Analisis Peramalan Harga Saham Dalam Keputusan Investasi Pada Perusahaan Perkebunan Di PT Bursa Efek Indonesia

25 359,587 322,517 396,657 25 1583,82 1186,91 1980,73 26 355,407 317,847 392,966 26 1534,23 1052,46 2015,99 27 359,530 318,566 400,495 27 1472,20 983,44 1960,95 28 366,748 323,181 410,315 28 1403,45 914,27 1892,64 29 372,407 328,309 416,506 29 1331,09 836,02 1826,17 30 374,416 330,298 418,534 30 1256,77 750,45 1763,09

Period Forecast Lower Upper Actual

25 719,32 508,55 930,08 26 548,61 243,45 853,77 27 628,16 282,07 974,25 28 582,52 158,20 1006,84 29 490,99 33,77 948,20 30 596,29 93,24 1099,35 Period Forecast Lower Upper

Actual

25 1074,66 570,38 1578,94 26 1052,04 332,15 1771,92 27 990,45 191,45 1789,46 28 950,17 38,98 1861,36 29 898,24 -92,14 1888,63 30 852,68 -221,28 1926,65

Lampiran 1. Hasil Peramalan Harga Saham Perkebunan AALI, GZCO, JAWA, LSIP, SGRO, dan SIMP

AALI

Forecasts from period 24

95% Limits

GZCO

Forecasts from period 24

95% Limits Period Forecast Lower Upper Period Forecast Lower Upper

Actual Actual

25 17910,4 14231,0 21589,8 25 103,870 58,767 148,972 26 20892,8 16191,9 25593,6 26 96,812 38,182 155,442 27 19685,6 14840,3 24530,8 27 85,929 23,828 148,030 28 19895,5 15046,0 24745,1 28 78,177 7,197 149,158 29 19859,0 15009,3 24708,7 29 67,863 -6,750 142,476 30 19865,4 15015,7 24715,0 30 59,646 -21,662 140,954

JAWA

Forecasts from period 24

95% Limits Period Forecast Lower Upper Actual

SGRO

Forecasts from period 24

95% Limits Period Forecast Lower Upper Actual

LSIP

Forecasts from period 24

95% Limits

SIMP

Forecasts from period 24

Period Forecast Lower Upper Actual

25 440,938 318,020 563,856 26 448,594 321,165 576,024 27 444,013 311,092 576,934 28 439,431 301,237 577,626 29 434,850 291,575 578,124 30 430,268 282,088 578,448

Period Forecast Lower Upper Actual

25 26,063 -20,643 72,770 26 -2,191 -63,298 58,916 27 -26,015 -88,472 36,443 28 -44,096 -107,182 18,989 29 -58,529 -124,435 7,377 30 -71,749 -140,706 -2,791

Lampiran 2. Hasil Peramalan Harga Saham Perkebunan SMAR, TBLA dan UNSP

SMAR

Forecasts from period 24

95% Limits

TBLA

Forecasts from period 24

95% Limits Period Forecast Lower Upper

Actual

25 6925,22 5760,06 8090,38 26 6888,84 5695,36 8082,32 27 6856,88 5641,99 8071,78 28 6828,80 5597,63 8059,97 29 6804,13 5560,55 8047,71 30 6782,45 5529,37 8035,54

UNSP

Forecasts from period 24

DAFTAR PUSTAKA

Simatupang,mangasa, 2010. Pengetahuan Praktis Investasi Saham dan Reksa Dana, Mitra Wacana Media: Jakarta.

Tandelilin, Eduardus, 2001. Analisis Investasi dan Manajemen Portofolio, BPFE: Yogyakarta.

Koetin, E.A. 1997. Pasar Modal Indonesia, Pustaka Sinar Harapan: Jakarta. Pusat Referensi Pasar modal. 2009. Data Kinerja Emiten Harian, Bursa Efek

Indonesia: Jakarta.

Arianto, Efendi, 2011. Harga Saham dan Kinerja Perusahaan Sawit di Bursa

Efek Indonesia,

sawit-di-bei/.

Rozak, Abdul, 2008. Analisis Risiko dan Peramalan Harga Saham dalam Keputusan Investasi pada Perusahaan Perkebunan di PT Bursa Efek Indonesia [skripsi], Bogor, Fakultas Pertanian: Institut Pertanian Bogor. Sabriani, Dinna, 2008. Analisis Risiko Investasi pada Perusahaan Perkebunan

Kelapa Sawit Terpilih di Bursa Efek Indonesia [skripsi], Bogor, Fakultas Pertanian: Institut Pertanian Bogor.

Makridakis, Wheelwright, MCgee, 1999. Metode dan Aplikasi Peramalan, Binarupa Aksara: Jakarta.

Emiten Variabel Sumber

AALI Data Penutupan Saham Bursa Efek Indonesia GZCO Data Penutupan Saham Bursa Efek Indonesia JAWA Data Penutupan Saham Bursa Efek Indonesia LSIP Data Penutupan Saham Bursa Efek Indonesia SGRO Data Penutupan Saham Bursa Efek Indonesia SIMP Data Penutupan Saham Bursa Efek Indonesia SMAR Data Penutupan Saham Bursa Efek Indonesia TBLA Data Penutupan Saham Bursa Efek Indonesia UNSP Data Penutupan Saham Bursa Efek Indonesia

BAB III

METODOLOGI PENELITIAN

3.1. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder dengan Time Series data bulanan selama 2 tahun (20 September 2011 – 20 Agustus 2013) dengan data penutupan saham di Bursa Efek Indonesia.

Tabel 3.1. Data dan Sumber Data

3.2. Pengolahan Data

Pengolahan data yang digunakan dalam penelitian ini adalah dengan menggunakan program Microsoft Excel dan Minitab 16.

3.3. Metode Analisis Data

3.3.1. Analisis Time Series ( Analisis Trend)

Pengertian Analisis Time Series (trend) merupakan suatu metode analisa yang ditujukan untuk melakukan suatu estimasi atau peramalan pada masa yang akan datang.

Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi (data) yang cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang, sehingga dari hasil analisis tersebut dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor faktor apa saja yang mempengaruhi terhadap perubahan tersebut.

Secara teoritits dalam Analisa Time Series yang paling menentukan adalah kualitas data atau keakuratan dari informasi atau data data yang diperoleh serta waktu atau periode dari data data tersebut dikumpulkan, Jika data yang dikumpulkan tersebut semakain banyak maka semakin baik pula estimasi ataau peramalan yang diperoleh, sebaliknya jika data yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalannya akan semakin jelek.

Analisis Time Series dapat digolongkan menjadi dua yaitu Analisis Jangka Pendek dan Analisis Jangka Panjang.

− Analisis Jangka Pendek terdapat kecenderungan modela analisisnya dalam bentuk persamaan garis linier,

− jangka panjang model analisisnya cenderung mengalami fluktuasi sehingga model persamaannya jarang yang berbentuk garis linier (non linier).

3.3.2. Stasioneritas dan Nonstasioneritas

Hal penting yang berkaitan dengan penelitian yang menggunakan data time series adalah stasioneritas. Pengujian ini sangat penting agar tidak terjadi regresi yang semu apabila data tersebut tidak stasioner. Data time series dikatakan stasioner jika data tersebut menunjukkan pola yang konstan dari waktu ke waktu, artinya tidak terdapat pertumbuhan atau penurunan pada data.

Yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan deret berkala yang stasioner. Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut pada pokoknya tetap konstan setiap waktu.

Suatu deret waktu yang tidak stasioner harus diubah menjadi data stasioner dengan melakukan differencing. Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner, maka dilakukan transformasi logaritma.

'

'

3.3.3. Autoregressive Integrated Moving Average (ARIMA) 3.3.3.1. Klasifikasi Model ARIMA

Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model autoregressive (AR), moving average (MA), dan model campuran ARIMA (autoregressive moving average) yang mempunyai karakteristik dari dua model pertama.

1) Autoregressive Model (AR)

Bentuk umum model autoregressive dengan ordo p (AR(p)) atau model ARIMA (p,0,0) dinyatakan sebagai berikut:

X _t =µ +φ₁ X _{t −1} +φ₂ X _{t −2} + ... +φ_p X _{t −p} +e_t

[

0

]

Dimana:

µ

'

Φ_p e_t

= suatu konstanta

= parameter autoregresif ke-p = nilai kesalahan pada saat t 2) Moving Average Model (MA)

Bentuk umum model moving average ordo q (MA(q)) atau ARIMA (0,0,q) dinyatakan sebagai berikut:

X _t =µ +e_t −θ₁e_{t −1} −θ₂ e_{t −2} − ... −θ_q e_{t −k}

Dimana:

µ

'

θ₁

= suatu konstanta

sampai θ_q = parameter – parameter moving average e_{t −k} = nilai kesalahan pada saat t-k

3) Model campuran a. Proses ARMA

1 t

'

12

ARIMA (1,0,1) dinyatakan sebagai berikut:

X _t = µ +φ₁ X t −1 +et −θ1et −1 Atau

(1 −φ1 B) X t =µ

' +

(1 −θ B)e

b. Proses ARIMA

Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka model umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus sederhana ARIMA (1,1,1) adalah sebagai berikut:

(1 −B)(1 −φ₁ B) X _t = µ'+ (1 −θ₁ B)e_t

Pembedaan AR(1) MA(1) pertama

3.3.3.2. Peramalan Dengan Model ARIMA

Model-model Autoregressive Integrated Moving Average (ARIMA) yang dikenalkan oleh George Box dan Gwilym Jenkis (1976) dengan proses ARIMA yang diterapkan untuk analisis deret berkala, peramalan dan pengendalian.

Sebuah model ARIMA (0,1,1)(0,1,1)12 sebagai contoh, digambarkan sebagai berikut:

(1 −B)(1 −B12) X _t = (1 −θ₁ B)(1 −θ₁ B )e_t (1) Namun agar dapat menggunakan suatu model yang ditetapkan untuk peramalan, perlu dilakukan pengembangan persamaan tersebut dan membuatnya lebih menyerupai persamaan regresi biasa. Untuk model di atas, bentuknya adalah X _t = X _{t −1} +X _{t −12} −X _{t −13} +e_t −

θ

₁e_{t −1} −Θ₁e_{t −12} +

θ

₁Θ₁e_{t −13} (2)

Agar dapat menggunakan persamaan ini untuk meramalkan 1 periode ke depan, yaitu Xt+1_ kitab tambahkan satu angka pada yang menunjukkan, seperti:

X _{t +1} = X _t + X _{t −11} −X _{t −12} +e_{t +1} −

θ

₁e_t −Θ₁e_{t −11} +

θ

₁Θ₁e_{t −12} (3) Nilai et+1 tidak akan diketahui, karena nilai yang diharapkan untuk galat acak pada

masa yang akan datang harus ditetapkan sama dengan nol. Akan tetapi dari model yang disesuaikan (fitted model) kita boleh mengganti nilai e_t , e_{t −11} , e_{t −12} dengan nilai mereka yang ditetapkan secara empiris, yaitu seperti yang diperoleh sesudah iterasi terakhir algoritma Marquardt. Tentu saja bila kita meramalkan jauh ke depan, tidak akan kita peroleh nilai empiris untuk “e” sesudah beberapa waktu, dan oleh sebab itu nilai harapan mereka akan seluruhnya nol.

Untuk nilai-nilai X, pada awal proses peramalan, kita akan mengetahui nilai Xt, Xt-11, dan Xt-12. Akan tetapi sesudah beberapa saat, nilai X pada persamaan (3) akan berupa nilai ramalan (forecasted value), bukan nilai-nilai masa lalu yang telah diketahui.

BAB IV

ANALISIS DATA DAN PEMBAHASAN

4.1 Data

Data yang digunaka adalah data sekunder dengan data bulanan data penutupan saham dari September 2011 sampai agustus 2013 pada perusahaan perkebunan di Bursa Efek Indonesia (BEI).

Tabel 4.1. Data Penutupan Saham Dari September 2011 Sampai Agustus 2013 Pada Perusahaan Perkebunan Di Bursa Efek Indonesia (BEI)

Keterangan AALI GZCO JAWA LSIP SGRO SIMP SMAR TBLA UNSP

20 September 2011 20 Oktober 2011 21 Nopember 2011 20 Desember 2011 20 Januari 2012 20 Februari 2012 20 Maret 2012 20 April 2012 21 Mei 2012 20 Juni 2012 20 Juli 2012 23 Agustus 2012 20 September 2012 22 Oktober 2012 20 Nopember 2012 20 Desember 2012 21 Januari 2013 20 Februari 2013 20 Maret 2013 22 April 2013 20 Mei 2013 20 Juni 2013 22 Juli 2013 20 Agustus 2013

21850 19050 21550 20750 22100 22250 21350 23150 18100 21300 23000 22000 22100 20600 20300 18250 19150 18900 18350 18700 17450 19000 17200 13300 295 245 250 220 229 250 258 295 233 275 280 230 210 215 199 194 193 190 181 146 148 134 129 111 400 360 385 365 400 375 410 410 355 355 370 340 350 345 350 370 365 375 355 385 365 365 365 340 2150 2000 2325 2125 2400 2675 2900 3000 2425 2600 2875 2575 2525 2400 2275 1990 2275 2175 1920 1760 1630 1830 1350 1000 3350 2900 3000 2950 3150 3475 3525 3475 2850 2850 3125 2800 2825 2425 2375 2375 2500 2325 2175 2100 1950 1800 1570 1590 1240 1100 1170 1150 1190 1400 1330 1310 1260 1320 1430 1350 1300 1240 1080 1070 1130 1130 1030 900 820 970 730 610 6650 5850 6650 6700 5700 5400 6200 6100 6350 6400 6500 6300 7400 6800 6800 6600 6700 6700 6700 6700 6900 7000 8600 6400 680 590 590 600 600 405 400 440 600 520 700 690 520 500 500 475 485 480 480 485 495 480 480 440 360 290 280 285 305 290 300 305 260 184 184 141 148 119 108 92 96 116 99 98 86 51 53 50 Sumber: Data Penutupan Saham Bursa Efek Indonesia (BEI)

4.2. Pengolahan Data

4.2.1. Peramalan Harga Saham PT Astra Agro Lestari Tbk (AALI)

Dengan menggunakan alat bantu software komputer minitab 16, diperoleh plot data yang dapat dilihat pada gambar sebagai berikut:

Gambar 4.1. Plot Data AALI

Grafik pada gambar 4.1 memperlihatkan bahwa data harga saham penutupan AALI cenderung menurun. Dimana pada bulan September 2011 sebesar 21.850, pada Mei 2012 terjadi penurunan yaitu 18.100 dan turun lagi hingga 13.300 di bulan Agustus 2013.

Gambar 4.2. Fungsi Autokorelasi Data Penutupan Saham PT. AALI Pada Bursa Efek Indonesia Dari September 2011 Samapai Agustus 2013

Selanjutnya dilakukan proses estimasi dengan memasukkan berbagai model ARIMA yang terdiri dari paramater p, d, dan q. Angka p menunjukan ordo atau derajat autoregressive (AR), angka d adalah tingkat proses differencing, dan angka q menunjukan ordo atau derajat moving average (MA), sehingga model dapat dituliskan ARIMA (p,d,q). Hasil identifikasi menunjukkan bahwa data penutupan saham AALI sudah stasioner, sehingga tidak memerlukan proses differencing. Oleh karena itu angka d (differencing) atau integrasi ditulis dengan angka 0. Dengan demikian, angka d pada model ARIMA (p,d,q) menjadi 0, sehingga pada data digunakan model ARIMA (p,0,q). Kemungkinan model yang digunakan dalam analisis ini antara lain : ARIMA (1,0,1), ARIMA (1,0,2), ARIMA (2,0,1), dan ARIMA (2,0,2).

Dari kemungkinan yang telah diestimasi maka model yang telah memenuhi kriteria adalah model ARIMA (1,0,2) yang mencakup nilai AR (1) dan MA (2). Hasil diagnostik model ARIMA (1,0,2) dapat dilihat pada grafik ACF dan grafik PACF.

0 133034731 0,100 0,100 0,100 17990,715

1 121879037 -0,006 -0,050 0,054 20061,056

2 119378912 -0,146 -0,200 0,034 22850,832

3 117940371 -0,291 -0,350 0,018 25724,380

4 116818963 -0,436 -0,500 0,001 28612,527

5 115799281 -0,581 -0,650 -0,016 31491,520

6 114757213 -0,724 -0,800 -0,034 34340,912

7 113574646 -0,863 -0,950 -0,056 37098,423

8 99408889 -0,734 -1,068 -0,206 34449,234

9 98914280 -0,833 -1,218 -0,265 36428,981

10 91152723 -0,683 -1,190 -0,245 33451,630

11 88881908 -0,533 -1,096 -0,145 30510,027

12 87992287 -0,383 -1,004 -0,045 27536,698

13 86997320 -0,317 -0,994 -0,016 26190,196

14 85396613 -0,182 -0,890 0,134 23513,502

15 82595954 -0,191 -0,911 0,143 23752,696

16 80994129 -0,186 -0,923 0,152 23632,535

17 80447207 -0,185 -0,927 0,155 23590,878

18 80021761 -0,184 -0,930 0,157 23562,513

19 79694876 -0,183 -0,933 0,159 23541,623

20 78917120 -0,177 -0,951 0,170 23388,660

21 76308094 -0,176 -0,960 0,177 23362,108

Gambar 4.4. Grafik PACF Data Penutupan Saham AALI

Pada kedua grafik tersebut, keduanya mempunyai kesamaan, yakni tidak ada satupun bar warna biru yang melampaui garis batas merah, atau dapat dikatakan bahwa residu dari model di atas bersifat random, sehingga model ARIMA (1,0,2) dapat digunakan untuk memprediksi harga saham perkebunan di bursa efek indonesia (BEI).

Dengan estimasinya:

Estimates at each iteration

'

22 75976338 -0,175 -0,963 0,178 23347,184

23 75691335 -0,175 -0,965 0,179 23336,043

24 75445327 -0,174 -0,967 0,180 23326,908

25 75230502 -0,174 -0,969 0,181 23319,163

** Convergence criterion not met after 25 iterations **

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0,1739 0,8199 -0,21 0,834

MA 1 -0,9691 0,8318 -1,17 0,258

MA 2 0,1808 0,8929 0,20 0,842

Constant 23319,2 90,5 257,66 0,000

Mean 19864,4 77,1

Number of observations: 24

Residuals: SS = 70453956 (backforecasts excluded)

MS = 3522698 DF = 20

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 16,8 * * *

DF 8 * * *

P-Value 0,032 * * *

Dengan model arima (1,0,2) tersebut dapat dirumuskan persamaan peramalan harga saham perkebunan di bursa efek indonesia (BEI) sebagai berikut:

Yt = µ +φ1 (Yt −1 ) +θ1 (Yt −1 ) +θ(Yt − 2 ) +et

Dengan demikian, prediksi data ke 25 sampai 60 (36 periode atau 3 tahun ke depan) menjadi: Yt = 23319,2 - 0,1739 - 0,9691 + 0,1808 + et

Keterangan :

Yt = harga saham perkebunan di bursa efek indonesia (BEI) yang diprediksi

et = eror yang menjelaskan efek dari variabel yang tidak dijelaskan

Yt-1, Yt-2 = harga saham perkebunan di bursa efek indonesia yang merupakan lag

dari residual

(Hasil ramalan dapat dilihat pada lampiran 1)

Dari hasil ramalan AALI yang diperoleh dengan program Minitab 16, ARIMA menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang

naik. Oleh karena itu, langkah yang sebaiknya diambil untuk para investor ke perusahaan AALI adalah membeli.

4.2.2. Peramalan Harga Saham PT Gozco Plantations Tbk. (GZCO)

Dengan menggunakan alat bantu software komputer minitab 16, diperoleh plot data yang dapat dilihat pada gambar sebagai berikut:

Gambar 4.5. Plot Data GZCO

Grafik pada gambar 4.5. memperlihatkan bahwa data harga saham penutupan GZCO cenderung menurun. Dimana pada bulan September 2011 sebesar 295, pada November 2012 terjadi penurunan yaitu 199 dan terus menurun hingga 111 di bulan Agustus 2013.

Gambar 4.6. Fungsi Autokorelasi Data Penutupan Saham PT. GZCO Pada Bursa Efek Indonesia Dari September 2011 Samapai Agustus 2013

Hasil identifikasi menunjukkan bahwa data penutupan saham GZCO belum stasioner, sehingga memerlukan proses differencing. Oleh karena itu angka d (differencing) atau integrasi ditulis dengan angka terkecil yakni 1. Dengan demikian, angka d pada model ARIMA (p,d,q) menjadi 1, sehingga pada data digunakan model ARIMA (p,1,q). Kemungkinan model yang digunakan dalam analisis ini antara lain : ARIMA (0,1,1), ARIMA (1,1,0), ARIMA (2,1,0), ARIMA (0,1,2), ARIMA (1,1,2), ARIMA (2,1,1) dan ARIMA (2,1,2).

Dari kemungkinan yang telah diestimasi maka model yang telah memenuhi kriteria adalah model ARIMA (1,1,2) yang mencakup nilai AR (1) dan MA (2). Hasil diagnostik model ARIMA (1,1,2) dapat dilihat pada grafik ACF dan grafik PACF.

0 14745,4 0,100 0,100 0,100 -7,110

1 14272,2 -0,050 -0,001 0,099 -8,263

2 13978,6 -0,200 -0,120 0,106 -9,417

3 13740,5 -0,350 -0,245 0,119 -10,568

4 13522,0 -0,500 -0,374 0,138 -11,715

5 13290,2 -0,650 -0,506 0,163 -12,855

6 12964,5 -0,800 -0,640 0,196 -13,977

7 12289,8 -0,907 -0,672 0,346 -14,403

8 11493,6 -0,814 -0,615 0,405 -12,211

9 11105,8 -0,787 -0,575 0,482 -9,832

10 11062,2 -0,809 -0,614 0,520 -15,133

Gambar 4.7. Grafik ACF Data Penutupan Saham GZCO

Gambar 4.8. Grafik PACF Data Penutupan Saham GZCO

Pada kedua grafik tersebut, keduanya mempunyai kesamaan, yakni tidak ada satupun bar warna biru yang melampaui garis batas merah, atau dapat dikatakan bahwa residu dari model di atas bersifat random, sehingga model ARIMA (1,1,2) dapat digunakan untuk memprediksi harga saham perkebunan di bursa efek indonesia (BEI).

Dengan estimasinya:

Estimates at each iteration

'

11 10355,0 -0,814 -0,637 0,517 -16,078

12 10330,8 -0,815 -0,642 0,516 -16,368

13 10293,0 -0,815 -0,643 0,516 -16,387

14 10290,9 -0,815 -0,644 0,516 -16,413

15 10289,5 -0,815 -0,644 0,516 -16,438

16 10288,1 -0,816 -0,645 0,516 -16,463

17 10286,7 -0,816 -0,645 0,516 -16,487

18 10285,5 -0,816 -0,646 0,516 -16,511

19 10284,2 -0,817 -0,646 0,516 -16,533

20 10282,8 -0,817 -0,647 0,516 -16,556

21 10281,9 -0,817 -0,647 0,516 -16,578

22 10280,8 -0,818 -0,648 0,515 -16,599

23 10279,7 -0,818 -0,648 0,515 -16,619

24 10278,6 -0,818 -0,649 0,515 -16,640

25 10277,5 -0,818 -0,649 0,515 -16,659

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0,8185 0,2199 -3,72 0,001

MA 1 -0,6490 0,3007 -2,16 0,044

MA 2 0,5154 0,2439 2,11 0,048

Constant -16,6591 0,2067 -80,61 0,000

Differencing: 1 regular difference

Number of observations: Original series 24, after differencing 23

Residuals: SS = 10056,9 (backforecasts excluded)

MS = 529,3 DF = 19

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 8,0 * * *

DF 8 * * *

P-Value 0,434 * * *

Dengan model ARIMA (1,1,2) tersebut dapat dirumuskan persamaan peramalan harga saham perkebunan di bursa efek indonesia (BEI) sebagai berikut:

Y_t = µ +φ₁ (Y_{t −1} ) +θ₁ (Y_{t −1} ) +θ(Y_{t − 2} ) +e_t

Dengan demikian, prediksi data ke 25 sampai 60 (36 periode atau 3 tahun ke depan) menjadi: Yt = -16,6591 – 0,8185 – 0,6490 + 0,5154 + et

(Hasil ramalan dapat dilihat pada lampiran 1)

Dari hasil ramalan GZCO yang diperoleh dengan program Minitab 16 ARIMA menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang

menurun. Oleh karena itu, langkah yang sebaiknya diambil untuk para investor ke perusahaan GZCO adalah menjual.

4.2.3. Peramalan Harga Saham PT Jaya Agra Wattie Tbk. (JAWA)

Dengan menggunakan alat bantu software komputer minitab 16, diperoleh plot data yang dapat dilihat pada gambar sebagai berikut:

Gambar 4.9. Plot Data PT JAWA

Grafik pada gambar 4.9. memperlihatkan bahwa data harga saham penutupan JAWA bulan September 2011 sebesar 400, pada April 2012 naik menjadi 410 dan pada bulan Agustus 2013 sebesar 340.

Gambar 4.10. Fungsi Autokorelasi Data Penutupan Saham PT. JAWA Pada Bursa Efek Indonesia Dari September 2011 Samapai Agustus 2013

Hasil identifikasi menunjukkan bahwa data penutupan saham JAWA sudah stasioner, sehingga tidak memerlukan proses differencing. Oleh karena itu angka d (differencing) atau integrasi ditulis dengan angka 0, sehingga pada data digunakan model ARIMA (p,0,q). Kemungkinan model yang digunakan dalam analisis ini antara lain: ARIMA (1,0,1), ARIMA (1,0,2), ARIMA (2,0,1), dan ARIMA (2,0,2).

Dari kemungkinan yang telah diestimasi maka model yang telah memenuhi kriteria adalah model ARIMA (2,0,2) yang mencakup nilai AR (2) dan MA (2). Hasil diagnostik model ARIMA (2,0,2) dapat dilihat pada grafik ACF dan grafik PACF.

Gambar 4.11. Grafik ACF Data Penutupan Saham JAWA

Pada kedua grafik tersebut, keduanya mempunyai kesamaan, yakni tidak ada satupun bar warna biru yang melampaui garis batas merah, atau dapat dikatakan bahwa residu dari model di atas bersifat random, sehingga model ARIMA (2,0,2) dapat digunakan untuk memprediksi harga saham perkebunan di bursa efek indonesia (BEI).

Dengan estimasinya:

Estimates at each iteration

Iteration SSE Parameters

0 9599,20 0,100 0,100 0,100 0,100 295,247

1 8175,18 0,175 0,225 0,026 -0,024 221,082

2 8047,28 0,299 0,094 0,142 -0,174 223,508

3 7935,63 0,449 -0,030 0,286 -0,307 214,076

4 7859,34 0,599 -0,142 0,431 -0,428 199,782

5 7833,38 0,683 -0,163 0,508 -0,453 177,024

6 7820,67 0,759 -0,217 0,580 -0,489 168,840

7 7803,90 0,842 -0,282 0,660 -0,529 162,354

8 7777,74 0,935 -0,364 0,750 -0,582 158,100

9 7745,35 1,019 -0,445 0,834 -0,641 157,161

10 7715,56 1,068 -0,501 0,888 -0,692 160,029

11 7686,45 1,089 -0,536 0,916 -0,734 164,878

12 7651,57 1,104 -0,566 0,937 -0,774 170,631

13 7609,85 1,117 -0,596 0,954 -0,812 176,639

14 7589,95 1,120 -0,620 0,950 -0,833 184,762

15 7569,00 1,130 -0,626 0,961 -0,850 183,172

16 7562,75 1,133 -0,624 0,962 -0,856 181,224

17 7558,52 1,134 -0,619 0,966 -0,860 179,321

18 7556,79 1,134 -0,616 0,967 -0,862 178,050

19 7556,10 1,133 -0,613 0,968 -0,864 177,283

20 7555,83 1,133 -0,612 0,969 -0,865 176,839

21 7555,72 1,133 -0,611 0,969 -0,865 176,553

22 7555,67 1,133 -0,610 0,969 -0,866 176,384

23 7555,66 1,132 -0,610 0,969 -0,866 176,282

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 1,1324 0,3195 3,54 0,002

AR 2 -0,6096 0,3021 -2,02 0,058

MA 1 0,9693 0,2272 4,27 0,000

MA 2 -0,8661 0,1926 -4,50 0,000

Constant 176,282 3,501 50,36 0,000

Mean 369,387 7,336

Number of observations: 24

Residuals: SS = 6793,81 (backforecasts excluded) MS = 357,57 DF = 19

'

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 2,7 * * *

DF 7 * * *

P-Value 0,909 * * *

Dengan model ARIMA (2,0,2) tersebut dapat dirumuskan persamaan peramalan harga saham perkebunan di bursa efek indonesia (BEI) sebagai berikut:

Y_t = µ +φ₁ (Y_{t −1} ) +φ(Y_{t − 2} ) +θ1 (Yt −1 ) +θ(Yt − 2 ) +et

Dengan demikian, prediksi data ke 25 sampai 60 (36 periode atau 3 tahun ke depan) menjadi: Yt = 176,282 + 1,1324 – 0,6096 + 0,9693 – 0,8661 + et

(Hasil ramalan dapat dilihat pada lampiran 1)

Dari hasil ramalan PT. JAWA yang diperoleh dengan program Minitab 16, ARIMA menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang naik. Oleh karena itu, langkah yang sebaiknya diambil untuk para investor ke perusahaan JAWA adalah membeli.

4.2.4. Peramalan Harga Saham PT London Sumatra Indonesia Tbk (LSIP) Dengan menggunakan alat bantu software komputer minitab 16, diperoleh plot data yang dapat dilihat pada gambar sebagai berikut:

Grafik pada gambar 4.13. memperlihatkan bahwa data harga saham penutupan LSIP cenderung menurun. Dimana pada bulan September 2011 sebesar 2150, pada April 2012 terjadi kenaikan yaitu 3000 dan turun lagi hingga 1000 di bulan Agustus 2013.

Gambar 4.14. Fungsi Autokorelasi Data Penutupan Saham PT.LSIP Pada Bursa Efek Indonesia Dari September 2011 Samapai Agustus 2013

Hasil identifikasi menunjukkan bahwa data penutupan saham LSIP belum stasioner, sehingga memerlukan proses differencing. Oleh karena itu angka d (differencing) atau integrasi ditulis dengan angka terkecil yakni 1. Sehingga pada data digunakan model ARIMA (p,1,q). Kemungkinan model yang digunakan dalam analisis ini antara lain : ARIMA (0,1,1), ARIMA (1,1,0), ARIMA (2,1,0), ARIMA (0,1,2), ARIMA (1,1,2), ARIMA (2,1,1) dan ARIMA (2,1,2).

Dari kemungkinan yang telah diestimasi maka model yang telah memenuhi kriteria adalah model ARIMA (1,1,2) yang mencakup nilai AR (1) dan MA (2). Hasil diagnostik model ARIMA (1,1,2) dapat dilihat pada grafik ACF dan grafik PACF.

0 1533367 0,100 0,100 0,100 -44,910

1 1523382 -0,050 -0,040 0,104 -52,375

2 1513352 -0,200 -0,180 0,110 -59,671

3 1500484 -0,350 -0,320 0,122 -66,698

4 1481706 -0,500 -0,462 0,137 -73,584

5 1453228 -0,650 -0,607 0,157 -80,335

6 1425255 -0,713 -0,657 0,261 -78,915

7 1384900 -0,590 -0,589 0,304 -74,907

Gambar 4.15. Grafik ACF Data Penutupan Saham LSIP

Gambar 4.16. Grafik PACF Data Penutupan Saham LSIP

Pada kedua grafik tersebut, keduanya mempunyai kesamaan, yakni tidak ada satupun bar warna biru yang melampaui garis batas merah, atau dapat dikatakan bahwa residu dari model di atas bersifat random, sehingga model ARIMA (1,1,2) dapat digunakan untuk memprediksi harga saham perkebunan di bursa efek indonesia (BEI).

Dengan estimasinya:

Estimates at each iteration

'

8 1382723 -0,551 -0,563 0,321 -73,528

9 1382670 -0,550 -0,568 0,318 -74,025

10 1382633 -0,548 -0,565 0,321 -73,907

11 1382632 -0,547 -0,566 0,320 -73,972

12 1382627 -0,547 -0,566 0,321 -73,950

13 1382627 -0,547 -0,566 0,321 -73,953

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0,5468 0,4093 -1,34 0,197

MA 1 -0,5655 0,4737 -1,19 0,247

MA 2 0,3211 0,2863 1,12 0,276

Constant -73,95 67,54 -1,10 0,287

Differencing: 1 regular difference

Number of observations: Original series 24, after differencing 23

Residuals: SS = 1257207 (backforecasts excluded)

MS = 66169 DF = 19

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 3,3 * * *

DF 8 * * *

P-Value 0,917 * * *

Dengan model ARIMA (1,1,2) tersebut dapat dirumuskan persamaan peramalan harga saham perkebunan di bursa efek indonesia (BEI) sebagai berikut:

Y_t = µ +φ₁ (Y_{t −1} ) +θ1 (Yt −1 ) +θ(Yt − 2 ) +et

Dengan demikian, prediksi data ke 25 sampai 60 (36 periode atau 3 tahun ke depan) menjadi: Yt = -73,95 - 0,5468 - 0,5655 + 0,3211 + et

(Hasil ramalan dapat dilihat pada lampiran 1)

Dari hasil ramalan LSIP yang diperoleh dengan program Minitab 16 ARIMA menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang menurun. Oleh karena itu, langkah yang sebaiknya diambil untuk para investor ke perusahaan LSIP adalah menjual.

4.2.5. Peramalan Harga Saham PT Sampoerna Agro Tbk (SGRO)

Dengan menggunakan alat bantu software komputer minitab 16, diperoleh plot data yang dapat dilihat pada gambar sebagai berikut:

Gambar 4.17. Plot Data SGRO

Grafik pada gambar 4.17. memperlihatkan bahwa data harga saham penutupan SGRO menurun. Dimana pada bulan September 2011 sebesar 3350, pada Juli 2012 naik 3125 dan turun lagi hingga 1570 di bulan Juli 2013.

Gambar 4.18. Fungsi Autokorelasi Data Penutupan Saham PT. SGRO Pada Bursa Efek Indonesia Dari September 2011 Samapai Agustus 2013

Hasil identifikasi menunjukkan bahwa data penutupan saham SGRO belum stasioner, sehingga memerlukan proses differencing. Oleh karena itu angka d (differencing) atau integrasi ditulis dengan angka 1. Dengan demikian, angka d

pada model ARIMA (p,d,q) menjadi 1, sehingga pada data digunakan model ARIMA (p,1,q). Kemungkinan model yang digunakan dalam analisis ini antara lain : ARIMA (0,1,1), ARIMA (1,1,0), ARIMA (1,1,1), ARIMA (2,1,0), ARIMA (0,1,2), ARIMA (1,1,2), ARIMA (2,1,1) dan ARIMA (2,1,2).

Dari kemungkinan yang telah diestimasi maka model yang telah memenuhi kriteria adalah model ARIMA (1,1,2) yang mencakup nilai AR (1) dan MA (2). Hasil diagnostik model ARIMA (1,1,2) dapat dilihat pada grafik ACF dan grafik PACF.

Gambar 4.19. Grafik ACF Data Penutupan Saham SGRO

Gambar 4.20. Grafik PACF Data Penutupan Saham SGRO

Pada kedua grafik tersebut, keduanya mempunyai kesamaan, yakni tidak ada satupun bar warna biru yang melampaui garis batas merah, atau dapat

dikatakan bahwa residu dari model di atas bersifat random, sehingga model ARIMA (1,1,2) dapat digunakan untuk memprediksi harga saham perkebunan di bursa efek indonesia (BEI).

Dengan estimasinya:

Estimates at each iteration

Iteration SSE Parameters

0 1118418 0,100 0,100 0,100 -68,780

1 1106613 0,241 0,250 0,106 -57,800

2 1092460 0,381 0,400 0,110 -46,912

3 1074096 0,515 0,550 0,111 -36,394

4 1045531 0,638 0,700 0,113 -26,700

5 1012945 0,728 0,850 0,121 -19,321

6 948742 0,578 0,777 0,197 -31,252

7 918101 0,477 0,772 0,256 -37,458

8 891917 0,521 0,785 0,264 -35,869

9 857411 0,520 0,799 0,277 -35,929

10 853354 0,521 0,802 0,279 -35,891

11 841720 0,532 0,821 0,292 -35,510

12 817735 0,534 0,831 0,300 -35,446

13 813477 0,535 0,834 0,302 -35,409

14 810265 0,536 0,836 0,303 -35,384

15 807598 0,536 0,839 0,305 -35,363

16 805317 0,537 0,841 0,306 -35,346

17 803319 0,537 0,842 0,307 -35,332

18 801540 0,538 0,844 0,308 -35,319

19 799934 0,538 0,845 0,308 -35,308

20 798471 0,538 0,847 0,309 -35,298

21 797123 0,539 0,848 0,310 -35,289

22 795885 0,539 0,849 0,310 -35,280

23 794725 0,539 0,850 0,311 -35,273

24 793639 0,540 0,851 0,312 -35,266

25 792618 0,540 0,852 0,312 -35,259

** Convergence criterion not met after 25 iterations **

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,5398 0,3871 1,39 0,179

MA 1 0,8518 0,4661 1,83 0,083

MA 2 0,3120 0,2937 1,06 0,301

Constant -35,259 5,138 -6,86 0,000

Differencing: 1 regular difference

Number of observations: Original series 24, after differencing 23

Residuals: SS = 778851 (backforecasts excluded)

MS = 40992 DF = 19

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 9,0 * * *

DF 8 * * *

'

Dengan model arima (1,1,2) tersebut dapat dirumuskan persamaan peramalan harga saham perkebunan di bursa efek indonesia (BEI) sebagai berikut:

Y_t = µ +φ₁ (Y_{t −1} ) +θ₁ (Y_{t −1} ) +θ(Y_{t − 2} ) +e_t

Dengan demikian, prediksi data ke 25 sampai 60 (36 periode atau 3 tahun ke depan) menjadi: Yt = -35,259 + 0,5398 + 0,8518 + 0,3120 + et

(Hasil ramalan dapat dilihat pada lampiran 1)

Dari hasil ramalan SGRO yang diperoleh dengan program Minitab 16 ARIMA menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang menurun. Oleh karena itu, langkah yang sebaiknya diambil untuk para investor ke perusahaan SGRO adalah menjual.

4.2.6. Peramalan Harga Saham PT Salim Ivomas Pratama Tbk (SIMP)

Dengan menggunakan alat bantu software komputer minitab 16, diperoleh plot data yang dapat dilihat pada gambar sebagai berikut:

4.21. Plot Data SIMP

Grafik pada gambar 4.21 memperlihatkan bahwa data harga saham penutupan SIMP menurun. Dimana pada bulan September 2011 sebesar 1240, pada Februari 2012 naik yaitu 1400 dan turun 610 di bulan Agustus 2013.

Gambar 4.22. Fungsi Autokorelasi Data Penutupan Saham PT. SIMP Pada Bursa Efek Indonesia Dari September 2011 Samapai Agustus 2013

Hasil identifikasi menunjukkan bahwa data penutupan saham SIMP belum stasioner, sehingga memerlukan proses differencing. Oleh karena itu angka d (differencing) atau integrasi ditulis dengan angka terkecil yakni 1. Dengan demikian, angka d pada model ARIMA (p,d,q) menjadi 1, sehingga pada data digunakan model ARIMA (p,1,q). Kemungkinan model yang digunakan dalam analisis ini antara lain : ARIMA (0,1,1), ARIMA (1,1,0), ARIMA (2,1,0), ARIMA (0,1,2), ARIMA (1,1,2), ARIMA (2,1,1) dan ARIMA (2,1,2).

Dari kemungkinan yang telah diestimasi maka model yang telah memenuhi kriteria adalah model ARIMA (2,1,2) yang mencakup nilai AR (2) dan MA (2). Hasil diagnostik model ARIMA (2,1,2) dapat dilihat pada grafik ACF dan grafik PACF.

Gambar 4.23. Grafik ACF Data Penutupan Saham SIMP

Gambar 4.24. Grafik PACF Data Penutupan Saham SIMP

Pada kedua grafik tersebut, keduanya mempunyai kesamaan, yakni tidak ada satupun bar warna biru yang melampaui garis batas merah, atau dapat dikatakan bahwa residu dari model di atas bersifat random, sehingga model ARIMA (2,1,2) dapat digunakan untuk memprediksi harga saham perkebunan di bursa efek indonesia (BEI).

Dengan estimasinya:

Estimates at each iteration

Iteration SSE Parameters

0 246444 0,100 0,100 0,100 0,100 -21,833

1 237920 0,065 0,005 0,135 0,196 -22,398

2 235914 -0,082 0,040 -0,015 0,249 -25,230

3 233414 -0,228 0,085 -0,165 0,313 -27,723

4 230680 -0,371 0,110 -0,315 0,361 -30,581

5 228440 -0,513 0,035 -0,465 0,314 -35,897

6 227009 -0,609 -0,115 -0,565 0,187 -41,637

7 226277 -0,723 -0,216 -0,685 0,127 -45,599

9 225919 -0,795 -0,310 -0,762 0,041 -49,289

10 225685 -0,834 -0,370 -0,796 -0,037 -51,797

11 225238 -0,928 -0,417 -0,901 -0,091 -55,398

12 223943 -1,044 -0,533 -1,021 -0,241 -61,524

13 221913 -1,173 -0,628 -1,171 -0,370 -67,593

14 219855 -1,302 -0,730 -1,321 -0,517 -73,763

15 218700 -1,344 -0,762 -1,367 -0,538 -74,625

16 217701 -1,408 -0,812 -1,441 -0,613 -77,073

17 217646 -1,417 -0,811 -1,450 -0,584 -76,036

18 216357 -1,509 -0,880 -1,564 -0,734 -80,781

19 213533 -1,519 -0,880 -1,580 -0,702 -80,171

20 212260 -1,542 -0,907 -1,598 -0,747 -81,531

21 212021 -1,562 -0,919 -1,631 -0,748 -81,606

22 210434 -1,591 -0,952 -1,658 -0,797 -84,985

23 209441 -1,594 -0,965 -1,646 -0,784 -86,562

24 209373 -1,603 -0,978 -1,657 -0,792 -85,726

25 208898 -1,602 -0,985 -1,649 -0,788 -86,313

** Convergence criterion not met after 25 iterations **

* WARNING * Back forecasts not dying out rapidly

Back forecasts (after differencing)

Lag -97 - -92 -52,186 -15,495 -9,440 -56,542 13,938 -52,900

Lag -91 - -86 -15,723 -8,345 -58,093 15,349 -53,621 -15,983

Lag -85 - -80 -7,191 -59,707 16,803 -54,348 -16,277 -5,974

Lag -79 - -74 -61,388 18,301 -55,080 -16,607 -4,693 -63,136

Lag -73 - -68 19,845 -55,816 -16,977 -3,344 -64,955 21,435

Lag -67 - -62 -56,556 -17,388 -1,925 -66,847 23,072 -57,298

Lag -61 - -56 -17,842 -0,432 -68,815 24,757 -58,041 -18,344

Lag -55 - -50 1,138 -70,860 26,490 -58,785 -18,894 2,789

Lag -49 - -44 -72,986 28,273 -59,527 -19,497 4,523 -75,195

Lag -43 - -38 30,107 -60,267 -20,155 6,345 -77,491 31,991

Lag -37 - -32 -61,002 -20,872 8,258 -79,875 33,928 -61,732

Lag -31 - -26 -21,651 10,266 -82,351 35,918 -62,455 -22,495

Lag -25 - -20 12,373 -84,922 37,961 -63,168 -23,408 14,583

Lag -19 - -14 -87,591 40,058 -63,871 -24,395 16,902 -90,361

Lag -13 - -8 42,211 -64,560 -25,459 19,332 -93,235 44,418

Lag -7 - -2 -65,234 -26,604 21,879 -96,216 46,682 -65,890

Lag -1 - 0 -27,835 24,548

Back forecast residuals

Lag -97 - -92 0,043 -0,494 1,424 -2,578 3,481 -3,657

Lag -91 - -86 2,841 -1,135 -1,005 2,909 -3,939 3,733

Lag -85 - -80 -2,354 0,283 1,749 -3,027 3,117 -2,027

Lag -79 - -74 0,209 1,618 -2,739 2,717 -1,564 -0,261

Lag -73 - -68 2,032 -3,036 2,853 -1,523 -0,459 2,329

Lag -67 - -62 -3,354 3,113 -1,668 -0,445 2,425 -3,506

Lag -61 - -56 3,256 -1,751 -0,444 2,492 -3,598 3,322

Lag -55 - -50 -1,753 -0,516 2,615 -3,724 3,399 -1,745

Lag -49 - -44 -0,614 2,772 -3,885 3,505 -1,756 -0,704

Lag -43 - -38 2,931 -4,054 3,621 -1,775 -0,788 3,085

Lag -37 - -32 -4,219 3,733 -1,789 -0,878 3,245 -4,387

Lag -31 - -26 3,843 -1,797 -0,977 3,414 -4,562 3,955

Lag -25 - -20 -1,802 -1,084 3,593 -4,745 4,071 -1,805

Lag -19 - -14 -1,196 3,779 -4,933 4,189 -1,807 -1,314

Lag -13 - -8 3,972 -5,128 4,310 -1,804 -1,440 4,174

Lag -7 - -2 -5,329 4,432 -1,799 -1,573 4,385 -5,537

Lag -1 - 0 4,556 -1,790

'

Type Coef SE Coef T P

AR 1 -1,6024 0,2091 -7,66 0,000

AR 2 -0,9849 0,1985 -4,96 0,000

MA 1 -1,6494 0,2113 -7,81 0,000

MA 2 -0,7880 0,2458 -3,21 0,005

Constant -86,31 77,40 -1,12 0,279

Differencing: 1 regular difference

Number of observations: Original series 24, after differencing 23

Residuals: SS = 208053 (backforecasts excluded)

MS = 11558 DF = 18

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 7,1 * * *

DF 7 * * *

P-Value 0,416 * * *

Dengan model ARIMA (2,1,2) tersebut dapat dirumuskan persamaan peramalan harga saham perkebunan di bursa efek indonesia (BEI) sebagai berikut:

Y_t = µ +φ₁ (Y_{t −1} ) +φ(Y_{t − 2} ) +θ₁ (Y_{t −1} ) +θ(Y_{t −2} ) +e_t

Dengan demikian, prediksi data ke 25 sampai 60 (36 periode atau 3 tahun ke depan) menjadi: Yt = -86,31 - 1,6024 - 0,9849 - 1,6494 - 0,7880 + et

(Hasil ramalan dapat dilihat pada lampiran 1)

Dari hasil ramalan SIMP yang diperoleh dengan program Minitab 16 ARIMA menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang menurun.. Oleh karena itu, langkah yang sebaiknya diambil untuk para investor ke perusahaan SIMP adalah menjual.

4.2.7. Peramalan Harga Saham PT Sinar Mas Agro Resources and Technology (Smart) Tbk (SMAR)

Dengan menggunakan alat bantu software komputer minitab 16, diperoleh plot data yang dapat dilihat pada gambar sebagai berikut:

4.25. Plot Data SMAR

Grafik pada gambar 4.25. memperlihatkan bahwa data harga saham penutupan SMAR pada bulan September 2011 sebesar 6650, pada September 2012 naik sebesar 7400 dan 6400 di bulan Agustus 2013.

Gambar 4.26. Fungsi Autokorelasi Data Penutupan Saham PT. SMAR Pada Bursa Efek Indonesia Dari September 2011 Samapai Agustus 2013

Hasil identifikasi menunjukkan bahwa data penutupan saham SMAR sudah stasioner, sehingga tidak memerlukan proses differencing. Oleh karena itu angka d (differencing) atau integrasi ditulis dengan angka 0, sehingga pada data digunakan model ARIMA (p,0,q). Kemungkinan model yang digunakan dalam analisis ini antara lain : ARIMA (1,0,1), ARIMA (1,0,2), ARIMA (2,0,1), dan ARIMA (2,0,2).

Dari kemungkinan yang telah diestimasi maka model yang telah memenuhi kriteria adalah model ARIMA (1,0,1) yang mencakup nilai AR (1) dan MA (1). Hasil diagnostik model ARIMA (1,0,1) dapat dilihat pada grafik ACF dan grafik PACF.

Gambar 4.27. Grafik ACF Data Penutupan Saham SMAR

Gambar 4.28. Grafik PACF Data Penutupan Saham SMAR

Pada kedua grafik tersebut, keduanya mempunyai kesamaan, yakni tidak ada satupun bar warna biru yang melampaui garis batas merah, atau dapat dikatakan bahwa residu dari model di atas bersifat random, sehingga model ARIMA (1,0,1) dapat digunakan untuk memprediksi harga saham perkebunan di bursa efek indonesia (BEI).

Dengan estimasinya:

Estimates at each iteration

Iteration SSE Parameters

'

1 7842438 0,233 -0,033 5055,067

2 7769851 0,373 0,117 4129,911

3 7684459 0,511 0,267 3223,653

4 7589875 0,646 0,417 2337,988

5 7502528 0,778 0,567 1466,237

6 7471586 0,902 0,696 649,299

7 7466065 0,876 0,647 820,751

8 7464705 0,890 0,672 731,275

9 7463982 0,878 0,654 807,871

10 7463794 0,883 0,662 777,526

11 7463678 0,878 0,655 807,159

12 7463663 0,880 0,659 795,256

13 7463641 0,878 0,656 805,976

14 7463638 0,879 0,657 803,886

15 7463637 0,879 0,657 804,309

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,8786 0,3724 2,36 0,028

MA 1 0,6568 0,4932 1,33 0,197

Constant 804,31 58,27 13,80 0,000

Mean 6625,6 480,0

Number of observations: 24

Residuals: SS = 7418283 (backforecasts excluded)

MS = 353252 DF = 21

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 7,0 * * *

DF 9 * * *

P-Value 0,634 * * *

Dengan model arima (1,0,1) tersebut dapat dirumuskan persamaan peramalan harga saham perkebunan di bursa efek indonesia (BEI) sebagai berikut:

Y_t = µ +φ₁ (Y_{t −1} ) +θ₁ (Y_{t −1} ) +e_t

Dengan demikian, prediksi data ke 25 sampai 60 (36 periode atau 3 tahun ke depan) menjadi: Yt = 804,31 + 0,8786 + 0,6568 + et

(Hasil ramalan dapat dilihat pada lampiran 2)

Dari hasil ramalan SMAR yang diperoleh dengan program Minitab 16 ARIMA menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang

menurun. Oleh karena itu, langkah yang sebaiknya diambil untuk para investor ke perusahaan SMAR adalah menjual.

4.2.8. Peramalan Harga Saham PT Tunas Baru Lampung Tbk (TBLA)

Dengan menggunakan alat bantu software komputer minitab 16, diperoleh plot data yang dapat dilihat pada gambar sebagai berikut:

Gambar 4.29. Plot Data TBLA

Grafik pada gambar 4.29. memperlihatkan bahwa data harga saham penutupan TBLA pada bulan September 2011 sebesar 680, pada Maret 2012 turun sebesar 400 dan 440 di bulan Agustus 2013.

Gambar 4.30. Fungsi Autokorelasi Data Penutupan Saham PT. TBLA Pada Bursa Efek Indonesia Dari September 2011 Samapai Agustus 2013

Hasil identifikasi menunjukkan bahwa data penutupan saham TBLA belum stasioner, sehingga memerlukan proses differencing. Oleh karena itu angka

d (differencing) atau integrasi ditulis dengan angka terkecil yakni 1. Dengan demikian, angka d pada model ARIMA (p,d,q) menjadi 1, sehingga pada data digunakan model ARIMA (p,1,q). Kemungkinan model yang digunakan dalam analisis ini antara lain : ARIMA (0,1,1), ARIMA (1,1,0), ARIMA (2,1,0), ARIMA (0,1,2), ARIMA (1,1,2), ARIMA (2,1,1) dan ARIMA (2,1,2).

Dari kemungkinan yang telah diestimasi maka model yang telah memenuhi kriteria adalah model ARIMA (0,1,2) yang mencakup nilai AR (0) dan MA (2). Hasil diagnostik model ARIMA (0,1,2) dapat dilihat pada grafik ACF dan grafik PACF.

Gambar 4.31. Grafik ACF Data Penutupan Saham TBLA

Gambar 4.32. Grafik PACF Data Penutupan Saham TBLA

Pada kedua grafik tersebut, keduanya mempunyai kesamaan, yakni tidak ada satupun bar warna biru yang melampaui garis batas merah, atau dapat dikatakan bahwa residu dari model di atas bersifat random, sehingga model

ARIMA (0,1,2) dapat digunakan untuk memprediksi harga saham perkebunan di bursa efek indonesia (BEI).

Dengan estimasinya:

Estimates at each iteration

Iteration SSE Parameters

0 136373 0,100 0,100 -10,335

1 133333 0,189 0,159 -9,346

2 131227 0,240 0,215 -8,772

3 128705 0,292 0,270 -8,241

4 124587 0,356 0,333 -7,634

5 115890 0,451 0,415 -6,856

6 109324 0,526 0,461 -6,607

7 106387 0,581 0,427 -5,310

8 102199 0,619 0,462 -5,239

9 100270 0,625 0,471 -5,139

10 98136 0,640 0,491 -5,069

11 94184 0,662 0,517 -4,924

12 92899 0,669 0,525 -4,904

13 90369 0,686 0,541 -4,813

14 89848 0,689 0,545 -4,793

15 86706 0,714 0,567 -4,661

16 86490 0,716 0,569 -4,646

17 86181 0,718 0,571 -4,634

18 85940 0,720 0,573 -4,624

19 85740 0,721 0,575 -4,615

20 85570 0,722 0,576 -4,608

21 85421 0,724 0,577 -4,602

22 85290 0,724 0,578 -4,596

23 85172 0,725 0,579 -4,591

24 85066 0,726 0,580 -4,586

25 84968 0,727 0,581 -4,582

** Convergence criterion not met after 25 iterations **

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 0,7266 0,2162 3,36 0,003

MA 2 0,5810 0,2547 2,28 0,034

Constant -4,582 2,977 -1,54 0,139

Differencing: 1 regular difference

Number of observations: Original series 24, after differencing 23

Residuals: SS = 78627,0 (backforecasts excluded)

MS = 3931,3 DF = 20

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 9,0 * * *

DF 9 * * *

'

Dengan model ARIMA (0,1,2) tersebut dapat dirumuskan persamaan peramalan harga saham perkebunan di bursa efek indonesia (BEI) sebagai berikut:

Y_t = µ +θ₁ (Yt −1 ) +θ(Yt − 2 ) +et

Dengan demikian, prediksi data ke 25 sampai 60 (36 periode atau 3 tahun ke depan) menjadi: Yt = - 4,582 + 0,7266 + 0,5810 + et

(Hasil ramalan dapat dilihat pada lampiran 2)

Dari hasil ramalan TBLA yang diperoleh dengan program Minitab 16 ARIMA menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend menurun. Oleh karena itu, langkah yang sebaiknya diambil untuk para investor ke perusahaan TBLA adalah menjual.

4.2.9. Peramalan Harga Saham PT Bakrie Sumatera Plantations Tbk (UNSP) Dengan menggunakan alat bantu software komputer minitab 16, diperoleh plot data yang dapat dilihat pada gambar sebagai berikut:

Gambar 4.33. Plot Data PT UNSP

Grafik pada gambar 4.32. memperlihatkan bahwa data harga saham penutupan UNSP pada bulan September 2011 sebesar 360, pada Juni 2012 turun sebesar 184 dan semakin turun menjadi 50 di bulan Agustus 2013.

Gambar 4.34. Fungsi Autokorelasi Data Penutupan Saham PT. UNSP Pada Bursa Efek Indonesia Dari September 2011 Samapai Agustus 2013

Hasil identifikasi menunjukkan bahwa data penutupan saham UNSP belum stasioner, sehingga memerlukan proses differencing. Oleh karena itu angka d (differencing) atau integrasi ditulis dengan angka terkecil yakni 1. Dengan demikian, angka d pada model ARIMA (p,d,q) menjadi 1, sehingga pada data digunakan model ARIMA (p,1,q). Kemungkinan model yang digunakan dalam analisis ini antara lain : ARIMA (0,1,1), ARIMA (1,1,0), ARIMA (2,1,0), ARIMA (0,1,2), ARIMA (1,1,2), ARIMA (2,1,1) dan ARIMA (2,1,2).

Dari kemungkinan yang telah diestimasi maka model yang telah memenuhi kriteria adalah model ARIMA (2,1,2) yang mencakup nilai AR (2) dan MA (2). Hasil diagnostik model ARIMA (2,1,2) dapat dilihat pada grafik ACF dan grafik PACF.

0 14602,0 0,100 0,100 0,100 0,100 -10,703

1 14581,1 0,098 0,085 0,103 0,115 -11,049

2 14519,8 0,246 0,171 0,253 0,200 -7,878

3 14425,5 0,394 0,245 0,403 0,274 -4,887

4 14313,6 0,542 0,268 0,553 0,297 -2,592

5 14256,9 0,690 0,131 0,703 0,160 -2,437

6 14197,9 0,838 -0,005 0,853 0,023 -2,272

7 14132,8 0,987 -0,141 1,003 -0,116 -2,109

8 14057,4 1,134 -0,279 1,153 -0,257 -1,966

9 13948,3 1,117 -0,329 1,193 -0,202 -2,961

10 12199,9 1,052 -0,385 1,185 -0,206 -4,774

11 12151,4 1,006 -0,393 1,115 -0,131 -5,544

12 12110,1 0,945 -0,374 1,050 -0,047 -6,216

13 11548,5 0,933 -0,377 1,076 -0,023 -6,552

14 11266,1 0,938 -0,372 1,087 -0,014 -6,398

15 11081,5 0,936 -0,374 1,088 -0,008 -6,452

16 10980,1 0,935 -0,374 1,090 -0,000 -6,481

17 10946,6 0,935 -0,375 1,090 0,002 -6,494

18 10921,3 0,935 -0,375 1,090 0,004 -6,504

19 10863,3 0,932 -0,377 1,092 0,020 -6,572

20 10735,7 0,928 -0,378 1,087 0,039 -6,657

21 10643,3 0,928 -0,378 1,086 0,040 -6,664

22 10638,6 0,928 -0,378 1,085 0,041 -6,667

23 10636,9 0,928 -0,378 1,085 0,042 -6,670

24 10635,6 0,928 -0,378 1,084 0,043 -6,672

Gambar 4.35. Grafik ACF Data Penutupan Saham UNSP

Gambar 4.36. Grafik PACF Data Penutupan Saham UNSP

Pada kedua grafik tersebut, keduanya mempunyai kesamaan, yakni tidak ada satupun bar warna biru yang melampaui garis batas merah, atau dapat dikatakan bahwa residu dari model di atas bersifat random, sehingga model ARIMA (2,1,2) dapat digunakan untuk memprediksi harga saham perkebunan di bursa efek indonesia (BEI).

Dengan estimasinya:

Estimates at each iteration

'

25 10634,5 0,927 -0,378 1,084 0,044 -6,675

** Convergence criterion not met after 25 iterations **

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,9274 0,4273 2,17 0,044

AR 2 -0,3783 0,3156 -1,20 0,246

MA 1 1,0838 0,4275 2,54 0,021

MA 2 0,0437 0,3789 0,12 0,910

Constant -6,67498 0,02837 -235,28 0,000

Differencing: 1 regular difference

Number of observations: Original series 24, after differencing 23

Residuals: SS = 10217,3 (backforecasts excluded)

MS = 567,6 DF = 18

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 14,5 * * *

DF 7 * * *

P-Value 0,043 * * *

Dengan model ARIMA (2,1,2) tersebut dapat dirumuskan persamaan peramalan harga saham perkebunan di bursa efek indonesia (BEI) sebagai berikut:

Y_t = µ +φ₁ (Y_{t −1} ) +φ(Y_{t −2} ) +θ₁ (Y_{t −1} ) +θ(Y_{t − 2} ) +e_t

Dengan demikian, prediksi data ke 25 sampai 60 (36 periode atau 3 tahun ke depan) menjadi: Yt = -6,67498 + 0,9274 - 0,3783 + 1,0838 + 0,0437 + et

(Hasil ramalan dapat dilihat pada lampiran 2)

Dari hasil ramalan UNSP yang diperoleh dengan program Minitab 16 ARIMA menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang turun. Oleh karena itu, langkah yang sebaiknya diambil untuk para investor ke perusahaan UNSP adalah menjual.

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan, maka dapat disimpulkan bahwa peramalan untuk pergerakan harga saham perkebunan di Bursa Efek Indonesia secara umum cenderung mengalami penurunan. Dari hasil ramalan AALI yang diperoleh dengan ARIMA (1,0,2) menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang naik hingga periode 30 sebesar 19865,4. Hasil ramalan GZCO yang diperoleh dengan ARIMA (1,1,2) menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang menurun sampai periode ke 30 sebesar 59,646. Untuk saham PT. JAWA yang diperoleh dengan ARIMA (2,0,2) menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang naik hingga 374,416. LSIP yang diperoleh dengan ARIMA (1,1,2) menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang menurun hingga 852,68. Saham SGRO yang diperoleh dengan program Minitab 16 ARIMA (1,1,2) menunjukkan bahwasanya dengan data jangka pendek terdapat trend yang turun menjadi 1256,77. Saham SIMP yang diperoleh dengan ARIMA (2,1,2) menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang menurun 596,29. Dari hasil ramalan SMAR yang diperoleh dengan ARIMA (1,0,1) menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang menurun menjadi 6782,45. Dari hasil ramalan TBLA yang diperoleh dengan ARIMA (0,1,2) menunjukkan bahwasanya

dengan data jangka pendek tersebut terdapat trend menurun. Sedangkan untuk saham UNSP yang diperoleh dengan ARIMA (2,1,2) menunjukkan bahwasanya dengan data jangka pendek tersebut terdapat trend yang turun. Oleh karena itu, secara teknikalnya untuk memanfaaatkan momentum jangka pendek, buy on weakness untuk AALI dan JAWA yang trennya menaik, sedangkan untuk saham GZCO, LSIP, SGRO, SIMP, SMAR, TBLA, dan UNSP yang trennya menurun dapat mengambil langkah untuk menjual. Menurunnya harga saham disebabkan menurunnya permintaan CPO akibat terjadi krisis ekonomi global.

5.2. Saran

Peramalan untuk pergerakan harga saham perkebunan di Bursa Efek Indonesia dengan data bulanan dari September 2011 hingga Agustus 2013 memiliki kecenderungan yang menurun. Oleh karena itu, investor diharapkan tetap mewaspadai dan mengantisipasi segala kemungkinan yang terjadi. Keputusan yang diambil diharapkan mendapatkan keuntungan.

Peneliti menyarankan perlu adanya penelitian lebih lanjut dari penelitian ini yakni berupa penelitian mengenai keuntungan dan resiko dengan menggunakan metode VaR yang diambil dari berinvestasi.

BAB II

TINJAUAN PUSTAKA

2.1. Pasar Modal

Pasar modal adalah pertemuan antara pihak yang memiliki kelebihan dana dengan pihak yang membutuhkan dana dengan cara memperjualbelikan sekuritas. Dengan demikian, pasar modal juga bisa diartikan sebagai pasar untuk memperjualbelikan sekuritas yang umumnya memiliki umur lebih dari satu tahun, seperti saham dan obligasi. Sedangkan tempat dimana terjadinya jual beli sekuritas disebut dengan bursa efek. Oleh karena itu, bursa efek merupakan arti dari pasar modal secara fisik. Untuk kasus di Indonesia terdapat dua bursa efek yaitu Bursa Efek Jakarta (BEJ) dan Bursa Efek Surabaya (BES).(Eduardus Tandelilin:2001)

Meskipun aktivitas sehari-hari pasar modal adalah jual beli surat-surat berharga atau efek jangka panjang, tujuan utama penyelenggaraan pasar modal adalah memupuk sumber pembiayaan, baik bagi pemerintah maupun bagi dunia usaha untuk kegiatan yang bersifat produktif.(E.A Koetin:1997)

2.1.1. Mekanisme Perdagangan di Pasar Modal

Mekanisme perdagangan yang terjadi di pasar modal yaitu yang terjadi pasar perdana dan di pasar sekunder.(Eduardus Tandelilin:2001)

1. Pasar perdana

Pasar perdana terjadi pada saat perusahaan emiten menjual sekuritasnya kepada investor umum untuk pertama kalinya. Sebelum menawarkan saham di pasar

perdana, perusahaan emiten sebelumnya akan mengeluarkan informasi mengenai perusahaan secara detail (disebut juga prospektus). Dalam menjual sekuritasnya, perusahaan umumnya menggunakan jasa profesional dan lembaga pendukung pasar modal, untuk membantu menyiapkan berbagai dokumen serta persyaratan yang diperlukan untuk go-public. Di Indonesia proses penawaran umum di pasar perdana bisa digambarkan, seperti:

Profesional dan

2

E BAPEPAM lembaga 1 3

M

pendukung

pasar modal I

T 4

E N

Gambar 2.1. Proses Penawaran Umum di Pasar Perdana Keterangan:

1. Profesional dan lembaga pendukung pasar modal membantu emiten menyiapkan penawaran umum.

2. Emiten menyerahkan pernyataan pendaftaran kepada BAPEPAM. 3. Pernyataan pendaftaran dinyatakan efektif oleh BAPEPAM.

4. Emiten beserta profesional dan lembaga pendukung melakukan penawaran umum di pasar perdana.

2. Pasar Sekunder

Setelah sekuritas emiten dijual di pasar perdana, selanjutnya sekuritas emiten tersebut kemudian bisa diperjualbelikan oleh dan antar investor di pasar

sekunder. Dengan adanya pasar sekunder, investor dapat melakukan perdagangan sekuritas untuk mendapatkan keuntungan. Oleh karena itu, pasar sekunder memberikan likuiditas kepada investor, bukan kepada perusahaan seperti dalam pasar perdana. Pasar sekunder biasanya dimanfaatkan untuk perdagangan saham biasa, saham preferen, obligasi, waran maupun sekuritas derivatif (opsi dan futures). Sedangkan untuk kasus di Indonesia, sekuritas yang umumnya diperdagangkan di pasar sekunder adalah saham biasa, saham preferen, obligasi, obligasi konversi, waran, bukti right dan reksa dana. Perdagangan di pasar sekunder dapat dilakukan di dua jenis pasar, yaitu pasar lelang atau pasar negoisasi.

2.1.2. Instrumen Pasar Modal

Beberapa sekuritas yang umumnya diperdagangkan di pasar modal anatara lain adalah saham, obligasi, reksa dana dan instrumen derivatif. Maing-masing sekuritas tersebut memberikan return dan risiko yang berbeda-beda.(Eduardus Tandelilin:2001)

1. Saham : merupakan bukti bahwa kepemilikan atas aset-aset perusahaan yang menerbitkan saham. Dengan memiliki saham suatu perusahaan, maka investor akan mempunyai hak terhadap pendapatan dan kekayaan perusahaan, setelah dikurangi dengan pembayaran semua kewajiban perusahaan. Saham merupakan salah satu jenis sekuritas yang cukup populer diperjualbelikan di pasar modal.

2. Obligasi : merupakan sekuritas yang memberikan pendapatan dalam jumlah tetap kepada pemiliknya. Pada saat membeli obligasi, investor sudah dapat mengetahui dengan pasti berapa pembayaran bunga yang akan diperolehnya secara periodik dan berapa pembayaran kembali nilai par (par value) pada saat jatuh tempo. Meskipun demikian, obligasi bukan tanpa resiko, karena bisa saja obligasi tersebut tidak terbayar kembali akibat kegagalan penerbitnya dalam memenuhi kewajibannya.

3. Reksa dana : adalah sertifikat yang menjelaskan bahwa pemiliknya menitipkan sejumlah dana kepada perusahaan reksa dana, untuk digunakan sebagai modal berinvestasi baik di pasar modal maupun di pasar uang. Perusahaan reksa dana akan menghimpun dana dari investor untuk kemudian diinvestasikan dalam bentuk portofolio yang dibentuk oleh manajer investasi. Dengan demikian, investor dapat membentuk portofolio secara tidak langsung melalui manajer investasi.

4. Instrumen derivatif (opsi dan futures) : merupakan sekuritas yang nilainya merupakan turunan dari suatu sekuritas lain, sehingga nilai instrumen derivatif sangat tergantung dari harga sekuritas lain yang ditetapkan sebagai patokan.

2.1.3. Organisasi Pasar Modal Indonesia

Struktur pasar modal Indonesia diatur oleh Undang-Undang No.8 tahun 1995 tentang pasar modal. Di dalam undang-undang tersebut dijelaskan bahwa kebijakan di bidang pasar modal ditetapkan oleh Menteri Keuangan. Sedangkan pembinaan, pengaturan dan pengawasan sehari-hari dilaksanakan oleh

Pemodal

 Domestik

 Asing

Emiten

 Perusahaan publik

 Reksa dana Profesi

penunjang

 Akuntan

 Konsultan hukum

 Penilai

 notaris

Pemodal

 Domestik

 Asing

Emiten

 Perusahaan publik

 Reksa dana Perusahaan

efek

 Penjamin emisi

 Perantara pedagang efek

 Manajer investasi

Lembaga penunjang

 Biro adm. Efek

 Bank Kustodian

 Wali amanat

 Penasihat investasi

 Pemeringkat efek

Profesi penunjang

 Akuntan

 Konsultan hukum

 Penilai

 notaris

Pemodal

 Domestik

 Asing

Emiten

 Perusahaan publik

 Reksa dana Perusahaan

efek

 Penjamin emisi

 Perantara pedagang efek

 Manajer investasi

Lembaga penunjang

 Biro adm. Efek

 Bank Kustodian

 Wali amanat

 Penasihat investasi

 Pemeringkat efek

Profesi penunjang

 Akuntan

 Konsultan hukum

 Penilai

 notaris

Pemodal

 Domestik

 Asing

Emiten

 Perusahaan publik

 Reksa dana Perusahaan

efek

 Penjamin emisi

 Perantara pedagang efek

 Manajer investasi

Lembaga penunjang

 Biro adm. Efek

 Bank Kustodian

 Wali amanat

 Penasihat investasi

 Pemeringkat efek

Profesi penunjang

 Akuntan

 Konsultan hukum

 Penilai

 notaris

Pemodal

 Domestik

 Asing

Emiten

 Perusahaan publik

 Reksa dana Perusahaan

efek

 Penjamin emisi

 Perantara pedagang efek

 Manajer investasi

Lembaga penunjang

 Biro adm. Efek

 Bank Kustodian

 Wali amanat

 Penasihat investasi

 Pemeringkat efek

Profesi penunjang

 Akuntan

 Konsultan hukum

 Penilai

 notaris

Pemodal

 Domestik

 Asing

Emiten

 Perusahaan publik

 Reksa dana Bursa efek LKP LPP

Perusahaan efek

 Penjamin emisi

 Perantara pedagang efek

 Manajer investasi

Lembaga penunjang

 Biro adm. Efek

 Bank Kustodian

 Wali amanat

 Penasihat investasi

 Pemeringkat efek

Profesi penunjang

 Akuntan

 Konsultan hukum

 Penilai

 notaris

Pemodal

 Domestik

 Asing

Emiten

 Perusahaan publik

 Reksa dana BAPEPAM. Secara umum struktur pasar modal Indonesia seperti yang terlihat dalam gambar berikut. Gambar tersebut menunjukkan pelaku-pelaku pasar yang mempengaruhi perkembangan pasar modal Indonesia, selain menteri keuangan dan BAPEPAM. (Eduardus Tandelilin:2001)

Menteri Keuangan

BAPEPAM

Bursa efek LKP LPP

Perusahaan Lembaga Profesi Pemodal Emiten ef  ek Penjamin pe  nunjang Biro adm. pe  nunjang Akuntan   Domestik Asing  Perusahaan publik

emisi Efek  Konsultan  Reksa

 Perantara  Bank hukum dana

pedagang

efek 

Kustodian Wali amanat   Penilai notaris

 Manajer  Penasihat investasi investasi

 Pemeringkat efek

Gambar 2.2. Struktur Pasar Modal Indonesia Sumber: cetak biru pasar modal Indonesia

2.2. Saham

Saham adalah surat berharga yang menunjukkan adanya kepemilikan seseorang atau badan hukum terhadap perusahaan penerbit saham. Misalnya seseorang memiliki saham Perusahaan X adalah merupakan bukti bahwa orang tersebut turut menyertakan modal terhadap Perusahaan X.(Simatupang Mangasa:2010)

Tujuan seseorang untuk melakukan investasi terhadap saham perusahaan go-public, pada umumnya semata-mata hanya mengharapkan keuntungan dari pembagian dividen dan kapital gain. Dividen adalah keuntungan bersih setelah dikurangi pajak yang diberikan perusahaan penerbit saham kepada para pemegang saham, sedangkan kapital gain merupakan keuntungan yang diperoleh para investor di pasar modal dari selisih antara harga beli dan harga jual (harga jual>harga beli). Hanya untuk kasus-kasus tertentu saja seseorang investor membeli saham perusahaan go-public untuk tujuan dapat aktif atau menguasai manajemen perusahaan. (Simatupang Mangasa:2010)

2.2.1. Karakteristik Saham

Karakteristik saham adalah karakteristik saham perusahaan go-public dimana saham perusahaan tersebut ditransaksikan di bursa efek dengan karakteristik sebagai berikut: Setiap saham yang diperdagangkan di pasar modal memiliki 3 jenis nilai yang melekat pada suatu saham perusahaan go-public. Nilai dari saham tersebut perlu dipahami investor karena sangat akan membantu para investor dalam mempertimbangkan melakukan investasi saham di pasar modal. (Simatupang Mangasa:2010). Adapun nilai dari saham tersebut yaitu:

1. Nilai Nominal (Nilai Pari)

Nilai nominal saham adalah nilai yang tertera di dalam saham, yang diperoleh dari hasil pembagian total modal perusahaan terhadap jumlah saham yang beredar. Nilai nominal digunakan lebih kepada kepentingan akuntansi dan hukum. Nilai nominal tidak mengukur nilai riil suatu saham tetapi hanya

digunakan untuk menentukan besarnya modal disetor penuh dalam neraca. Sehingga besar kecilnya nilai nominal sangat tergantung dari besarnya modal disetor perusahaan dan jumlah saham yang diterbitkan

2. Nilai Wajar Saham

Nilai wajar saham adalah nilai yang diberikan oleh para investor atau analis pasar modal terhadap setiap saham yang diperdagangkan di bursa efek dengan berpedoman kepada masing-masing industri dari setiap perusahaan tersebut dan penggunaan metode-metode perhitungan nilai/harga suatu saham yang berlaku umum seperti misalnya dengan menggunakan metode PER, tingkat pertumbuhan laba perusahaan, price to book value (PBV) dan lain-lain.

3. Nilai Pasar

Nilai pasar atau harga pasar saham suatu perusahaan go-public adalah nilai yang diperdagangkan di bursa efek. Nilai pasar terbentuk dari perkiraan para investor terhadap prospek perusahaan. Semakin banyak para investor yang memperkiraan kinerja perusahaan akan semakin baik di masa akan datang, maka semakin banyak para investor melakukan pembelian dan semakin tinggi harga pasar saham dan sebaliknya semakin banyak investor memperkirakan kinerja perusahaan akan menurun maka akan semakin banyak investor yang melakukan penjualan saham dan harga saham akan menurun.

Dengan demikian karakteristik utama saham sebagai surat berharga yang ditransaksikan di pasar modal, selalu mengalami fluktuasi, naik dan turun dari satu waktu ke waktu yang lain. Fluktuasi harga saham tersebut tergantung pada kekuatan supply dan demand atau penawaran dan permintaan atau berapa besar

pembelian dan penjualan dari suatu saham tersebut akan sangat mempengaruhi naik turunnya harga saham. Apabila suatu saham mengalami kenaikan permintaan, harga akan cenderung naik. Sebaliknya, kalau terjadi penurunan permintaan maka harga saham akan cenderung turun.(Simatupang Mangasa:2010)

2.2.2. Klasifikasi Saham

Saham dai suatu perseroan terbatas yang sudah go-public dapat diklasifikasikan berdasarkan banyak faktor antara lain berdasarkan cara peralihan saham, hak tagih atau manfaat saham dan hak istimewa saham. (Simatupang Mangasa:2010)

1. Berdasarkan cara peralihan saham

Berdasarkan cara peralihan saham, maka saham dapat digolongkan menjadi saham atas nama dan saham atas unjuk dengan uraian berikut:

a. Saham atas nama

Saham atas nama, dimana nama pemilik saham tertera di atas saham tersebut dan cara peralihan saham ini harus melalui pencatatan dokumen peralihan. Dalam undang-undang perseroan terbatas (UUPT) pasal 49 mengenai anggaran dasar pemindahan hak atas nama PT. tertutup wajib dilakukan dengan akta pemindahan hak dan direksi wajib mencatat pemindahan hak atas saham atas nama tersebut dalam daftar pemegang saham. Selanjutnya dipersyaratkan bahwa transaksi pemindahan saham dilakukan penyerahan bukti fisik saham. Perlu dipahami bahwa transaksi saham dengan bukti fisik saham tentu akan memberikan konsekuensi timbulnya resiko keamanan karena kemudian hari dimungkinkan terjadinya

saham yang ditransaksikan dicuri, hilang atau saham dipalsukan serta akan menimbulkan kesulitan di dalam melakukan transaksi dalam jumlah besar. b. Saham atas unjuk

Saham atas unjuk adalah saham dimana nama pemilik saham tidak tertera di atas saham, sehingga otomatis pemegang saham dianggap sebagai pemilik saham. Dengan demikian barang siapa yang dapat menunjukkan sertifikat saham tersebut, maka ia dapat dikatakan pemilik dari saham tersebut, kecuali dapat dibuktikan telah terjadi pelanggaran hukum dari peralihannya.

2. Berdasarkan hak tagih atau manfaat saham

Berdasarkan hak tagih atau manfaat saham, maka saham dapat digolongkan menjadi saham biasa dan saham preferen dengan uraian sebagai berikut:

a. Saham biasa (common stock)

Saham biasa adalah saham yang paling umum diperdagangkan di pasar bursa efek, sedangkan pasar preferen walaupun juga ada diperdagangkan di pasar bursa efek tetapi nilai perdagangan dan volumenya relatif sangat kecil.

Dengan kata lain adanya klasifikasi saham biasa tersebut agar memudahkan para investor melakukan piliha investasi atas suatu saham yang dapat disesuaikan dengan kkondisi individu masing-masing investor seperti antara lain kondisi keuangan investor, tingkat keuntungan dan toleransi resiko yang dapat diterima atau dipikul para investor.

b. Saham preferen (preferen stock)

Saham preferen adalah saham yang memberikan prioritas pilihan (preferen) kepada pemegangnya untuk didahulukan dalam hal pembayaran dividen dengan besarannya sudah ditentukan pada saat saham preferen diterbitkan oleh perusahaan. Adapun penentuan besaran dividen yang diterima pemegang saham preferen biasanya ditentukan oleh persentase nilai nominal saham setiap tahun yang diatur dalam anggaran sebuah perusahaan. Apabila perusahaan mengalami kerugian pada akhir tahun setelah tutup buku, sehingga tidak dapat membagikan dividen kepada pemegang saham preferen maka perusahaan mencatatnya sebagai utang yang harus dibayarkan apabila pada tahun berikutnya memperoleh laba. Sehingga saham preferen sering disebut sebagai efek yang memiliki sifat hybrid yaitu walaupun berbentuk saham namun mempunyai penghasilan tetap seperti surat utang atau obligasi.

2.2.3. Risiko Investasi Saham

Hampir dipastikan setiap media investasi memiliki tingkat risiko disamping tingkat keuntungan yang akan diperoleh investor. Terdapat hubungan yang kuat dan positif antara tingkat keuntungan (return) yang diharapkan dengan tingkat risiko (risk). Semakin tinggi potensi keuntungan juga akan diikuti dengan semakin tingginya tingkat risiko dan sebaliknya semakin rendah potensi keuntungan akan semaki rendah pula tingkat risikonya (high return-high risk dan low return-low risk).

RISIKO INVESTASI SAHAM INVESTASI SAHAM

RISIKO

Risiko:

 Sistematik

 Non sistematik 1. Risiko finansial 2. Risiko industri 3. Risiko negara

Risiko lain-lain:

1. Tidak mendapat dividen 2. Capital loss

3. Perusahaan dilikuidasi 4. Perusahaan didelicting 5. Perusahaan disuspend

Gambar 2.3. Risiko Investasi Saham

2.3. Indeks LQ45

Indeks LQ45 adalah gambaran pergerakan naik turunnya harga 45 saham yang paling lancar (likuid) yang diperdagangkan di bursa efek dan diumumkan setiap hari pada saat penutupan sesi II transaksi perdagangan di bursa efek. Selain penilaian atas likuiditas seleksi atas saham-saham tersebut mempertimbangkan kapitalisasi pasar. Kriteria saham yang masuk indeks LQ45 adalah :

1. Masuk dalam urutan 60 besar dari total transaksi saham di pasar reguler (rata- rata nilai transaksi selama 12 bulan terakhir).

2. Urutan berdasarkan kapitalisasi pasar (rata-rata nilai kapitalisasi pasar selama 12 bulan terakhir).

3. Telah tercatat di Bursa Efek Indonesia (BEJ, BES) selama paling sedikit 3 bulan.

4. Kondisi keuangan dan prospek pertumbuhan perusahaan, frekuensi dan jumlah hari transaksi di pasar regular.

Bursa Efek Indonesia setiap tiga bulan review pergerakan ranking saham akan digunakan dalam kalkulasi indeks LQ45. Penggantian saham akan dilakukan setiap enam bulan sekali, yaitu pada awal Februari dan Agustus. Apabila saham tidak memenuhi kriteria seleksi indeks LQ45, maka saham tersebut akan dikeluarkan dari perhitungan indeks dan diganti dengan saham lain yang memenuhi kriteria.

2.4. Investasi

Investasi adalah suatu kegiatan menunda konsumsi atau penggunaan sejumlah dana pada masa sekarang dengan tujuan untuk mendapatkan keuntungan di masa yang akan datang. Dari pengertian tersebut, ditekankan bahwa kegiatan investasi memerlukan dana, pengorbanan waktu dan pikiran dengan harapan akan memperoleh keuntungan (return) di masa akan datang.(Mangasa Simatupang: 2010)

Menurut Eduardus Tandelilin, ada beberapa alasan mengapa seseorang melakukan investasi, antara lain adalah:

1. Untuk mendapatkan kehidupan yang lebih layak di masa yang akan datang. Seseorang yang biijaksana akan berpikir bagaimana akan meningkatkan taraf hidupnya dari waktu ke waktu atau setidaknya berusaha bagaimana

mempertahankan tingkat pendapatannya yang ada sekarang agar tidak berkurang di masa yang akan datang.

2. Mengurangi tekanan inflasi

Dengan melakukan investasi dalam pemilikan perusahaan atau obyek lain, seseorang dapat menghindarkan diri dari risiko penurunan nilai kekayaan atau hak miliknya akibat adanya pengaruh inflasi.

3. Dorongan untuk menghemat pajak

Beberapa negara di dunia banyak melakukan kebijakan yang bersifat mendorong tumbuhnya investasi di masyarakat melalui pemberian fasilitas perpajakan kepada masyarakat yang melakukan investasi pada bidang-bidang usaha tertentu.

Dalam melakukan kegiatan investasi, selalu terdapat unsur ketidakpastian atau risiko. Pemilik modal tidak dapat mengestimasi secara pasti hasil yang diperolehnya dari kegiatan investasi yang dilakukannya. Dalam investasi mempertimbangkan:

1. Tujuan mengadakan investasi. 2. Jangka waktu investasi. 3. Kemampuan keuangan.

4. Penanggulangan risiko yang timbul akibat kegiatan investasi. 5. Alternatif investasi yang tersedia.

6. Informasi yang tersedia bagi alternatif investasi tersebut. 7. Penentuan pilihan investasi yang sesuai.

DAFTAR ISI

HALAMAN ABSTRACT ... ABSTRAK...

ii iii KATA PENGANTAR ... DAFTAR ISI ...

iv vi DAFTAR TABEL ... DAFTAR GAMBAR...

viii ix

BAB I PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Perumusan Masalah ... 4

1.3. Tujuan Penelitian... 4

1.4. Manfaat Penelitian ... 4

BAB II TINJAUAN PUSTAKA ... 6

2.1. Pasar Modal ... 6

2.1.1. Mekanisme Perdagangan Di Pasar Modal ... 6

2.1.2. Instrument Pasar Modal ... 8

2.1.3. Organisasi Pasar Modal Indonesia ... 9

2.2. Saham ... 10

2.2.1. Karakteristik Saham ... 11

2.2.2. Klasifikasi Saham... 13

2.2.3. Resiko Investasi Saham ... 15

2.3. Indeks LQ45 ... 16

2.4. Investasi... 17

2.4.1. Jenis Investasi... ` 19

2.4.2. Sikap Individu (Pemodal) Terhadap Risiko... 19

2.4.3. Proses Investasi Dan Keputusannya ... 20

2.5. Analisis Fundamental Dan Analisis Teknikal ... 21

2.6. Kerangka Konseptional ... 22

2.7. Tinjauan Penelitian Terdahulu... 23

2.8. Perbedaan Penelitian Dengan Penelitian Terdahulu ... 25

2.9. Profil Perusahaan ... 26

2.9.1. Sejarah dan Profil Singkat AALI ... 26

2.9.2. Sejarah dan Profil Singkat GZCO ... 27

2.9.3. Sejarah dan Profil Singkat JAWA... 28

2.9.4. Sejarah dan Profil Singkat LSIP ... 29

2.9.5. Sejarah dan Profil Singkat SGRO ... 30

2.9.6. Sejarah dan Profil Singkat SIMP ... 31

2.9.7. Sejarah dan Profil Singkat SMAR ... 32

2.9.8. Sejarah dan Profil Singkat TBLA ... 34

2.9.9. Sejarah dan Profil Singkat UNSP ... 36

BAB III METODOLOGI PENELITIAN ... 38

3.1. Jenis Dan Sumber Data ... 38

3.2. Pengolahan Data ... 38

3.3. Metode Analisis Data ... 39

3.3.1. Analisis Time Series ( Analisis Trend) ... 39

3.3.2. Stasioneritas dan Nonstasioneritas ... 40

3.3.3. Autoregressive Integrated Moving Average (ARIMA) ... 41

3.3.3.1. Klasifikasi Model ARIMA... 41

3.3.3.2. Peramalan Dengan Model ARIMA ... 42

BAB IV ANALISA DATA DAN PEMBAHASAN ... 44

4.1. Data ... 44

4.2. Pengeolahan Data... 45

4.2.1. Peramalan Harga Saham PT Astra Agro Lestari Tbk (AALI)... 45

4.2.2. Peramalan Harga Saham PT Gozco Plantations Tbk. (GZCO) ... 49

4.2.3. Peramalan Harga Saham PT Jaya Agra Wattie Tbk (JAWA) ... 4.2.4. Peramalan Harga Saham PT London Sumatera Indonesia Tbk 53 (LSIP) ... 56

4.2.5. Peramalan Harga Saham PT Sampoerna Agro Tbk (SGRO) ... 60

4.2.6. Peramalan Harga Saham PT Salim Ivomas Pratama (SIMP) ... 4.2.7. Peramalan Harga Saham PT Sinar Mas Agro Resources and 63 Technology (Smart) Tbk (SMAR)... 67

4.2.8. Peramalan Harga Saham PT Tunas Baru Lampung Tbk (TBLA) .. 71

4.2.9. Peramalan Harga Saham PT Bakrie Sumatera Plantations Tbk (UNSP) ... 74

BAB V KESIMPULAN DAN SARAN ... 78

5.1. Kesimpulan ... 78

5.2. Saran... 79 DAFTAR PUSTAKA

LAMPIRAN

DAFTAR TABEL

TABEL HALAMAN 3.1. Data dan Sumber Data ... 26 4.1. Data Penutupan Saham Dari September 2011 Sampai

Agustus 2013 Pada Perusahaan Perkebunan Di Bursa Efek

Indonesia (BEI) ... 44

DAFTAR GAMBAR

GAMBAR HALAMAN

2.1. Proses Penawaran Umum di Pasar Perdana ... 7

2.2 Struktur Pasar Modal Indonesia ... 10

2.3 Risiko Investasi Saham ... 16

2.4. Kerangka Konseptual... 22

4.1. Plot Data PT AALI... 45

4.2. Fungsi Autokorelasi Data Penutupan Saham PT AALI Pada Bursa Efek Indonesia Dari September 2011 Sampai Dengan Agustus 2013 45

4.3. Garfik ACF Data Penutupan Saham AALI ... 46

4.4. Grafik PACF Data Penutupan Saham AALI ... 47

4.5. Plot Data PT GZCO ... 49

4.6. Fungsi Autokorelasi Data Penutupan Saham PT GZCO Pada Bursa Efek Indonesia Dari September 2011 Sampai Dengan Agustus 2013 50

4.7. Garfik ACF Data Penutupan Saham GZCO ... 51

4.8. Grafik PACF Data Penutupan Saham GZCO... 51

4.9. Plot Data PT JAWA... 53

4.10. Fungsi Autokorelasi Data Penutupan Saham PT JAWA Pada Bursa Efek Indonesia Dari September 2011 Sampai Dengan Agustus 2013 53

4.11. Garfik ACF Data Penutupan Saham JAWA ... 54

4.12. Grafik PACF Data Penutupan Saham JAWA ... 54

4.13. Plot Data PT LSIP ... 56

4.14. Fungsi Autokorelasi Data Penutupan Saham PT LSIP Pada Bursa

Efek Indonesia Dari September 2011 Sampai Dengan Agustus 2013 57

4.15. Garfik ACF Data Penutupan Saham LSIP ... 58

4.16. Grafik PACF Data Penutupan Saham LSIP ... 58

4.17. Plot Data PT SGRO ... 60

4.18. Fungsi Autokorelasi Data Penutupan Saham PT SGRO Pada Bursa Efek Indonesia Dari September 2011 Sampai Dengan Agustus 2013 60

4.19. Garfik ACF Data Penutupan Saham SGRO... 61

4.20. Grafik PACF Data Penutupan Saham SGRO ... 61

4.21. Plot Data PT SIMP ... 63

4.22. Fungsi Autokorelasi Data Penutupan Saham PT SIMP Pada Bursa Efek Indonesia Dari September 2011 Sampai Dengan Agustus 2013 64

4.23. Garfik ACF Data Penutupan Saham SIMP ... 65

4.24. Grafik PACF Data Penutupan Saham SIMP ... 65

4.25. Plot Data PT SMAR ... 68

4.26. Fungsi Autokorelasi Data Penutupan Saham PT SMAR Pada Bursa Efek Indonesia Dari September 2011 Sampai Dengan Agustus 2013 68

4.27. Garfik ACF Data Penutupan Saham SMAR ... 69

4.28. Grafik PACF Data Penutupan Saham SMAR ... 69

4.29. Plot Data PT TBLA ... 71

4.30 Fungsi Autokorelasi Data Penutupan Saham PT TBLA Pada Bursa Efek Indonesia Dari September 2011 Sampai Dengan Agustus 2013 71

4.31. Garfik ACF Data Penutupan Saham TBLA ... 72

4.32. Grafik PACF Data Penutupan Saham TBLA ... 72 4.33. Plot Data PT UNSP ... 74 4.34. Fungsi Autokorelasi Data Penutupan Saham PT UNSP Pada Bursa

Efek Indonesia Dari September 2011 Sampai Dengan Agustus 2013 75 4.35. Garfik ACF Data Penutupan Saham UNSP ... 76 4.36. Grafik PACF Data Penutupan Saham UNSP ... 76