beli dan harga jual. Capital

gain terbentuk dengan adanya aktivitas perdagangan saham di pasar

sekunder. Misalnya investor membeli saham ABC dengan harga per saham

Rp 3.000 kemudian menjualnya dengan harga Rp 3.500 per saham yang

berarti pemodal tersebut mendapatkan capital gain sebesar Rp 500 untuk

setiap saham yang dijualnya.

Sebagai instrumen investasi, saham juga memiliki beberapa risiko antara

lain :

1. Capital Loss, merupakan kebalikan dari Capital Gain, yaitu suatu kondisi

dimana investor menjual saham lebih rendah dari harga beli. Misalnya saham

PT. XYZ yang di beli dengan harga Rp 2.000,- per saham, kemudian harga

saham tersebut terus mengalami penurunan hingga mencapai Rp 1.400,- per

saham. Karena takut harga saham tersebut akan terus turun, investor menjual

pada harga Rp 1.400,- tersebut sehingga mengalami kerugian sebesar Rp

600,- per saham.

2. Risiko Likuidasi. Perusahaan yang sahamnya dimiliki, dinyatakan bangkrut

oleh Pengadilan, atau perusahaan tersebut dibubarkan. Dalam hal ini hak

kewajiban perusahaan dapat dilunasi (dari hasil penjualan kekayaan

perusahaan). Jika masih terdapat sisa dari hasil penjualan kekayaan

perusahaan tersebut, maka sisa tersebut dibagi secara proporsional kepada

seluruh pemegang saham. Namun jika tidak terdapat sisa kekayaan

perusahaan, maka pemegang saham tidak akan memperoleh hasil dari

likuidasi tersebut. Kondisi ini merupakan risiko yang terberat dari pemegang

saham. Untuk itu seorang pemegang saham dituntut untuk secara terus

menerus mengikuti perkembangan perusahaan (PT. Bursa Efek Indonesia,

2010).

2.3 Peramalan

2.3.1 Pengertian Peramalan

Pengertian peramalan adalah sebuah proses yang memiliki tujuan untuk

memperkirakan keadaan yang terjadi di masa depan dengan menggunakan

data-data masa lalu, atau lebih tepatnya peramalan berusaha untuk memprediksi adanya

suatu perubahan. Jika kejadian di masa depan direpresentasikan hanya dengan

perubahan secara kuantitatif dari kejadian-kejadian di masa lampau, maka

kejadian atau keadaan di masa depan dapat diprediksi melalui proyeksi kuantitatif

dari tren masa lalu menuju masa depan (Levenbach dan Clearly, 1981).

2.3.2 Tahap-tahap Peramalan

Tahap-tahap peramalan dapat dibagi menjadi beberapa tahap sebagai

1. Penentuan tujuan, pada tahap ini penentuan tujuan dari setiap peramalan

harus disebutkan secara tertulis, formal, dan eksplisit. Tujuan peramalan

mempengaruhi panjangnya periode ramalan dan menentukan frekuensi revisi.

2. Pemilihan teori yang relevan, pada tahap ini menentukan hubungan teoritis

yang mnentukan perubahan-perubahan variabel yang diramalkan. Suatu teori

yang tepat guna akan selalu membantu seorang peramal dalam

mengidentifikasi setiap kendala yang ada untuk dipecahkan dan dimasukkan

ke dalam proses peramalan.

3. Pencarian data yang tepat dan meyakinkan bahwa data yang diperoleh cukup

akurat. Tahap ini merupakan tahap yang paling kritikal karena tahap-tahap

berikutnya dapat dilakukan atau tidak tergantung pada relevansi data yang

diperoleh tersebut.

4. Analisis data, dilakukan penyeleksian data karena dalam proses peramalan

seringkali kita mempunyai data yang berlebihan atau bisa juga terlalu sedikit.

5. Pengestimasian model awal, pada tahap ini akan menguji kesesuaian (fitting)

data yang telah kita kumpulkan ke dalam model peramalan dalam artian

meminimumkan kesalahan peramalan. Semakin sederhana suatu model

biasanya semakin baik model tersebut dalam artian bahwa model tersebut

mudah diterima oleh para manajer yang akan membuat proses pengambilan

keputusan perusahaan.

6. Evaluasi dan revisi model, sebelum kita melakukan penerapan secara aktual,

suatu model harus diuji lebih dahulu untuk menentukan akurasi, validitas, dan

7. Penyajian ramalan sementara kepada manajemen, demi keberhasilan suatu

peramalan, maka dibutuhkan input dari manajemen.

8. Revisi terakhir, penyiapan suatu ramalan yang baru akan dilakukan

tergantung pada hasil evaluasi tahap-tahap sebelumnya.

9. Pendistribusian hasil peramalan, pendistribusian hasil peramalan kepada

manajemen harus pada waktu tepat dan dalam format yang konsisten, jika

tidak nilai ramalan tersebut akan berkurang. Peramal harus menentukan siapa

yang harus menerima hasil ramalan tersebut, tingkat kerincian ramalan sesuai

dengan para penggunanya, dan berapa kali para penggunanya harus diberikan

dan diperbaiki.

10. Penetapan langkah pemantauan, peramalan harus dibandingkan hasil aktual

untuk mengetahui akurasi metodologi yang digunakan. Evaluasi pada tahap

ini harus dipandang sebagai suatu proses pengendalian dan merupakan

langkah yang diperlukan untuk menjaga keandalan estimasi masa datang

(Arsyad, 2001).

2.3.3 Data

Data adalah sekumpulan informasi. Dalam pengertian bisnis, data adalah

sekumpulan informasi yang diperlukan untuk pengambilan keputusan. Data ini

perlu disusun dan disimpan dengan menggunakan metode tertentu, sehingga jika

sewaktu-waktu diperlukan segera dapat dicari kembali dengan mudah dan cepat.

Untuk memudahkan penyimpanan dan pencarian kembali data, pada umumnya

data diberi nama sesuai dengan informasi yang tercakup di dalamnya. Sebagai

contoh misalnya data penjualan, produksi, pemeliharaan mesin, pemeliharaan

Secara konseptual, data adalah deskripsi tentang benda, kejadian,

aktifitas, dan transaksi, yang tidak mempunyai makna atau tidak berpengaruh

secara langsung kepada pemakai data tersebut. Data tersebut juga dapat berupa

nilai yang terformat, teks, citra, audio, dan video (Kadir, 2003).

2.3.4 Data Runtut Waktu

Menurut Arsyad (2001), setiap variabel yang terdiri dari data yang

dikumpulkan, dicatat, atau, diobservasi sepanjang waktu yang berurutan disebut

data runtut waktu (time series). Dengan kata lain, suatu data runtut waktu terdiri

data yang dikumpulkan, dicatat atau diobservasi sepanjang waktu yang berurutan.

Data runtut waktu ini memiliki 4 komponen, yaitu :

1. Tren adalah komponen jangka panjang yang menunjukkan pertumbuhan atau

penurunan serial data tersebut sepanjang periode waktu tertentu. Kekuatan

utama yang mempengaruhi dan membantu menjelaskan tren dari suatu data

runtut waktu adalah pertumbuhan penduduk, tingkat inflasi, perubahan

teknologi, dan kenaikan produktivitas.

Gambar 2.1 Komponen Kecenderungan Tren

2. Siklus adalah suatu seri fluktuasi seperti gelombang atau sikluas yang

dapat dilihat dari perbedaan antara nilai yang diharapkan (tren) dengan nilai

yang sebenarnya yaitu variasi residual yang berfluktuasi sekitar tren.

Gambar 2.2 Komponen Kecenderungan Siklus

3. Musiman, fluktuasi musiman biasanya dijumpai pada data yang

dikelompokkan secara kuartalan, bulanan atau mingguan. Variasi musiman

ini menggambarkan pola perubahan yang berulang secara teratur dari waktu

ke waktu.

Gambar 2.3 Komponen Kecenderungan Musiman

4. Fluktuasi Tak Beraturan, komponen tidak beraturan terbentuk dari

fluktuasi-fluktuasi yang disebabkan oleh peristiwa-peristiwa yang tidak terduga seperti

perubahan cuaca, pemogokan, perang, pemilihan umum, rumors tentang

Gambar 2.4 Komponen Kecenderungan Acak

2.3.5 Autokorelasi dan Autokorelasi Parsial

Korelasi merupakan hubungan antara satu variabel dengan variabel

lainnya. Nilai korelasi dinyatakan oleh koefisien yang nilainya bervariasi antara

+1 hingga -1. Nilai tersebut menyatakan apa yang akan terjadi pada suatu variabel

jika terjadi perubahan pada variabel lainnya. Nilai koefisien yang bernilai positif,

yakni jika satu variabel meningkat nilainya, variabel lainnya juga akan meningkat

nilainya. Sedangkan nilai koefisien yang bernilai negatif menunjukkan hubungan

antar variabel yang bersifat negatif, yakni jika suatu variabel meningkat nilainya,

variabel lainnya akan menurun nilainya, dan sebaliknya. Bila suatu koefisien

bernilai nol, berarti antar variabel-variabel tersebut tidak memiliki hubungan.

Autokorelasi dapat dihitung menggunakan fungsi autokorelasi, r(k), yang dapat

dinotasikan sebagai berikut :

∑ ( ) –

∑ ( ) …………..……..……….……(2.1) Dimana :

= koefisien autokorelasi pada lag ke- k

Ŷ = nilai rata-rata serial data Yt = observasi pada waktu t

Yt-k = observasi pada k periode sebelumnya

Koefisien autokorelasi dari data yang stasioner mendekati nol setelah dua

atau tiga lag waktu. Sementara untuk data runtut waktu yang tidak stasioner

koefisien-koefisien tersebut secara signifikan tidak sama dengan nol untuk

beberapa periode waktu (Arsyad, 2001). Secara umum, ACF digunakan untuk

melihat apakah ada data yang bersifat Moving Average (MA) dari suatu deret

waktu, yang dalam persamaan ARIMA direpresentasikan oleh besaran q. Jika

terdapat sifat MA, q pada umumnya bernilai 1 atau 2.

Autokorelasi parsial (PACF) digunakan untuk mengukur derajat asosiasi

antara Yt dan Yt-k, ketika efek dari rentang atau jangka waktu (time lag)

dihilangkan. Seperti ACF, nilai PACF juga berkisar antara +1 dan -1. PACF

umumnya digunakan untuk mengidentifikasi ada atau tidaknya sifat

Autoregressive (AR), yang dinotasikan dengan besaran p. Jika terdapat sifat AR,

pada umumnya PACF bernilai 1 atau 2, jarang ditemukan sifat AR dengan nilai p

lebih besar dari 2. Fungsi PACF dapat dituliskan sebagai berikut :

∑

∑ ………..………..……….(2.2)

Dimana :

= koefisien autokorelasi parsial

k = time lag, dengan k=1,2,3,……,k.

2.3.6 Metode ARIMA

Model-model Autoregressive Integrated Moving Average (ARIMA) telah

dipelajari secara mendalam oleh George Box dan Gwilym Jenkins, dan nama

mereka sering disinonimkan dengan proses ARIMA yang ditetapkan untuk

analisis runtun waktu (time series), peramalan dan pengendalian. Model

Autoregressive (AR) pertama kali diperkenalkan oleh Yule dan kemudian

dikembangkan oleh Walker, sedangkan model Moving Average (MA) pertama

kali digunakan oleh Slutzky.

Penelitian tersebut dilanjutkan oleh Wold yang menghasilkan dasar-dasar

teoritis dari proses kombinasi ARMA. Wold membentuk model ARMA yang

dikembangkan pada tiga arah yaitu identifikasi efisien dan prosedur penafsiran

(untuk proses AR, MA, dan ARMA campuran), perluasan dari hasil tersebut

untuk mencakup runtut waktu musiman dan pengembangan sederhana yang

mencakup proses-proses non-stasioner (ARIMA). Box dan Jenkins secara efektif

telah berhasil mencapai kesepakatan mengenai informasi relevan yang diperlukan

untuk memahami dan memakai model-model ARIMA (Makridakis,dkk, 1999).

Metode ARIMA ini merupakan teknik uji linier yang istimewa. Dalam

membuat peramalan, model ini sama sekali mengabaikan variabel independen.

ARIMA merupakan suatu alat yang menggunakan nilai sekarang dan

nilai-nilai lampau dari variabel yang dependen untuk menghasilkan peramalan jangka

pendek yang akurat. Misalnya, peramalan harga di pasar saham yang dilakukan

oleh analis pialang yang didasarkan sepenuhnya pada pola perubahan harga-harga

Berikut ini adalah model-model ARIMA, yaitu :

1. Autoregressive Model (AR)

Bentuk umum model autoregressive dengan ordo p (AR(p)) atau model

ARIMA (p,0,0) dinyatakan sebagai berikut :

………..…………(2.3)

Dimana :

Yt= nilai autoregressive (AR) yang diprediksi

Yt-1, Yt-2,..., Yt-p= nilai lampau yang bersangkutan

ϕ

p = koefisien autoregressive ke-p

e

t = nilai kesalahan pada saat t 2. Moving Average Model (MA)

Bentuk umum model moving average ordo q (MA(q)) atau model ARIMA

(0,0,q) dinyatakan sebagai berikut :

…………...…………...…(2.4)

Dimana :

Yt= nilai Moving Average (MA) yang diprediksi

μ = konstanta

W1,W2,…… ,Wq= koefisien moving average ke-q

e

t-k = nilai kesalahan pada saat t-k

3. Model Campuran (ARMA)

Model umum untuk campuran proses AR(p) murni dan MA(q) murni, misal

ARIMA (p,0,q) dinyatakan sebagai berikut :

Menurut Hanke dan Wichern (2009), dasar dari pendekatan Box-Jenkins

adalah sebagai berikut :

1. Identifikasi Model

Tahap ini dimulai dengan menentukan apakah data runtut waktu yang akan

digunakan bersifat stasioner atau tidak. Jika data runtut waktu tersebut tidak

stasioner, biasanya dapat dikonversi menjadi data runtut waktu yang stasioner

dengan proses diferensiasi (differencing) yaitu menghitung perubahan atau

selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner

atau tidak. Jika belum stasioner maka dilakukan proses diferensiasi kembali.

Fungsi proses diferensiasi dapat dituliskan sebagai berikut :

………..……….…(2.6)

Setelah data runtut waktu berupa data stasioner, langkah selanjutnya adalah

mengidentifikasi model yang akan digunakan. Identifikasi model dilakukan

dengan cara membandingkan koefisien autokorelasi (ACF) dan autokorelasi

parsial (PACF) dari data dengan model ARIMA untuk menentukan model

yang paling sesuai, apakah ARIMA (p,0,0) atau AR(p), ARIMA(0,0,q) atau

MA(q), ARIMA(p,0,q) atau ARMA(p,q), ARIMA(p,d,q). Untuk menentukan

ada atau tidaknya nilai d dari suatu model, ditentukan oleh data itu sendiri.

Jika bentuk datanya stasioner, d bernilai 0, sedangkan jika bentuk datanya

tidak stasioner, nilai d tidak sama dengan 0 (d>0). Penentuan model ARIMA

Tabel 2.1 Identifikasi Model ARIMA

Model Pola ACF Pola PACF

AR(p) Menurun secara cepat

(dies down)

Muncul spike yang signifikan hingga lag

ke-p dan cut off setelah lag ke-p

MA(q)

Muncul spike yang signifikan hingga lag

ke-q dan cut off setelah lag ke-q

Menurun secara cepat (dies down)

ARMA(p,q) Menurun secara cepat

(dies down)

Menurun secara cepat (dies down)

AR(p) atau MA(q)

Muncul spike yang signifikan hingga lag

ke-q dan cut off setelah lag ke-q

Muncul spike yang signifikan hingga lag

ke-p dan cut off setelah lag ke-p

Bukan AR(p) atau MA(q) (white noise atau

random proses)

Tidak ada spike yang signifikan

Tidak ada spike yang signifikan

2. Estimasi Model

Tahap ini akan melakukan estimasi terhadap parameter-parameter dalam

model tersebut. Estimasi kuadrat terkecil dapat diperoleh dengan

menggunakan prosedur kuadrat terkecil non linier. Prosedur kuadrat terkecil

non linier merupakan algoritma sederhana untuk menentukan jumlah squared

error minimum. Setelah kuadrat terkecil dan standard error ditentukan, maka

nilai t (t values) dapat dibangun dan diinterpresentasikan dengan cara yang

biasa. Uji parameter bisa dilakukan dengan menggunakan p-value atau

menggunakan statistik t. Jika menggunakan p-value, kesimpulan dapat ditarik

tanpa harus melihat tabel p-value karena cukup membandingkannya dengan

batas toleransi (α). Apabila p-value bernilai lebih kecil dibandingkan nilai

batas toleransi (α) maka dapat dikatakan parameter tersebut berbeda

dipertahankan. Parameter yang nilainya tidak berbeda signifkan dari nol dapat

dieliminasi dari model. Untuk menghitung Mean Squared Error, dapat

menggunakan rumus sebagai berikut :

∑

∑

……….(2.7)

Dengan :

e

t = Yt–Ŷt = residual pada waktu ke-t n = jumlah data

r = jumlah parameter yang diestimasi

Nilai Mean Squared Error dari model tersebut akan dibandingkan dengan

nilai Mean Squared Error dari model-model yang lain.

3. Pengecekan Model

Setelah estimasi dilakukan, maka parameter-parameter tersebut harus diuji

tingkat signifikansinya untuk mengetahui apakah parameter tersebut white

noise (bersifat random) atau tidak. Proses white noise merupakan proses

stasioner. Proses white noise didefinisikan sebagai deret variabel acak yang

independen, identik, dan terdistribusi (Iriawan dan Astuti, 2006). Data yang

bersifat stasioner merupakan salah satu syarat dalam penggunaan metode

ARIMA. Untuk melihat sifat white noise dari data tersebut, perlu dilakukan

pengujian terhadap nilai koefisien autokorelasi, dengan menggunakan Uji

Ljung-Box. Berikut ini adalah fungsi Uji Ljung-Box :

∑ ………..….………(2.8)

Dimana :

n = nilai residual

k = time lag ke-k

m = time lag maksimum

Jika p-value yang terkait pada Q (Uji Ljung-Box) lebih kecil dari 0.05, maka

model tersebut dinyatakan tidak layak digunakan. Sehingga, peneliti harus

menentukan atau memodifikasi model baru hingga model tersebut dianggap

layak untuk digunakan.

4. Peramalan dengan Model ARIMA

Apabila model ARIMA telah dinyatakan layak untuk digunakan, maka dapat

dilakukan proses peramalan dengan model ARIMA tersebut untuk satu

periode atau beberapa periode mendatang dalam jangka pendek. Misalnya,

telah ditetapkan model terbaik ARIMA(1,1,0) dan akan dilakukan uji coba

peramalan untuk satu periode mendatang, sehingga model tersebut dijabarkan

sebagai berikut :

………(2.9)

Atau

………...(2.10)

Atau

………...….(2.11)

Dimana :

ΔYt = selisih antara Yt dan Yt-1

ϕ

1 = koefisien autoregressive ke-1 Yt = nilai ramalan pada periode ke-t

2.3.7 Pengukuran Hasil Peramalan

Setiap metode peramalan tentu tidak dapat menghasilkan hasil ramalan

yang benar-benar tepat atau sama persis dengan data aktual di periode yang sama.

Nilai ramalan yang dihasilkan selama ini hanya mendekati data aktual di periode

yang sama. Maka diharapkan suatu metode peramalan dapat memberikan

perbedaan yang sekecil mungkin antara nilai hasil ramalan dengan data aktual

pada periode yang sama.

Ada beberapa cara untuk mengevaluasi teknik peramalan, cara yang

pertama yaitu menggunakan penjumlahan kesalahan absolut. Simpangan absolut

rata-rata atau Mean Absoulte Deviation (MAD) mengukur akurasi peramalan

dengan merata-ratakan kesalahan peramalan (nilai absolutnya). MAD ini sangat

berguna jika seorang analis ingin mengukur kesalahan peramalan dalam unit

ukuran yang sama seperti data aslinya. Berikut ini adalah persamaan yang

menunjukkan bagaimana cara menghitung MAD :

∑ _{………(2.12)}

Cara yang kedua adalah menggunakan kesalahan rata-rata kuadrat atau

Mean Squared Error (MSE) merupakan metode alternatif dalam mengevaluasi

suatu teknik peramalan. Setiap kesalahan atau residual dikuadratkan, kemudian

dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini penting karena

suatu teknik yang menghasilkan kesalahan yang moderat lebih disukai oleh suatu

peramalan yang biasanya menghasilkan kesalahan yang lebih kecil tetapi

kadang-kadang menghasilkan kesalahan yang sangat besar. Berikut ini adalah persamaan

yang menunjukkan bagaimana cara menghitung MSE :

Cara yang ketiga adalah menghitung kesalahan peramalan dengan

menggunakan secara persentase ketimbang nilai absolutnya. Persentase kesalahan

absolute rata-rata atau Mean Absolute Percentage Error (MAPE) dihitung dengan

menemukan kesalahan absolut setiap periode, kemudian membaginya dengan

nilai observasi pada periode tersebut, dan akhirnya merata-ratakan persentase

absolut ini. Pendekatan ini sangat berguna jika variabel peramalan merupakan

faktor penting dalam mengevaluasi akurasi peramalan tersebut. MAPE

memberikan petunjuk seberapa besar kesalahan peramalan dibandingkan dengan

nilai sebenarnya dari series tersebut. MAPE juga dapat digunakan untuk

memperbandingkan akurasi dari teknik yang sama atau berbeda pada dua series

yang berbeda. Berikut ini adalah persamaan yang menunjukkan bagaimana cara

menghitung MAPE :

∑ …...(2.14) Cara yang keempat yaitu menentukan apakah suatu metode peamalan

bias atau tidak (secara konsisten tinggi atau rendah). Persentase kesalahan

rata-rata atau Mean Percentage Error (MPE) dihitung dengan cara menemukan

kesalahan setiap periode, kemudian membaginya dengan nilai sebenarnya pada

periode tersebut, dan kemudian merata-ratakan persentase kesalahan tersebut. Jika

pendekatan peramalan tersebut tidak bias, maka hasil perhitungannya akan

menghasilkan persentase mendekati nol. Jika hasil persentase negatifnya cukup

besar, maka metode peramalan tersebut menghasilkan hasil ramalan yang cukup

tinggi, demikian sebaliknya. Berikut ini adalah persamaan yang menunjukkan

∑ ………..…………..……(2.15)

2.3.8 Minitab

Minitab merupakan salah satu software populer yang banyak digunakan

user untuk mengolah data-data statistika. Software yang diperkenalkan mulai

tahun 1972 di Universitas Negeri Penn ini cepat berkembang dengan

kepraktisannya mengolah data (Pramesti, 2009).

Minitab menyediakan berbagai perintah yang memungkinkan proses

pemasukan data, manipulasi data, pembuatan grafik, peringkasan nilai-nilai

numerik, dan analisis statistik lainnya. Software ini juga mampu menganalisis

statistik yang kompleks (Imanda, 2010).

Keunggulan Minitab adalah selain menyediakan metode-metode statistik

klasik seperti analisis regresi, analisis faktor, analisis deskriminan, dan tabulasi

silang, Minitab menyediakan pula metode-metode statistik untuk meningkatkan

dan memperbaiki kualitas seperti pengendalian kualitas statistik, desain

eksperimen, dan analisis reliabilitas. Bukan hanya itu, Minitab pun mampu

member nilai taksiran yang mendekati nilai sebenarnya (Iriawan dan Astuti,

2006).

2.4 Penelitian

2.4.1 Jenis Penelitian

Menurut Hermanto (2004), jenis-jenis penelitian ditinjau dari metode

pengolahan data, dibagi menjadi :

1. Penelitian Kualitatif, penelitian yang menggunakan metode pengolahan data

2. Penelitian Kuantitatif, penelitian yang menggunakan metode pengolahan data

kuantitatif (angka) dengan metode statistik inferensial.

2.4.2 Klasifikasi Data

Menurut Umar (2011), data berdasarkan sumbernya diklasifikasikan

menjadi dua, yaitu :

1. Data Primer

Data primer merupakan data yang didapat dari sumber pertama, baik dari

individu atau perseorangan seperti hasil dari wawancara atau hasil pengisian

kuesioner yang biasa dilakukan oleh peneliti. Misalnya, produsen suatu

produk kosmetik ingin mengetahui perilaku konsumen terhadap produk

tersebut, maka diadakanlah wawancara atau pengisian kuesioner pada

konsumennya.

2. Data Sekunder

Data sekunder merupakan data primer yang telah diolah lebih lanjut dan

disajikan baik oleh pihak lain misalnya dalam bentuk tabel-tabel atau

diagram-diagram. Data sekunder ini digunakan oleh peneliti untuk diproses

lebih lanjut. Misalnya data tentang rating televisi yang didapat dari terbitan

yang dikeluarkan oleh badan riset yang dikelola oleh swasta.

Berdasarkan dimensi waktunya, data diklasifikasikan menjadi dua, yaitu :

1. Data time series

Data time series atau disebut juga data deret waktu merupakan sekumpulan

data dari suatu fenomena tertentu yang didapat dalam beberapa interval waktu

tertentu. Misalnya, dalam waktu mingguan, bulanan, atau tahunan.

2. Data cross section

Data cross section atau sering disebut data satu waktu adalah sekumpulan

data untuk meneliti suatu fenomena tertentu dalam satu kurun waktu saja,

misalnya data hasil pengisian kuesioner tentang perilaku pembelian suatu

produk kosmetik oleh sekelompok responden pada bulan Januari 1998.

2.4.3 Teknik Pengumpulan Data

Menurut Jogiyanto (2008), ada beberapa teknik tersedia untuk

mengumpulkan data, yaitu :

1. Teknik observasi dan wawancara, dilakukan secara pengamatan langsung di

studi kasus dan di lapangan.

2. Teknik eksperimen dan simulasi, dilakukan secara pengamatan langsung

untuk mendapatkan data laboratorium.

3. Teknik survei, dilakukan untuk mendapatkan data opini individu.

4. Teknik delphi, dilakukan untuk mendapatkan data opini grup.

5. Teknik analisis isi (content analysis), dilakukan untuk mendapatkan data

arsip primer.

6. Teknik pengambilan basis data, dilakukan untuk mendapatkan data arsip

sekunder.

7. Teknik model matematik, dilakukan secara analitikal untuk mendapatkan data

29

METODE PENELITIAN

Pada bab ini membahas tentang langkah-langkah yang digunakan dalam

penelitian, diantaranya jenis penelitian, sumber data, teknik pengumpulan data,

studi literatur, blok diagram dan flowchart ARIMA, serta pengolahan data.

3.1 Jenis Penelitian

Penelitian ini dapat digolongkan kedalam jenis penelitian kuantitatif.

Penelitian ini bertujuan untuk mengolah data kuantitatif (angka) yang berupa data

histori harga saham untuk menghasilkan ramalan harga saham lima periode (hari)

mendatang.

3.2 Sumber Data

Pada penelitian ini, data yang digunakan adalah data sekunder karena

diperoleh dari pihak lain yaitu Yahoo Finance dan telah diolah kedalam bentuk

tabel. Berdasarkan dimensi waktunya, data yang digunakan adalah data Time

Series dalam waktu interval tertentu yaitu mulai dari periode 21 Februari 2014

sampai 19 Februari 2016.

3.3 Teknik Pengumpulan Data

Teknik pengumpulan data yang digunakan pada penelitian ini adalah

teknik pengambilan basis data. Teknik ini dilakukan dengan cara mendapatkan

data arsip sekunder yang dipublikasikan oleh Yahoo Finance melalui situs

www.finance.yahoo.com. Data yang dikumpulkan adalah data harga penutupan

Februari 2014 sampai 19 Februari 2016. Berikut ini adalah data mentah yang telah

dikumpulkan dari Yahoo Finance :

Tabel 3.1 Data Histori Harga Saham EXCL

Harga Saham EXCL

Periode Tanggal Harga Saham

1 2/21/2014 4500

2 2/24/2014 4445

3 2/25/2014 4370

4 2/26/2014 4325

5 2/27/2014 4370

6 2/28/2014 4650

7 3/3/2014 4485

8 3/4/2014 4430

9 3/5/2014 4430

10 _… 3/6/2014 _… 4430 _…

511 2/8/2016 4040

512 2/9/2016 4000

513 2/10/2016 3975

514 2/11/2016 3975

515 2/12/2016 3930

516 2/15/2016 3900

517 2/16/2016 3920

518 2/17/2016 3940

519 2/18/2016 3935

520 2/19/2016 3900

Tabel 3.1 merupakan data histori harga saham emiten EXCL mulai dari

21 Februari 2014 sampai dengan 19 Februari 2016 sebanyak 520 periode. Data

tersebut dikumpulkan melalui situs Yahoo Finance dengan mengelompokkan

histori harga saham EXCL per harinya. Data histori harga saham EXCL

Tabel 3.2 Data Histori Harga Saham FREN

Harga Saham FREN

Periode Tanggal Harga Saham

1 2/21/2014 62

2 2/24/2014 65

3 2/25/2014 63

4 2/26/2014 70

5 2/27/2014 70

6 2/28/2014 71

7 3/3/2014 69

8 3/4/2014 68

9 3/5/2014 68

10 _… 3/6/2014 _… 71 _…

511 2/8/2016 50

512 2/9/2016 50

513 2/10/2016 51

514 2/11/2016 50

515 2/12/2016 50

516 2/15/2016 50

517 2/16/2016 50

518 2/17/2016 50

519 2/18/2016 50

520 2/19/2016 51

Tabel 3.2 merupakan data histori harga saham emiten FREN mulai dari

21 Februari 2014 sampai dengan 19 Februari 2016 sebanyak 520 periode. Data

tersebut dikumpulkan melalui situs Yahoo Finance dengan mengelompokkan

histori harga saham FREN per harinya. Data histori harga saham FREN

selengkapnya dapat dilihat pada Lampiran 2.

Tabel 3.3 Data Histori Harga Saham ISAT

Harga Saham ISAT

Periode Tanggal Harga Saham

1 2/21/2014 3995

Harga Saham ISAT

Periode Tanggal Harga Saham

3 2/25/2014 4000

4 2/26/2014 3995

5 2/27/2014 3955

6 2/28/2014 4015

7 3/3/2014 4000

8 3/4/2014 4000

9 3/5/2014 4000

10 _… 3/6/2014 _… 4000 _…

511 2/8/2016 5425

512 2/9/2016 5575

513 2/10/2016 5525

514 2/11/2016 5500

515 2/12/2016 5375

516 2/15/2016 5400

517 2/16/2016 5400

518 2/17/2016 5400

519 2/18/2016 5400

520 2/19/2016 5175

Tabel 3.3 merupakan data histori harga saham emiten ISAT mulai dari 21

Februari 2014 sampai dengan 19 Februari 2016 sebanyak 520 periode. Data

tersebut dikumpulkan melalui situs Yahoo Finance dengan mengelompokkan

histori harga saham ISAT per harinya. Data histori harga saham ISAT

selengkapnya dapat dilihat pada Lampiran 3.

Tabel 3.4 Data Histori Harga Saham TLKM

Harga Saham TLKM

Periode Tanggal Harga Saham

1 2/21/2014 2400

2 2/24/2014 2375

3 2/25/2014 2290

Harga Saham TLKM

Periode Tanggal Harga Saham

5 2/27/2014 2285

6 2/28/2014 2325

7 3/3/2014 2300

8 3/4/2014 2300

9 3/5/2014 2320

10 _… 3/6/2014 _… 2310 _…

511 2/8/2016 3500

512 2/9/2016 3375

513 2/10/2016 3385

514 2/11/2016 3430

515 2/12/2016 3285

516 2/15/2016 3325

517 2/16/2016 3335

518 2/17/2016 3335

519 2/18/2016 3315

520 2/19/2016 3195

Tabel 3.4 merupakan data histori harga saham emiten TLKM mulai dari

21 Februari 2014 sampai dengan 19 Februari 2016 sebanyak 520 periode. Data

tersebut dikumpulkan melalui situs Yahoo Finance dengan mengelompokkan

histori harga saham TLKM per harinya. Data histori harga saham TLKM

selengkapnya dapat dilihat pada Lampiran 4.

3.4 Studi Literatur

Dalam penelitian ini, studi literatur yang digunakan untuk

mengumpulkan teori dan materi pendukung diperoleh dari buku-buku serta

melalui internet. Teori dan materi pendukung yang terkait dengan penelitian ini,

yaitu tentang investasi, saham, teknik peramalan, metode ARIMA, dan

3.5 Blok Diagram dan Flowchart ARIMA

Blok diagram Analisis Peramalan Harga Saham Menggunakan Metode

ARIMA dapat dilihat pada Gambar 3.1 sebagai berikut :

INPUT PROSES OUTPUT

Data Histori Harga Saham Sektor

Telekomunikasi (EXCL, FREN, ISAT,

TLKM)

Melakukan Estimasi Parameter dan Pengecekan Model

Model ARIMA Sementara

Hasil Peramalan Harga Saham Sektor

Telekomunikasi (EXCL, FREN, ISAT,

TLKM) Melakukan Uji Coba

Peramalan

Model ARIMA Terbaik Mengidentifikasi Model

Gambar 3.1 Blok Diagram Analisis Peramalan Harga Saham Menggunakan Metode ARIMA

Penelitian ini membutuhkan input berupa Data Histori Harga Saham

Sektor Telekomunikasi (EXCL, FREN, ISAT, TLKM), data tersebut diambil dari

Yahoo Finance dan akan dilakukan identifikasi model yang menghasilkan model

ARIMA sementara. Setelah menghasilkan model ARIMA sementara, akan

dilakukan estimasi parameter dan pengecekan model. Estimasi parameter dan

pengecekan model tersebut menghasilkan model ARIMA mana yang terbaik.

Model ARIMA terbaik yang telah didapatkan akan digunakan sebagai uji coba

peramalan, dan mendapatkan Hasil Peramalan Harga Saham Sektor

Telekomunikasi (EXCL, FREN, ISAT, TLKM). Untuk lebih detilnya, dapat

Mulai

Selesai Data Histori Harga Saham

Sektor Telekomunikasi (EXCL, FREN, ISAT,

TLKM)

Uji Stasioneritas Data

Proses Diferensiasi (Differencing)

Apakah Data Stasioner? T Identifikasi Model ARIMA Y Tahap Identifikasi Model

Data Histori Harga Saham Sektor Telekomunikasi

(EXCL, FREN, ISAT, TLKM) Stasioner

Model ARIMA Sementara

Estimasi Parameter Model ARIMA

Apakah Parameter Model Telah Signifikan?

Uji Asumsi Residual (Uji Ljung-Box) Y Memenuhi syarat White Noise? Model Terbaik Y

Uji Coba Peramalan

Hasil Peramalan Harga Saham Sektor Telekomunikasi (EXCL, FREN, ISAT, TLKM)

Stasioner

Tahap Estimasi Model

Tahap Peramalan Dengan Model ARIMA T

T

Tahap Pengecekan Model

Data histori harga saham EXCL, FREN, ISAT, dan TLKM akan diuji

apakah data tersebut bersifat stasioner atau tidak. Uji stasioneritas data ini

dilakukan dengan cara plotting data, uji autokorelasi (ACF), dan uji autokorelasi

parsial (PACF). Data yang bersifat stasioner akan terlihat koefisien autokorelasi

(ACF) nya turun secara cepat. Sedangkan, data yang bersifat tidak stasioner akan

terlihat koefisien autokorelasi (ACF) nya turun secara lambat. Jika data bersifat

tidak stasioner maka perlu dilakukan proses diferensiasi (differencing) sehingga

datanya menjadi stasioner. Setelah data tersebut stasioner, maka dapat

diidentifikasi model ARIMA sementaranya, dengan cara melihat pola ACF dan

PACF pada data yang sudah stasioner.

Model ARIMA sementara yang telah didapatkan akan dilakukan estimasi

parameter, kemudian diuji apakah p-value dari koefisien-koefisien tersebut kurang

dari batas toleransi (α) 0.05. Jika p-value kurang dari 0.05 maka koefisien tersebut dianggap signifikan dan valid untuk digunakan. Jika sebaliknya, maka koefisien

tersebut dieliminasi dari model. Proses berikutnya adalah melakukan uji asumsi

residual, apakah memenuhi syarat white noise atau tidak. Uji asumsi residual

dilakukan dengan menggunakan uji LJung-Box, dengan melihat apakah p-value

-nya lebih besar dari 0.05. Jika p-value pada uji LJung-Box lebih besar daripada

0.05, maka dapat dikatakan model tersebut white noise. Model terbaik akan dipilih

berdasarkan Mean Square (MS) yang terkecil. Setelah model terbaik dipilih, maka

akan dilakukan uji coba peramalan harga saham berdasarkan model tersebut.

3.6 Pengolahan Data

Pengolahan data dilakukan sesuai tahap-tahap metode ARIMA dan

tahap estimasi model, tahap pengecekan model, dan tahap peramalan dengan

model ARIMA. Berikut ini adalah langkah-langkah pengolahan datanya:

1. Tahap Identifikasi Model

Langkah pertama dalam tahap ini adalah melakukan uji stasioneritas data

dengan cara melakukan plotting data, uji autokorelasi (ACF), dan uji autokorelasi

parsial (PACF). Plotting data bertujuan untuk menampilkan data Time Series

harga saham ke dalam bentuk grafik. Langkah-langkah dalam melakukan plotting

data adalah sebagai berikut :

a. Pilih Menu Stat > Time Series > Time Series Plot (Lihat Gambar 3.3).

Gambar 3.3 Menu Time SeriesPlot

b. Akan muncul Kotak Dialog Time Series Plots, seperti pada Gambar 3.4.

Gambar 3.4 Kotak Dialog Time SeriesPlots

c. Selanjutnya muncul Kotak Dialog Time Series Plot – Simple, seperti pada Gambar 3.5. Pilih data harga saham yang ingin ditampilkan, lalu tekan

tombol OK, maka data harga saham yang telah dipilih akan ditampilkan ke

dalam bentuk grafik.

Gambar 3.5 Kotak Dialog Time SeriesPlot–Simple

Tujuan dilakukannya plotting data adalah untuk melihat secara umum

tidak. Untuk lebih jelasnya, perlu dilakukan uji autokorelasi (ACF) dengan

langkah-langkah sebagai berikut :

a. Pilih Menu Stat > Time Series > Autocorrelation (Lihat Gambar 3.6).

Gambar 3.6 Menu Time Series–Autocorrelation

b. Akan muncul Kotak Dialog Autocorrelation Function, seperti Gambar 3.7.

Lalu pilih data harga saham yang akan diuji autokorelasinya, dan lakukan

proses centang untuk pilihan Store ACF, Store t Statistics, dan Store

LJung-Box Q Statistics, kemudian tekan tombol OK. Secara otomatis data akan

diolah dan menghasilkan grafik correlogram ACF, perhitungan ACF,

Gambar 3.7 Kotak Dialog Autocorrelation Function

Berdasarkan grafik correlogram ACF yang dihasilkan, dapat diketahui

apakah data harga saham tersebut bersifat stasioner atau tidak. Dengan cara,

melihat apakah ada bar berwarna biru yang melebihi batas garis merah. Jika ada

bar berwarna biru yang melebihi batas garis merah, ini menunjukkan bahwa

koefisien autokorelasi (ACF) berbeda signifikan dari 0, dan jika bar berwarna biru

tersebut turun secara lambat, maka dapat dipastikan bahwa data harga saham yang

diuji adalah tidak stasioner.

Selain melakukan uji autokorelasi (ACF), uji stasioneritas data bisa juga

dilakukan dengan melakukan uji autokorelasi parsial (PACF). Langkah-langkah

untuk melakukan uji autokorelasi parsial (PACF) adalah sebagai berikut :

Gambar 3.8 Menu Time Series–Partial Autocorrelation

b. Akan muncul Kotak Dialog Partial Autocorrelation Function, seperti pada

Gambar 3.9. Lalu pilih data harga saham yang akan diuji autokorelasi

parsialnya, dan lakukan proses centang untuk pilihan Store PACF, dan Store t

Statistics, kemudian tekan tombol OK. Secara otomatis, data tersebut akan

diolah dan menghasilkan grafik correlogram PACF, perhitungan PACF, dan

perhitungan t Statistics.

Berdasarkan grafik correlogram PACF yang dihasilkan, dapat diketahui

apakah data harga saham tersebut bersifat stasioner atau tidak. Dengan cara,

melihat apakah ada bar berwarna biru yang melebihi batas garis merah. Jika ada

bar berwarna biru yang melebihi batas garis merah pada lag pertama namun pada

lag-lag berikutnya mendekati nol. Maka dapat dipastikan bahwa data harga saham

yang diuji adalah tidak stasioner.

Jika data harga saham bersifat tidak stasioner, maka perlu dilakukan

proses diferensiasi (differencing) yang bertujuan untuk membuat data tersebut

menjadi stasioner. Langkah-langkah proses diferensiasi (differencing), adalah

sebagai berikut :

a. Pilih Menu Stat > Time Series > Differences (Lihat Gambar 3.10).

Gambar 3.10 Menu Time Series–Differences

b. Akan muncul Kotak Dialog Differences, seperti pada Gambar 3.11. Pilih data

harga saham yang akan dilakukan proses diferensiasi, dan isi kolom Store

Gambar 3.11 Kotak Dialog Differences

Pada proses diferensiasi ini, dilakukan perhitungan selisih antara nilai Xt

dan nilai Xt-1. Untuk mengetahui apakah proses diferensiasi sudah menghasilkan

data yang stasioner atau belum, dapat dilakukan plotting data kembali berdasarkan

data hasil diferensiasi. Jika data sudah stasioner, maka akan dilakukan identifikasi

model ARIMA sementaranya dan beberapa kemungkinan model yang lainnya

berdasarkan pola pada grafik correlogram ACF, dan grafik correlogram PACF.

2. Tahap Estimasi Model

Setelah model ARIMA sementara diidentifikasi beserta kemungkinan

model-model ARIMA lainnya, maka perlu dilakukan pengestimasian parameter

dari model-model tersebut. Langkah-langkah estimasi parameter model adalah

sebagai berikut :

Gambar 3.12 Menu Time Series– ARIMA

b. Akan muncul Kotak Dialog ARIMA, seperti pada Gambar 3.13. Pilih data

harga saham yang akan diolah, lalu masukkan parameter model kedalam

kolom Autoregressive, Difference, dan Moving Average. Jika data bersifat

musiman, lakukan proses centang pada pilihan Fit Seasonal Model,

masukkan panjang musimannya pada kolom Period serta parameter

musimannya kemudian tekan tombol OK. Secara otomatis, akan

menghasilkan perhitungan estimasi parameternya, dan perhitungan Mean

Gambar 3.13 Kotak Dialog ARIMA

Berdasarkan hasil estimasi parameter model, akan dilihat nilai T dan

p-value dari tiap-tiap koefisiennya. Apakah p-value melebihi batas toleransi (α) 0.05 atau tidak. Jika p-value tidak melebihi 0.05 maka koefisien tersebut dinyatakan

berbeda signifikan dan model tersebut layak untuk digunakan. Setelah estimasi

parameter model dilakukan, langkah selanjutnya adalah membandingkan nilai

Mean Square (MS) masing-masing model, untuk mencari model mana yang

memiliki tingkat kesalahan terkecil.

3. Tahap Pengecekan Model

Setelah melakukan estimasi parameter, maka pada tahap ini akan

dilakukan pengecekan model, apakah model tersebut memenuhi syarat white noise

(bersifat stasioner) atau tidak. Pengecekan model dilakukan dengan cara uji

asumsi residual (Uji LJung-Box). Langkah-langkahnya adalah sebagai berikut :

a. Pilih Menu Stat > Time Series > ARIMA (sama seperti Gambar 3.12).

b. Akan muncul Kotak Dialog ARIMA, sama seperti Gambar 3.13. Pilih data

harga saham yang akan diolah, lalu masukkan parameter model kedalam

musiman, lakukan proses centang pada pilihan Fit Seasonal Model,

masukkan panjang musimannya pada kolom Period serta parameter

musimannya, kemudian tekan tombol OK.

Selanjutnya akan dilakukan pengecekan model dengan cara melihat

p-value dari hasil perhitungan Uji LJung-Box pada lag ke-12, 24, 36, dan 48.

Apakah p-value dari lag-lag tersebut lebih besar dari batas toleransi 0.05 atau

tidak, jika p-value lebih besar dari batas toleransi 0.05 maka model tersebut

memenuhi syarat white noise (bersifat stasioner). Setelah model tersebut melalui

tahap estimasi dan pengecekan model, maka akan dipilih model ARIMA yang

terbaik dengan melihat Mean Square (MS) yang terkecil.

4. Tahap Peramalan dengan Model ARIMA

Pada tahap ini akan dilakukan uji coba peramalan dengan menggunakan

model ARIMA terbaik yang telah dipilih. Langkah-langkah proses peramalan

dengan model ARIMA adalah sebagai berikut :

a. Pilih Menu Stat > Time Series > ARIMA (sama seperti Gambar 3.12).

b. Akan muncul Kotak Dialog ARIMA, sama seperti Gambar 3.13. Pilih data

harga saham yang akan diolah, lalu masukkan parameter model terbaik

kedalam kolom Autoregressive, Difference, dan Moving Average.

c. Kemudian klik tombol Forecasts, maka akan muncul Kotak Dialog ARIMA

–Forecasts, seperti pada Gambar 3.14. Pada kolom Lead, isi dengan angka 5 untuk meramalkan 5 periode mendatang. Dan, pada kolom Storage Forecasts,

isi dengan nama yang diinginkan untuk menampung hasil ramalan harga

saham, kemudian tekan tombol OK. Secara otomatis akan dihitung

Gambar 3.14 Kotak Dialog ARIMA –Forecasts

Setelah hasil uji coba peramalan didapatkan, akan dilakukan evaluasi

dengan cara membandingkan antara nilai aktual harga saham dengan hasil

ramalannya, pada periode 22 Februari 2016 sampai dengan 26 Februari 2016.

Selain itu, dilakukan juga pengukuran tingkat kesalahan hasil ramalan dengan

BAB IV

PEMBAHASAN DAN HASIL

Pada bab ini akan dilakukan analisis dan pembahasan terhadap data

runtut waktu harga saham emiten EXCL, FREN, ISAT, dan TLKM yang

diramalkan menggunakan metode ARIMA. Data histori harga saham yang

digunakan pada penelitian ini dimulai dari periode 21 Februari 2014 sampai 19

Februari 2016. Tahap-tahap dalam proses analisis peramalan harga saham dengan

metode ARIMA adalah sebagai berikut :

1. Tahap Identifikasi Model

Tahap ini dimulai dengan melakukan uji stasioneritas data untuk mengetahui

apakah data harga saham EXCL, FREN, ISAT, dan TLKM bersifat stasioner

atau tidak. Uji stasioneritas dilakukan dengan cara plotting data, uji

autokorelasi (ACF), dan uji autokorelasi parsial (PACF). Apabila data

tersebut bersifat tidak stasioner maka perlu dilakukan proses diferensiasi

(differencing) agar data tersebut bersifat stasioner. Setelah data tersebut

bersifat stasioner, langkah berikutnya adalah melakukan identifikasi model

ARIMA sementara dengan melihat correlogram ACF dan PACF dari hasil

proses diferensiasi.

2. Tahap Estimasi Model

Setelah model ARIMA sementara diidentifikasi maka tahap berikutnya

adalah melakukan estimasi parameter model. Estimasi dilakukan dengan cara

uji signifikansi parameter. Apabila parameter berbeda signifikan dari nol

3. Tahap Pengecekan Model

Pada tahap ini akan dilakukan pengecekan terhadap model ARIMA sementara

untuk mengetahui apakah model tersebut bersifat white noise atau tidak

dengan Uji LJung-Box. White noise adalah data yang telah bersifat stasioner.

Data stasioner merupakan syarat dalam penggunaan metode ARIMA.

4. Tahap Peramalan dengan Model ARIMA

Setelah model ARIMA tersebut memenuhi syarat signifikansi parameter dan

berisfat white noise, maka tahap berikutnya adalah melakukan uji coba

peramalan dengan model ARIMA untuk harga saham EXCL, FREN, ISAT,

dan TLKM. Apabila uji coba peramalan telah dilakukan, langkah berikutnya

adalah menentukan model ARIMA terbaik untuk masing-masing harga saham

dengan membandingkan tingkat kesalahan hasil ramalannya. Model ARIMA

terbaik dipilih berdasarkan tingkat kesalahan hasil ramalan yang terkecil.

4.1 Analisis Peramalan Harga Saham EXCL 4.1.1 Tahap Identifikasi Model

Langkah pertama yaitu melakukan uji stasioneritas terhadap data harga

saham EXCL dengan cara plotting data, uji autokorelasi (ACF), dan uji

autokorelasi parsial (PACF). Plotting data untuk harga saham EXCL dapat dilihat

Gambar 4.1 Plot Data Harga Saham EXCL

Berdasarkan plotting data yang dilakukan terhadap harga saham EXCL,

Gambar 4.1 menunjukkan bahwa data harga saham EXCL bersifat tidak stasioner

dan memiliki kecenderungan tren. Untuk lebih jelasnya akan dilakukan uji

autokorelasi (ACF) sebagai berikut :

Gambar 4.2Correlogram Uji Autokorelasi (ACF) Harga Saham EXCL

520 468 416 364 312 260 208 156 104 52 1 7000 6000 5000 4000 3000 2000 Index H a rg a S a h a m E X C L

Time Series Plot of Harga Saham EXCL

65 60 55 50 45 40 35 30 25 20 15 10 5 1 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 Lag A u to c o rr e la ti o n

Autocorrelation Function for Harga Saham EXCL

Tabel 4.76 Hasil Evaluasi Uji Coba Peramalan Model ARIMA (1,1,1) – Harga Saham TLKM Model ARIMA(1,1,1)

Periode Tanggal Aktual (Yt) Ramalan (Ŷt) Error (et) Square Error (e²t) |et| |et| / Yt et/ Yt

521 22-Feb-16 3180.00 3218.12 -38.12 1453.13 38.12 0.01199 -0.012

522 23-Feb-16 3220.00 3234.30 -14.30 204.49 14.30 0.00444 -0.0044

523 24-Feb-16 3230.00 3245.80 -15.80 249.64 15.80 0.00489 -0.0049

524 25-Feb-16 3300.00 3254.13 45.87 2104.06 45.87 0.0139 0.0139

525 26-Feb-16 3310.00 3260.33 49.67 2467.11 49.67 0.01501 0.01501

Jumlah 6478.43 163.76 0.05023 0.00759

MSE MAD MAPE MPE

1295.68604 32.752 0.010045 0.00107 1.0045%

132

Tabel 4.76 merupakan hasil evaluasi uji coba peramalan harga saham TLKM terhadap model ARIMA (1,1,1) dengan tingkat kesalahan MSE sebesar 1295.68604, MAD sebesar 32.752, MAPE sebesar 1.0045% dan MPE sebesar 0.00107.

Setelah evaluasi uji coba peramalan dilakukan terhadap model ARIMA (2,1,1), dan ARIMA (1,1,1) maka langkah selanjutnya adalah membandingkan tingkat kesalahan hasil ramalan dari kedua model tersebut. Perbandingan tingkat kesalahan hasil ramalan dapat dilihat pada Tabel 4.77.

Tabel 4.77 Perbandingan Tingkat Kesalahan Hasil Ramalan (Harga Saham TLKM)

Model MSE MAD MAPE MPE

ARIMA (2,1,1) 1305.8393 34.07 1.0448% 0.00152 ARIMA (1,1,1) 1295.68604 32.752 1.0045% 0.00107

Pada Tabel 4.77 menunjukkan bahwa ARIMA (1,1,1) memiliki tingkat kesalahan hasil ramalan MSE, MAD, MAPE, dan MPE lebih kecil dibandingkan dengan ARIMA (2,1,1). Sehingga, dapat dikatakan bahwa model ARIMA (1,1,1) merupakan model terbaik dalam melakukan peramalan harga saham TLKM.

133 5.1 Kesimpulan

Berdasarkan análisis peramalan harga saham yang telah dilakukan menggunakan metode Box-Jenkins ARIMA dapat disimpulkan sebagai berikut : 1. Model ARIMA terbaik yang digunakan untuk peramalan harga saham EXCL

adalah ARIMA (1,1,0) dengan MSE sebesar 3441.0342, MAD sebesar 47.736, MAPE sebesar 1.2472 %, dan MPE sebesar -0.0125.

2. Model ARIMA terbaik yang digunakan untuk peramalan harga saham FREN adalah ARIMA (0,1,1) dengan MSE sebesar 0.385409658, MAD sebesar 0.53744, MAPE sebesar 1.0726%, dan MPE sebesar -0.008219302.

3. Model ARIMA terbaik yang digunakan untuk peramalan harga saham ISAT adalah ARIMA (1,2,2) dengan MSE sebesar 67927.79542, MAD sebesar 242.114, MAPE sebesar 4.9396%, dan MPE sebesar -0.043571118.

4. Model ARIMA terbaik yang digunakan untuk peramalan harga saham TLKM adalah ARIMA (1,1,1) dengan MSE sebesar 1295.68604, MAD sebesar 32.752, MAPE sebesar 1.0045%, dan MPE sebesar 0.00107.

Model ARIMA terbaik yang telah ditentukan mampu membantu masyarakat dalam meramalkan harga saham EXCL, FREN, ISAT, dan TLKM. 5.2 Saran

Adapun saran-saran yang dapat diberikan kepada peneliti berikutnya adalah sebagai berikut :

134

1. Penelitian ini dapat dikembangkan lebih lanjut dengan melakukan peramalan harga saham per jamnya.

2. Peneliti lain dapat melakukan peramalan dengan menggunakan metode lain berdasarkan pola data yang sesuai.

135

Adebiyi, Ayodele A., Adewumi, Aderemi O., Ayo, Charles K. 2014. Stock Price Prediction Using the ARIMA Model. IEEE Computer Society. Volume 67.

Arsyad, Lincolin. 2001. Peramalan Bisnis. Yogyakarta : BPFE-Yogyakarta. Hanke, John E., dan Wichern, Dean W. 2009. Business Forecasting Ninth Edition.

New York : Pearson Educational.

Hartono, Jogiyanto. 2008. Teori Portofolio Dan Analisis Investasi. Yogyakarta : BPFE-Yogyakarta.

Hendarto, Kusumarsono. 2005. Belajar Trading : Pahami Trading Sebelum Anda Memulai. Yogyakarta : Andi.

Herlianto, Didit. 2013. Manajemen Investasi Plus Jurus Mendeteksi Investasi Bodong. Yogyakarta : Gosyen Publishing.

Hermanto. 2004. Buku Materi Kuliah STIKOM Metodologi Penelitian Edisi Pertama. Surabaya : STIKOM Surabaya.

Hidayat, Taufik. 2011. Buku Pintar Investasi Syariah. Jakarta : Mediakita. Imanda, Rachman. 2010. Praktikum Statistika. Bogor : Universitas Pakuan.

Iriawan, Nur., dan Astuti, Septin Puji. 2006. Mengelola Data Statistik dengan Mudah Menggunakan Minitab 14. Yogyakarta : Andi.

Jogiyanto, 2008. Metodologi Penelitian Sistem Informasi. Yogyakarta : Andi. Kadir, A. 2003. Pengenalan Sistem Informasi. Yogyakarta : Andi.

Kuncoro, Mudrajad. 2013. Metode Riset Untuk Bisnis & Ekonomi Edisi 4. Jakarta : Erlangga.

Levenbach, H. dan Clearly, J.P. 1981. The Beginning Forecaster: The Forecasting Process Through Data Analysis. California : Lifetime Learning Publications.

Makridakis, Spyros., Wheelwright, C, Steven., McGee, E, Victor. 1999. Metode dan Aplikasi Peramalan. Jakarta : Erlangga.

Oei, Istijanto. 2009. Kiat Investasi Valas, Emas, Saham. Jakarta : PT. Gramedia Pustaka Utama.

136

Pramesti, Getut. 2009. Buku Pintar Minitab 15. Jakarta : PT. Elex Media Komputindo.

PT. Bursa Efek Indonesia. 2010. Informasi Saham Bagi Investor – Ekuitas. URL : http://www.idx.co.id/id-id/beranda/informasi/bagiinvestor/saham.aspx. Diakses pada tanggal 26 Februari 2016.

Umar, Husein. 2011. Metode Penelitian Untuk Skripsi dan Tesis Bisnis Edisi Kedua. Jakarta : PT. Rajagrafindo Persada.