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
(2)
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
(3)
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
(4)
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
(5)
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
(6)
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
(7)
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
(8)
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
(9)
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
(10)
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
(11)
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
(12)
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
(13)
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
(14)
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
(15)
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
(16)
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
(17)
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
(18)
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
(19)
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
(20)
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
(21)
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
(22)
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.
(23)
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
(24)
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
(25)
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
(26)
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
(27)
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
(28)
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
(29)
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
(30)
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
(31)
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.
(32)
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
(33)
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-pe
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-k3. Model Campuran (ARMA)
Model umum untuk campuran proses AR(p) murni dan MA(q) murni, misal
ARIMA (p,0,q) dinyatakan sebagai berikut :
(34)
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
(35)
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
(36)
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 datar = 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 :
(37)
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(38)
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 :
(39)
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
(40)
∑ ………..…………..……(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
(41)
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.
(42)
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
(43)
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
(44)
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
(45)
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
(46)
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
(47)
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
(48)
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
(49)
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
(50)
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
(51)
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.
(52)
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
(53)
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,
(54)
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 :
(55)
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.
(56)
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
(57)
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 :
(58)
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
(59)
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
(60)
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
(61)
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
(62)
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
(63)
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
(64)
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
(1)
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%
(2)
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.
(3)
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 :
(4)
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.
(5)
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.
(6)
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.