Institutional Repository | Satya Wacana Christian University: Perbandingan Akurasi Peramalan Harga Saham: Pilihan VS Indifferent T2 912013007 BAB II
BAB II
TINJAUAN PUSTAKA
2.1 Analisis Harga Saham
Saham
merupakan
surat
berharga
yang
menunjukkan bukti kepemilikan terhadap suatu
perusahaan
Perusahaan
berbentuk
yang
telah
Perseroan
Terbatas.
menerbitkan
sahamnya
disebut perusahaan terbuka atau go public. Terdapat
dua jenis saham yaitu saham biasa dan saham
preferen. Saham biasa merupakan jenis saham yang
mempunyai hak suara, hak mendapatkan dividen,
hak klaim terakhir atas aktiva perusahaan jika
perusahaan dilikuidasi, dan hak memesan efek
terlebih
dahulu
sebelum
ditawarkan
kepada
masyarakat, sedangkan saham preferen merupakan
jenis saham yang mempunyai hak istimewa seperti
pembayaran dividen dalam jumlah yang tetap, hak
klaim lebih dahulu dibanding saham biasa jika
perusahaan dilikuidasi, dan saham preferen dapat
dikonversikan menjadi saham biasa.
Harga saham adalah harga yang terjadi pada
saat tertentu yang ditentukan oleh pelaku pasar dan
oleh permintaan dan penawaran saham di pasar
9
10
modal. Perubahan harga saham dipengaruhi oleh
kekuatan permintaan dan penawaran yang terjadi di
pasar sekunder (Anisma, 2012). Semakin banyak
investor yang ingin membeli atau menyimpan suatu
saham, maka harganya akan semakin naik, dan
sebaliknya
jika
banyak
investor
yang
menjual
sahamnya maka akan berdampak pada turunnya
harga saham. Ketika ada informasi baru maka
investor
membeli,
akan
melakukan
menahan,
atau
penyesuaian
menjual
dengan
saham
yang
dimiliki, sehingga harga terbaru dari saham tersebut
merepresentasikan perkembangan terbaru di pasar
modal. Pasar yang memiliki kondisi tersebut disebut
pasar modal yang efisien.
Menurut konsep pasar modal yang efisien, harga
sekuritas
sepnuhnya
mencerminkan
semua
informasi yang tersedia dan tidak mungkin untuk
memprediksi keuntungan masa mendatang yang
didasarkan pada informasi keuangan dan kinerja
masa lalu (Rehman dan Khidmat, 2013). Harga
saham akan cepat merespon informasi terbaru yang
tidak dapat diduga sehingga arah gerakannya tidak
dapat ditentukan. Menurut (Fama, 1970) terdapat
tiga bentuk efisiensi pasar berdasarkan tingkat
penyerapan
informasi,
yaitu:
1)
Efisiensi
Pasar
11
Lemah,
yaitu
harga
sekuritas
sepenuhnya
mencerminkan informasi di masa lalu (sudah terjadi).
Sehingga informasi masa lalu tidak dapat digunakan
lagi untuk memprediksi harga saham di masa
mendatang; 2) Efisiensi Pasar Semi Kuat, yaitu harga
sekuritas sepenuhnya mencerminkan informasi masa
lalu dan informasi publik yang tersedia bagi seluruh
investor. Sehingga investor yang memiliki informasi
privat dapat memperoleh abnormal return; 3) Efisiensi
Pasar
Kuat,
yaitu
harga
sekuritas
sepenuhnya
mencerminkan semua informasi yang ada di pasar,
baik informasi historis, publik, maupun privat.
Dalam pasar kuat ini tidak memungkinkan investor
memperoleh abnormal return. Pasar modal bentuk ini
merupakan pasar dengan kondisi paling ideal.
Meskipun hipotesis pasar yang efisien telah
menjadi konsep yang diterima dibidang keuangan,
tetapi
pada
menunjukkan
kenyataannya
adanya
beberapa
anomali
penelitian
pasar
yang
bertentangan dengan hipotesis pasar yang efisien,
seperti yang ditunjukkan oleh penelitian DeBondt
dan Thaler (1985); Fitriyan dan Sari (2013). Ketika
anomalitas pasar terjadi, investor dapat berpotensi
sangat
signifikan
untuk
memperoleh
abnormal return (Andreas dan Daswan, 2011).
tingkat
12
Harga
setiap
saham
harinya,
mengetahui
sering
oleh
mengalami
karena
faktor-faktor
itu
yang
perubahan
investor
perlu
mempengaruhi
perubahan harga saham. Perubahan harga saham
dipengaruhi oleh faktor internal (fundamental) dan
eksternal. Faktor internal merupakan faktor yang
berasal
dari
dalam
perusahaan
dan
dapat
dikendalikan oleh manajemen perusahaan. Semua
informasi yang dipublikasikan mengenai perusahaan
dapat
mempengaruhi
tersebut,
seperti
harga
informasi
saham
laporan
perusahaan
keuangan,
investasi, struktur manajemen perusahaan, dan
merger/akuisisi,
sedangkan
faktor
eksternal
merupakan faktor yang disebabkan oleh faktor di
luar perusahaan seperti kondisi ekonomi yaitu suku
bunga, inflasi, kurs rupiah; kebijakan pemerintah,
dan berbagai isu di dalam maupun di luar negeri.
Penilaian
atas
saham
merupakan
suatu
mekanisme untuk mengubah serangkaian variabel
ekonomi atau variabel perusahaan yang diamati
menjadi perkiraan tentang harga saham.
harga
saham
dibutuhkan
untuk
Analisis
meminimalkan
resiko investasi yang dilakukan. Analisis tersebut
dilakukan dengan dasar sejumlah informasi yang
diterima oleh investor. Secara umum ada dua
13
analisis yang biasa digunakan dalam menganalisis
harga saham yaitu analisis fundamental dan analisis
teknikal.
2.1.1 Analisis Fundamental
Menurut
Pandansari
(2012)
analisis
fundamental merupakan estimasi nilai faktor-faktor
internal emiten dan ekonomi pada saat ini untuk
memperkirakan harga saham di masa yang akan
datang dengan memproyeksikan data dan informasi
aktual agar dapat mengestimasi nilai intrinsik dari
harga saham saat ini, sehingga analis atau investor
dapat mengetahui tindakan apa yang akan dilakukan
di pasar dengan membandingkan nilai intrinsik dan
nilai
pasar
saham.
Analisis
fundamental
dapat
dilakukan dengan menganalisis kondisi keuangan
perusahaan
keuangan
fundamental
yang
ditunjukkan
perusahaan.
yang
Secara
sering
dalam
laporan
umum
faktor
digunakan
untuk
memprediksi harga saham adalah rasio keuangan
dan rasio pasar. Rasio keuangan yang digunakan
untuk memprediksi harga saham seperti ROA (Return
On Assets), DER (Debt Equity Ratio), BVS (Book Value
per Share), dan rasio pasar yang sering dikaitkan
dengan harga saham yaitu PBV (Price Book Value)
14
(Yunanto dan Henny, 2009). Dengan analisis tersebut
dapat diprediksi harga saham di masa yang akan
datang dengan mengestimasi nilai dari faktor-faktor
fundamental yang mempengaruhi harga saham dan
menerapkan
hubungan
faktor-faktor
tersebut
sehingga dapat diperoleh perkiraan harga saham.
2.1.2 Analisis Teknikal
Analisis teknikal pertama kali diperkenalkan
oleh
Charles
H.
Dow
pada
tahun
1884
yang
dinamakan Dow Theory. Dow Theory bertujuan
untuk mengidentifikasi harga pasar untuk jangka
panjang berdasarkan data historis harga pasar di
masa lalu. Teori ini pada dasarnya menjelaskan tren
(kecenderungan)
pergerakan
harga
saham
berdasarkan kerangka waktu yang dikelompokkan
menjadi: 1) Primary trend yaitu pergerakan harga
saham dalam jangka waktu yang lama (tahunan); 2)
Secondary trend yaitu pergerakan harga saham yang
terjadi selama pergerakan dalam primary trend,
biasanya antara dua minggu sampai tiga bulan; 3)
Minor trend yaitu pergerakan harga saham harian.
Analisis teknikal adalah analisis terhadap pola
pergerakan harga di masa lalu dengan tujuan untuk
meramalkan pergerakan harga di masa yang akan
15
datang (Alwiyah dan Liyanto, 2012). Analisis teknikal
merupakan analisis yang memperhatikan perubahan
harga saham dari waktu ke waktu. Analisis ini pada
dasarnya
merupakan
upaya
untuk
menentukan
kapan akan membeli, menahan atau menjual saham
dengan
memanfaatkan
ataupun
indikator-indikator
mengunakan
analisis
grafis.
teknis
Analisis
teknikal bertentangan dengan hipotesis pasar yang
efisien,
karena
dalam
pengambilan
keputusan
investasinya didasari atas data harga dan volume
perdagangan saham di masa lalu.
Data
masa
lalu
dipercaya
berisi
informasi
penting mengenai pergerakan harga saham di masa
yang
akan
datang.
Asumsi
yang
mendasarinya
adalah nilai pasar barang dan jasa ditentukan oleh
interaksi permintaan dan penawaran. Ketika return
saham dapat diprediksi, analisis teknikal dapat
sebagai nilai tambah dalam berinvestasi dengan
proporsi tetap. Penggunaan analisis teknikal akan
lebih
optimal
dan
dapat
menambah
nilai
kepercayaan atas ketidakpastian hasil prediksi (Zhu
dan
Zhou,
2009).
Dalam
prakteknya,
perusahaan
pialang
mempublikasikan
semua
komentar
tekniks dan memberikan layanan konsultasi yang
didasarkan pada analisis teknikal.
16
Analisis teknikal akan tepat digunakan apabila
kondisi pasar modal tidak efisien dalam bentuk
lemah, sehingga sesuai dengan salah satu asumsi
analisis teknikal yaitu history tends to repeat it self,
maka
analisis
investor.
teknikal
akan
bermanfaat
bagi
Beberapa indikator analisis teknikal yang
berasal dari data time series harga saham yaitu
indikator filter, indikator momentum, analisis garis
tren,
teori
siklus,
indikator
volume,
analisis
gelombang, dan analisis pola (Lawrence, 1997).
Indikator-indikator
tersebut
dapat
memberikan
informasi dalam melakukan investasi jangka pendek
atau jangka panjang, membantu mengidentifikasi
tren
atau
siklus
dalam
pasar
modal,
serta
menunjukkan kekuatan harga saham.
2.2 Peramalan (Forecasting)
Secara umum pengertian peramalan adalah
perkiraan atau dugaan mengenai sesuatu di masa
yang akan datang, namun dengan menggunakan
teknik-teknik tertentu maka peramalan bukan hanya
sekedar perkiraan atau dugaan. Peramalan dapat
dilakukan
untuk
menggunakan
mendapatkan
teknik-teknik
gambaran
masa
statistik
depan
berdasarkan pengolahan data historis. Peramalan
17
tidak dapat memberi jawaban pasti akan apa yang
terjadi di masa mendatang, tetapi memberi jawaban
sedekat mungkin akan apa yang akan terjadi. Pola
peramalan
bersifat
stabil
sehingga
tidak
akan
bertahan dalam jangka waktu yang lama, dan akan
merugikan ketika diterapkan pada kondisi pasar
yang tidak normal (Timmermann dan Granger, 2004).
Tingkat kepercayaan pada hasil peramalan tidak
hanya ditentukan oleh teknik yang digunakan tetapi
juga ditentukan oleh data atau informasi yang
digunakan.
Berdasarkan
waktu
pengumpulannya,
data
dapat dibedakan menjadi tiga yaitu: (1) Data time
series, adalah jenis data yang dikumpulkan menurut
urutan waktu dalam suatu periode waktu tertentu,
misalnya data harian, mingguan, dan tahunan; (2)
Data
cross
section,
adalah
jenis
data
yang
dikumpulkan pada suatu waktu tertentu yang dapat
menggambarkan keadaan atau kegiatan pada waktu
tersebut; (3) Data panel, adalah gabungan data time
series
dan
cross
section.
Berdasarkan
jangka
waktunya, peramalan dibagi menjadi tiga periode,
yaitu:
(1)
Peramalan
jangka
panjang
(long-term
forecasting) yaitu peramalan yang jangka waktunya
beberapa tahun ke depan; (2) Peramalan jangka
18
menengah (mid-term forecasting) yaitu peramalan
dalam jangka waktu bulanan atau mingguan; (3)
Peramalan jangka pendek (short-term forecasting)
yaitu peramalan dalam jangka waktu harian.
Peramalan
merupakan
suatu
teknik
yang
digunakan untuk memprediksi suatu nilai di masa
mendatang dengan menggunakan informasi periode
sekarang dan sebelumnya. Berdasarkan sifatnya,
peramalan
dibagi
atas
dua
kategori,
yaitu:
(1)
Peramalan Kualitatif. Teknik peramalan ini tidak
bergantung pada perhitungan matematika tetapi
pada
orang
yang
menyusunnya,
karena
hasil
peramalan didasarkan pada penilaian, pendapat,
intuisi, emosi, dan pengalaman pribadi. Peramalan
kualitatif yang biasa digunakan adalah pendapat
manajemen eksekutif dan hasil survei lapangan; (2)
Peramalan
Kuantitatif.
Teknik
peramalan
ini
didasarkan atas data kuantitatif masa lalu. Hasil
peramalan yang dibuat tergantung pada teknik yang
digunakan dalam melakukan peramalan. Peramalan
kuantitatif yang biasa digunakan dibagi atas dua
bagian yaitu:
19
a) Metode Deret Waktu (Time Series Method)
Time
series
merupakan
teknik
yang
melakukan peramalan berdasarkan pola masa
lalu
dari
data
yang
digunakan.
Teknik
peramalan time series dibagi menjadi dua
bagian.
Pertama,
model
peramalan
yang
didasarkan pada model matematika statistik
seperti moving average, exponential smoothing,
regresi, ARIMA (Box-Jenkins). Kedua, model
peramalan yang didasarkan pada kecerdasan
buatan
seperti
genetika,
neural
simulated
network,
algorima
annealing,
genetic
programming, klasifikasi, dan hybrid (Wiyanti et
al. 2012), dengan demikian peramalan dengan
time
series
tidak
hanya
dilakukan
menggunakan ilmu statistik tetapi juga dengan
jaringan saraf.
Makridakis et al. (1983) mengungkapkan
bahwa langkah penting dalam menggunakan
time series adalah dengan mempertimbangkan
jenis pola datanya, sehingga dapat ditentukan
teknik yang paling tepat sesuai dengan pola
datanya.
Pola
data
dalam
peramalan
menggunakan time series terbagi atas empat
pola yang dapat dilihat pada Gambar 2.1.
20
Gambar 2.1 Pola Pergerakan Data
- Pola Tren (trend), yaitu ketika pergerakan data
naik atau turun secara bertahap dalam waktu
yang lama.
- Pola
Musiman
(seasonality),
yaitu
ketika
pergerakan data bergerak bebas dan muncul
secara periodik dalam jangka pendek serta
berulang. Pola ini dipengaruhi oleh faktor
musiman seperti cuaca dan liburan.
- Pola Siklus (cycles), yaitu ketika pergerakan
data
menunjukkan
adanya
fluktuasi
bergelombang (naik dan turun) yang berulang
dan terjadi dalam waktu yang lama.
- Pola Horizontal, yaitu ketika pergerakan data
berfluktuasi di sekitar nilai mean secara acak
21
tanpa membentuk pola yang jelas seperti pola
tren, musiman ataupun siklus.
b) Metode Sebab Akibat (Causal Method)
Metode Sebab Akibat merupakan metode
yang melakukan peramalan berdasarkan pola
hubungan
antara
diprediksikan
variabel
(variabel
yang
dependen)
akan
dengan
variabel lain yang mempengaruhinya (variabel
independen). Metode peramalan yang biasa
digunakan dalam analisis sebab akibat adalah:
Simple Regression, dan Multiple Regression
(Arch/Garch).
2.3 Faktor yang Mempengaruhi Harga Saham
Kemampuan investor dalam memahami dan
meramalkan
kondisi
ekonomi
makro
di
masa
mendatang akan sangat berguna dalam pengambilan
keputusan investasi yang menguntungkan. Untuk
itu, seorang investor sebaiknya mempertimbangkan
beberapa
indikator
membatu
dalam
Indikator
ekonomi
membuat
ekonomi
makro
yang
keputusan
makro
yang
dapat
investasi.
seringkali
dihubungkan dengan pasar modal adalah inflasi,
kurs, dan BI rate. Inflasi dapat diartikan sebagai
22
peningkatan harga secara umum dan terus menerus.
Inflasi biasanya dikaitkan dengan kondisi ekonomi
suatu
Negara,
menyebabkan
inflasi
yang
penurunan
terlalu
daya
tinggi
akan
dan
dapat
beli
mengurangi tingkat pendapatan investor.
Kurs merupakan variabel makroekonomi yang
turut mempengaruhi harga saham. Kurs atau nilai
tukar valuta asing adalah harga suatu mata uang
yang dinyatakan dalam harga mata uang lain, yang
berarti
jika
nilai
rupiah
semakin
kuat
(USD
terdepresiasi) maka harga saham akan naik, dan
begitu
pula
sebaliknya.
Demikian
pula
halnya
dengan tingkat BI rate yang merupakan suku bunga
acuan yang mencerminkan kebijakan moneter yang
ditempuh Bank Indonesia dan diumumkan kepada
publik
saham.
dapat
mempengaruhi
Tingkat
pergerakan
pengembalian
yang
harga
diharapkan
investor pada investasi saham seringkali dipengaruhi
oleh
pendapatan
yang
diperoleh
investor
pada
alternatif investasi lain. Weston dan Brigham (1990)
berpendapat bahwa tingkat bunga mempengaruhi
harga saham dengan dua cara yaitu: 1) Tingkat
bunga
mempengaruhi
laba
perusahaan
karena
tingkat bunga merupakan biaya; 2) Tingkat bunga
yang tinggi akan menyebabkan investor menarik
23
investasi sahamnya dan memindahkannya pada
investasi lain yang menawarkan tingkat bunga yang
lebih tinggi. Indikator makro ekonomi yang dapat
mempengaruhi harga saham seperti inflasi, kurs, dan
BI rate dibuktikan oleh penelitian yang dilakukan
oleh
Silaban
(2010),
Kurnia (2010),
Azwir dan
Achmad (2011).
2.4 Analisis Time Series
2.4.1 Uji Stasioneritas
Dalam
analisis
time
series,
kestasioneran
merupakan hal yang penting, begitu juga dalam
analisis menggunakan Arima dan Arch/Garch yang
mensyaratkan setiap variabel yang disertakan dalam
model
harus
stasioner.
Deret
data
dikatakan
stasioner jika data series tidak memiliki tren dan
unsur musiman atau dengan kata lain mean dan
variansnya tetap. Jika data tidak stasioner terhadap
mean maka dilakukan differencing, tetapi jika tidak
stasioner
terhadap
varians
maka
dilakukan
transformasi log.
Differencing adalah perubahan atau selisih nilai
data pada suatu periode dengan nilai data periode
sebelumnya. Hasil data setelah differencing diuji lagi
apakah sudah stasioner atau belum. Jika belum
24
stasioner maka dilakukan differencing lagi. Suatu
series non-stasioner yang diubah menjadi stasioner
yang melalui proses differencing disebut series nonstasioner yang homogen.
2.4.2 Model AR (Autoregressive)
Persamaan Autoregressive:
�� =
0
+
Model
1
��−1 +
2
��−2 + … +
autoregressive
menggambarkan
bahwa
�
��−� + �� .................. (2.1)
adalah
model
variabel
yang
dependen
dipengaruhi oleh variabel dependen itu sendiri pada
periode dan waktu sebelumnya. Suatu model regresi
dikatakan model regresi yang bersifat autoregressive
jika mengandung satu atau lebih lag dependent
variables.
Banyaknya
lag
(nilai
lampau)
yang
digunakan menunjukkan tingkat dari model ini.
Jumlah observasi masa lampau yang digunakan
dalam AR dikenal dengan orde p, apabila hanya
digunakan satu lag dependen maka model ini
dinamakan autoregressive tingkat satu (first-order
autoregressive) atau AR(1), sedangkan bila nilai yang
digunakan sebanyak
p lag dependen, maka model
ini dinamakan model autoregressive tingkat p atau
AR(p).
25
2.4.3 Model MA (Moving Average)
Persamaan Moving Average :
�� =
0
-
1
��−1 -
2
��−2 - … -
�
��−� + �� ................... (2.2)
Perbedaan model moving average dengan model
autoregressive
terletak
pada
jenis
variabel
independennya. Variabel independen pada model
autoregressive adalah nilai sebelumnya (lag) dari
variabel
dependen
independen
model
(�� ),
moving
sedangkan
average
variabel
adalah
nilai
residual pada periode sebelumnya. Orde dari nilai MA
(diberi notasi q) ditentukan oleh jumlah periode
variabel independen yang masuk dalam model.
Banyaknya residual yang digunakan pada model
ini menandai tingkat dari model moving average, jika
pada model digunakan dua residual masa lalu (lag),
maka dinamakan model moving average tingkat 2
dan dilambangkan sebagai MA (2).
2.4.4 Model
ARMA
(Autoregressive
Moving
Average)
Persamaan Autoregressive Moving Average
�� =
0
+
1
��−1 + … +
�
��−� −
1
��−1 + ⋯ −
�
��−� + �� ... (2.3)
Proses random stasioner seringkali tidak dapat
dengan baik dijelaskan oleh model moving average
26
atau
autoregressive
saja,
karena
proses
itu
mengandung keduanya, oleh karena itu gabungan
kedua model yang dinamakan autoregressive moving
average dapat lebih efektif, sehingga pada model ini
data periode sekarang dipengaruhi oleh data periode
sebelumnya
dan
nilai
residual
pada
periode
sebelumnya (Mulyono, 2000). Model ARMA yang
berorde p dan q ditulis ARMA (p,q) atau ARIMA
(p,0,q). Jika model menggunakan dua lag dependen
dan tiga lag residual maka model dilambangkan
dengan ARMA (2,3).
2.4.5 ARIMA (Autoregressive Integrated Moving
Average)
Persamaan Autoregressive Integrated Moving Average:
�� =
0
+
1
��−1 + … +
�
��−� -
1
��−1 - … -
�
��−� + �� ...(2.4)
Arima atau yang juga dikenal dengan Box-
Jenkins merupakan teknik yang dikembangkan oleh
George Box dan Gwilym Jenkins pada tahun 1970.
Arima
merupakan
model
univariate
yang
mengabaikan variabel independen dalam membuat
peramalan dan menggunakan nilai masa lalu dan
sekarang
dari
variabel
dependen
untuk
menghasilkan peramalan jangka pendek yang akurat
(Wang, 2008). Sebagian besar data series bersifat
27
non-stasioner
sedangkan
Arima
hanya
dapat
digunakan pada data series yang stasioner. Karena
series stasioner tidak mempunyai unsur trend, maka
yang dijelaskan dengan teknik ini adalah unsur
sisanya yaitu residual/ error.
Arima
dengan
non-seasonal
notasi
ARIMA
biasanya
(p,d,q),
p
dilambangkan
menunjukkan
orde/derajat autoregressive (AR), d menunjukkan
orde/derajat differencing (I), dan q menunjukkan
orde/derajat moving average (MA).
menunjukkan
bahwa
ditransformasikan
data
menjadi
time
data
Orde d (I)
series
yang
telah
stasioner.
Teknik ini akan lebih akurat jika digunakan untuk
peramalan jangka pendek kurang dari 1 tahun
(Stellwagen dan Tashman, 2013).
Beberapa penelitian yang melakukan peramalan
harga saham menggunakan teknik time series Arima
telah banyak dilakukan, seperti penelitian Mulyaono
(2000) yang melakukan peramalan jangka pendek di
BEJ dengan periode data harian selama tiga bulan.
Hasil penelitian menunjukkan bahwa Arima cocok
digunakan
Didukung
untuk
oleh
peramalan
penelitian
jangka
Yani
pendek.
(2004)
yang
melakukan peramalan di IHSG di BEJ dengan
periode
data
harian
selama
1
tahun
juga
28
menunjukkan bahwa Arima cocok digunakan untuk
peramalan dengan tingkat kesalahan sebesar 1.61%.
Sadeq
(2008)
melakukan
penelitian
mengenai
prediksi IHSG menggunakan Arima dengan periode
harian 2 Januari 2006 sampai 28 Desember 2006.
Hasil penelitian menunjukkan bahwa peramalan
IHSG dengan metode Arima terbukti akurat dengan
tingkat
kesalahan
peramalan
rata-rata
sebesar
4,14%.
2.4.6 ARCH/GARCH
Persamaan dari model Arch :
2
……......……………….…….
��2 = �0 + �1 ��−1
(2.5)
Persamaan dari model Garch :
2
2
2
+ �1 ��−1
+…+
+ … + � ��−
��2 = �0 + �1 ��−1
2
� ��− ……............................................…... (2.6)
Dimana,
= varian residual
��2
��
= residual
2
�1 ��−1
= komponen Arch
Pada
dilakukan
umumnya,
dengan
pemodelan
asumsi
residual
time
��
series
konstan
(homokedastisitas) yaitu sebesar ��2 . Tetapi pada
kenyataannya banyak data time series khususnya
dibidang keuangan mempunyai variance residual
29
yang
tidak
konstan
menyebabkan
(heterokedastisitas)
pemodelan
dan
yang
peramalan
menggunakan Arima Box Jenkins tidak lagi valid.
Salah satu asumsi yang mendasari estimasi dengan
OLS adalah residual harus terbebas dari autokorelasi
dan bersifat konstan dari waktu ke waktu. Apabila
residual tidak bersifat konstan maka data tersebut
mengandung heterokedastisitas. Arch pertama kali
diperkenalkan oleh Engle (1982) untuk menganalisis
time
series
yang
memperbolehkan
adanya
heterokedastisitas.
Arch
mengasumsikan
bahwa
conditional
variance hari ini dipengaruhi oleh waktu sebelumnya,
akan tetapi pada data finansial dengan tingkat
volatilitas yang lebih besar Arch memerlukan orde
yang besar pula dalam memodelkan variance-nya.
Hal tersebut mempersulit proses identifikasi dan
pendugaan
model,
sehingga
Bollerslev
(1986)
mengembangkan Arch menjadi Generalized Arch
(Garch) untuk mengatasi orde yang terlalu besar
pada model Arch. Pada Garch, perubahan variance
bersyaratnya dipengaruhi oleh nilai pada periode
sebelumnya dan variance bersyarat dari periode
sebelumnya. Garch lebih tepat digunakan untuk
30
memodelkan data dengan tingkat volatilitas yang
tinggi.
Arch/Garch
digunakan
untuk
memprediksi
volatilitas yang akan memberikan hasil yang akurat
yang
dapat
digunakan
sebagai
acuan
dalam
menganalisis return dan resiko, serta menyeleksi
portofolio
(Engle,
2001).
Varian
residual
Garch
memiliki dua komponen yaitu konstanta dan residual
periode sebelumnya. Hal ini yang menyebabkan
teknik
ini
disebut
sebagai
teknik
bersyarat
(conditional), karena varian residual periode sekarang
(t) dipengaruhi oleh periode-periode sebelumnya (t-1,
t-2,
dan
disebut
seterusnya).
conditional
Persamaan
mean
yang
(persamaan
pertama
rata-rata
bersyarat), dan persamaan kedua disebut conditional
variance
(persamaan
menganalisis
digunakan
harga
untuk
varian
saham,
bersyarat).
Garch
meramalkan
juga
berbagai
Selain
dapat
pilihan
investasi lain yang ada di pasar keuangan seperti
kurs, harga minyak, risk premium dan tingkat
pendanaan pemerintah (Villalba dan Flores, 2013).
Volatilitas
pasar
terjadi
akibat
masuknya
informasi baru ke dalam pasar, akibatnya para
pelaku pasar melakukan penilaian kembali terhadap
aset yang mereka perdagangkan. Volatilitas harga
31
saham yang bervariasi menyebabkan return dan
resiko yang diterima oleh investor menjadi tidak
pasti, sehingga banyak analis yang mencoba untuk
meramal
harga
Volatilitas
saham
pasar
di
masa
saham
di
mendatang.
negara-negara
berkembang umumnya jauh lebih tinggi daripada
negara-negara maju (Bekaert dan Harvey, 1997;
Wang, 2007). Beberapa faktor yang menyebabkan
volatilitas harga saham yaitu inflasi, BI rate, nilai
tukar rupiah, volume perdagangan, harga minyak,
dan jumlah uang beredar (Hugida, 2011; Kewal,
2012; Lawrence, 2013). Engle (2001) menyebutkan
bahwa
ketika
suatu
data
mengandung
heterokedastisitas maka keakuratan hasil peramalan
akan sulit untuk dipercaya.
Hal ini yang menyebabkan keakuratan hasil
peramalan menggunakan Arima tidak lagi valid dan
uji OLS tidak efektif lagi digunakan untuk data
tersebut.
Sehingga
Engla
mengembangkan
Arch
menganalisis
data
heterokedastisitas
dan
danGarch
yang
dengan
variansnya.
Kemampuan
meramalkan
harga
saham
cara
Bollerslev
yang
mampu
mengandung
memodelkan
Arch/Garch
dibuktikan
dalam
dalam
penelitian yang dilakukan oleh Marvillia (2013)
32
mengenai pemodelan dan peramalan penutupan
harga saham PT. Telkom dengan Arch/Garch, yang
menunjukkan bahwa peramalan dengan Arch/Garch
untuk periode mingguan sejak September 2008 hinga
Desember 2012 terbukti akurat dengan tingkat
kesalahan sebesar 0.223%.
Beberapa penelitian yang menunjukkan tingkat
akurasi Arima dan Arch/Garch dalam meramalkan
harga saham yaitu, penelitian yang dilakukan oleh
Nachrowi (2007) tentang prediksi gerakan IHSG
dengan model Arima di BEJ dengan periode estimasi
1
tahun
dan
prediksinya,
kemudian
didapatkan
membandingkan
bahwa
Arima
daya
memiliki
kesalahan yang lebih kecil dibandingkan Garch.
Didukung oleh penelitian Grestandhi (2012) yang
melakukan perbandingan Arima dan Ols-Arch/Garch
dalam meramalkan IHSG pada periode 4 Januari
2010 – 13 September 2011 dengan menambah
variabel nilai tukar rupiah juga menunjukkan hasil
penelitian
bahwa
analisis
Arima
lebih
baik
dibandingkan Garch dengan kesalahan peramalan
sebesar 2.08% dan kesalahan Garch sebesar 4.1%.
Murwaningsari
penelitian
(2008)
sebelumnya
bahwa
juga
Arima
mendukung
lebih
baik
dibandingkan Garch, dengan periode data bulanan
33
selama 20 tahun dan menggunakan variabel volume
perdagangan harga saham, deposito, dan nilai tukar
rupiah.
Hasil
prediksi
1
bulan
berikutnya
menunjukkan model Arima memiliki kesalahan yang
lebih
kecil
sebesar
2.69%
dibandingkan
Garch
sebesar 14.7%. Penelitian lainnya dilakukan oleh
Nugroho (2012) yang membandingan Arima dan
Garch untuk memprediksi IHSG periode data harian
sejak 1991 – 2011 didapatkan hasil yang sama
bahwa Arima memiliki akurasi prediksi lebih baik
dari Garch. Hasil peneltian yang berbeda ditemukan
oleh Sparks dan Yurova (2006) yang melakukan
penelitian dengan membandingkan performa Arima
dan Arch/Garch pada perusahaan besar di Amerika
dengan
periode
10
tahun.
Hasil
penelitiannya
menunjukkan bahwa performa Arch/Garch lebih
baik dibandingkan Arima.
TINJAUAN PUSTAKA
2.1 Analisis Harga Saham
Saham
merupakan
surat
berharga
yang
menunjukkan bukti kepemilikan terhadap suatu
perusahaan
Perusahaan
berbentuk
yang
telah
Perseroan
Terbatas.
menerbitkan
sahamnya
disebut perusahaan terbuka atau go public. Terdapat
dua jenis saham yaitu saham biasa dan saham
preferen. Saham biasa merupakan jenis saham yang
mempunyai hak suara, hak mendapatkan dividen,
hak klaim terakhir atas aktiva perusahaan jika
perusahaan dilikuidasi, dan hak memesan efek
terlebih
dahulu
sebelum
ditawarkan
kepada
masyarakat, sedangkan saham preferen merupakan
jenis saham yang mempunyai hak istimewa seperti
pembayaran dividen dalam jumlah yang tetap, hak
klaim lebih dahulu dibanding saham biasa jika
perusahaan dilikuidasi, dan saham preferen dapat
dikonversikan menjadi saham biasa.
Harga saham adalah harga yang terjadi pada
saat tertentu yang ditentukan oleh pelaku pasar dan
oleh permintaan dan penawaran saham di pasar
9
10
modal. Perubahan harga saham dipengaruhi oleh
kekuatan permintaan dan penawaran yang terjadi di
pasar sekunder (Anisma, 2012). Semakin banyak
investor yang ingin membeli atau menyimpan suatu
saham, maka harganya akan semakin naik, dan
sebaliknya
jika
banyak
investor
yang
menjual
sahamnya maka akan berdampak pada turunnya
harga saham. Ketika ada informasi baru maka
investor
membeli,
akan
melakukan
menahan,
atau
penyesuaian
menjual
dengan
saham
yang
dimiliki, sehingga harga terbaru dari saham tersebut
merepresentasikan perkembangan terbaru di pasar
modal. Pasar yang memiliki kondisi tersebut disebut
pasar modal yang efisien.
Menurut konsep pasar modal yang efisien, harga
sekuritas
sepnuhnya
mencerminkan
semua
informasi yang tersedia dan tidak mungkin untuk
memprediksi keuntungan masa mendatang yang
didasarkan pada informasi keuangan dan kinerja
masa lalu (Rehman dan Khidmat, 2013). Harga
saham akan cepat merespon informasi terbaru yang
tidak dapat diduga sehingga arah gerakannya tidak
dapat ditentukan. Menurut (Fama, 1970) terdapat
tiga bentuk efisiensi pasar berdasarkan tingkat
penyerapan
informasi,
yaitu:
1)
Efisiensi
Pasar
11
Lemah,
yaitu
harga
sekuritas
sepenuhnya
mencerminkan informasi di masa lalu (sudah terjadi).
Sehingga informasi masa lalu tidak dapat digunakan
lagi untuk memprediksi harga saham di masa
mendatang; 2) Efisiensi Pasar Semi Kuat, yaitu harga
sekuritas sepenuhnya mencerminkan informasi masa
lalu dan informasi publik yang tersedia bagi seluruh
investor. Sehingga investor yang memiliki informasi
privat dapat memperoleh abnormal return; 3) Efisiensi
Pasar
Kuat,
yaitu
harga
sekuritas
sepenuhnya
mencerminkan semua informasi yang ada di pasar,
baik informasi historis, publik, maupun privat.
Dalam pasar kuat ini tidak memungkinkan investor
memperoleh abnormal return. Pasar modal bentuk ini
merupakan pasar dengan kondisi paling ideal.
Meskipun hipotesis pasar yang efisien telah
menjadi konsep yang diterima dibidang keuangan,
tetapi
pada
menunjukkan
kenyataannya
adanya
beberapa
anomali
penelitian
pasar
yang
bertentangan dengan hipotesis pasar yang efisien,
seperti yang ditunjukkan oleh penelitian DeBondt
dan Thaler (1985); Fitriyan dan Sari (2013). Ketika
anomalitas pasar terjadi, investor dapat berpotensi
sangat
signifikan
untuk
memperoleh
abnormal return (Andreas dan Daswan, 2011).
tingkat
12
Harga
setiap
saham
harinya,
mengetahui
sering
oleh
mengalami
karena
faktor-faktor
itu
yang
perubahan
investor
perlu
mempengaruhi
perubahan harga saham. Perubahan harga saham
dipengaruhi oleh faktor internal (fundamental) dan
eksternal. Faktor internal merupakan faktor yang
berasal
dari
dalam
perusahaan
dan
dapat
dikendalikan oleh manajemen perusahaan. Semua
informasi yang dipublikasikan mengenai perusahaan
dapat
mempengaruhi
tersebut,
seperti
harga
informasi
saham
laporan
perusahaan
keuangan,
investasi, struktur manajemen perusahaan, dan
merger/akuisisi,
sedangkan
faktor
eksternal
merupakan faktor yang disebabkan oleh faktor di
luar perusahaan seperti kondisi ekonomi yaitu suku
bunga, inflasi, kurs rupiah; kebijakan pemerintah,
dan berbagai isu di dalam maupun di luar negeri.
Penilaian
atas
saham
merupakan
suatu
mekanisme untuk mengubah serangkaian variabel
ekonomi atau variabel perusahaan yang diamati
menjadi perkiraan tentang harga saham.
harga
saham
dibutuhkan
untuk
Analisis
meminimalkan
resiko investasi yang dilakukan. Analisis tersebut
dilakukan dengan dasar sejumlah informasi yang
diterima oleh investor. Secara umum ada dua
13
analisis yang biasa digunakan dalam menganalisis
harga saham yaitu analisis fundamental dan analisis
teknikal.
2.1.1 Analisis Fundamental
Menurut
Pandansari
(2012)
analisis
fundamental merupakan estimasi nilai faktor-faktor
internal emiten dan ekonomi pada saat ini untuk
memperkirakan harga saham di masa yang akan
datang dengan memproyeksikan data dan informasi
aktual agar dapat mengestimasi nilai intrinsik dari
harga saham saat ini, sehingga analis atau investor
dapat mengetahui tindakan apa yang akan dilakukan
di pasar dengan membandingkan nilai intrinsik dan
nilai
pasar
saham.
Analisis
fundamental
dapat
dilakukan dengan menganalisis kondisi keuangan
perusahaan
keuangan
fundamental
yang
ditunjukkan
perusahaan.
yang
Secara
sering
dalam
laporan
umum
faktor
digunakan
untuk
memprediksi harga saham adalah rasio keuangan
dan rasio pasar. Rasio keuangan yang digunakan
untuk memprediksi harga saham seperti ROA (Return
On Assets), DER (Debt Equity Ratio), BVS (Book Value
per Share), dan rasio pasar yang sering dikaitkan
dengan harga saham yaitu PBV (Price Book Value)
14
(Yunanto dan Henny, 2009). Dengan analisis tersebut
dapat diprediksi harga saham di masa yang akan
datang dengan mengestimasi nilai dari faktor-faktor
fundamental yang mempengaruhi harga saham dan
menerapkan
hubungan
faktor-faktor
tersebut
sehingga dapat diperoleh perkiraan harga saham.
2.1.2 Analisis Teknikal
Analisis teknikal pertama kali diperkenalkan
oleh
Charles
H.
Dow
pada
tahun
1884
yang
dinamakan Dow Theory. Dow Theory bertujuan
untuk mengidentifikasi harga pasar untuk jangka
panjang berdasarkan data historis harga pasar di
masa lalu. Teori ini pada dasarnya menjelaskan tren
(kecenderungan)
pergerakan
harga
saham
berdasarkan kerangka waktu yang dikelompokkan
menjadi: 1) Primary trend yaitu pergerakan harga
saham dalam jangka waktu yang lama (tahunan); 2)
Secondary trend yaitu pergerakan harga saham yang
terjadi selama pergerakan dalam primary trend,
biasanya antara dua minggu sampai tiga bulan; 3)
Minor trend yaitu pergerakan harga saham harian.
Analisis teknikal adalah analisis terhadap pola
pergerakan harga di masa lalu dengan tujuan untuk
meramalkan pergerakan harga di masa yang akan
15
datang (Alwiyah dan Liyanto, 2012). Analisis teknikal
merupakan analisis yang memperhatikan perubahan
harga saham dari waktu ke waktu. Analisis ini pada
dasarnya
merupakan
upaya
untuk
menentukan
kapan akan membeli, menahan atau menjual saham
dengan
memanfaatkan
ataupun
indikator-indikator
mengunakan
analisis
grafis.
teknis
Analisis
teknikal bertentangan dengan hipotesis pasar yang
efisien,
karena
dalam
pengambilan
keputusan
investasinya didasari atas data harga dan volume
perdagangan saham di masa lalu.
Data
masa
lalu
dipercaya
berisi
informasi
penting mengenai pergerakan harga saham di masa
yang
akan
datang.
Asumsi
yang
mendasarinya
adalah nilai pasar barang dan jasa ditentukan oleh
interaksi permintaan dan penawaran. Ketika return
saham dapat diprediksi, analisis teknikal dapat
sebagai nilai tambah dalam berinvestasi dengan
proporsi tetap. Penggunaan analisis teknikal akan
lebih
optimal
dan
dapat
menambah
nilai
kepercayaan atas ketidakpastian hasil prediksi (Zhu
dan
Zhou,
2009).
Dalam
prakteknya,
perusahaan
pialang
mempublikasikan
semua
komentar
tekniks dan memberikan layanan konsultasi yang
didasarkan pada analisis teknikal.
16
Analisis teknikal akan tepat digunakan apabila
kondisi pasar modal tidak efisien dalam bentuk
lemah, sehingga sesuai dengan salah satu asumsi
analisis teknikal yaitu history tends to repeat it self,
maka
analisis
investor.
teknikal
akan
bermanfaat
bagi
Beberapa indikator analisis teknikal yang
berasal dari data time series harga saham yaitu
indikator filter, indikator momentum, analisis garis
tren,
teori
siklus,
indikator
volume,
analisis
gelombang, dan analisis pola (Lawrence, 1997).
Indikator-indikator
tersebut
dapat
memberikan
informasi dalam melakukan investasi jangka pendek
atau jangka panjang, membantu mengidentifikasi
tren
atau
siklus
dalam
pasar
modal,
serta
menunjukkan kekuatan harga saham.
2.2 Peramalan (Forecasting)
Secara umum pengertian peramalan adalah
perkiraan atau dugaan mengenai sesuatu di masa
yang akan datang, namun dengan menggunakan
teknik-teknik tertentu maka peramalan bukan hanya
sekedar perkiraan atau dugaan. Peramalan dapat
dilakukan
untuk
menggunakan
mendapatkan
teknik-teknik
gambaran
masa
statistik
depan
berdasarkan pengolahan data historis. Peramalan
17
tidak dapat memberi jawaban pasti akan apa yang
terjadi di masa mendatang, tetapi memberi jawaban
sedekat mungkin akan apa yang akan terjadi. Pola
peramalan
bersifat
stabil
sehingga
tidak
akan
bertahan dalam jangka waktu yang lama, dan akan
merugikan ketika diterapkan pada kondisi pasar
yang tidak normal (Timmermann dan Granger, 2004).
Tingkat kepercayaan pada hasil peramalan tidak
hanya ditentukan oleh teknik yang digunakan tetapi
juga ditentukan oleh data atau informasi yang
digunakan.
Berdasarkan
waktu
pengumpulannya,
data
dapat dibedakan menjadi tiga yaitu: (1) Data time
series, adalah jenis data yang dikumpulkan menurut
urutan waktu dalam suatu periode waktu tertentu,
misalnya data harian, mingguan, dan tahunan; (2)
Data
cross
section,
adalah
jenis
data
yang
dikumpulkan pada suatu waktu tertentu yang dapat
menggambarkan keadaan atau kegiatan pada waktu
tersebut; (3) Data panel, adalah gabungan data time
series
dan
cross
section.
Berdasarkan
jangka
waktunya, peramalan dibagi menjadi tiga periode,
yaitu:
(1)
Peramalan
jangka
panjang
(long-term
forecasting) yaitu peramalan yang jangka waktunya
beberapa tahun ke depan; (2) Peramalan jangka
18
menengah (mid-term forecasting) yaitu peramalan
dalam jangka waktu bulanan atau mingguan; (3)
Peramalan jangka pendek (short-term forecasting)
yaitu peramalan dalam jangka waktu harian.
Peramalan
merupakan
suatu
teknik
yang
digunakan untuk memprediksi suatu nilai di masa
mendatang dengan menggunakan informasi periode
sekarang dan sebelumnya. Berdasarkan sifatnya,
peramalan
dibagi
atas
dua
kategori,
yaitu:
(1)
Peramalan Kualitatif. Teknik peramalan ini tidak
bergantung pada perhitungan matematika tetapi
pada
orang
yang
menyusunnya,
karena
hasil
peramalan didasarkan pada penilaian, pendapat,
intuisi, emosi, dan pengalaman pribadi. Peramalan
kualitatif yang biasa digunakan adalah pendapat
manajemen eksekutif dan hasil survei lapangan; (2)
Peramalan
Kuantitatif.
Teknik
peramalan
ini
didasarkan atas data kuantitatif masa lalu. Hasil
peramalan yang dibuat tergantung pada teknik yang
digunakan dalam melakukan peramalan. Peramalan
kuantitatif yang biasa digunakan dibagi atas dua
bagian yaitu:
19
a) Metode Deret Waktu (Time Series Method)
Time
series
merupakan
teknik
yang
melakukan peramalan berdasarkan pola masa
lalu
dari
data
yang
digunakan.
Teknik
peramalan time series dibagi menjadi dua
bagian.
Pertama,
model
peramalan
yang
didasarkan pada model matematika statistik
seperti moving average, exponential smoothing,
regresi, ARIMA (Box-Jenkins). Kedua, model
peramalan yang didasarkan pada kecerdasan
buatan
seperti
genetika,
neural
simulated
network,
algorima
annealing,
genetic
programming, klasifikasi, dan hybrid (Wiyanti et
al. 2012), dengan demikian peramalan dengan
time
series
tidak
hanya
dilakukan
menggunakan ilmu statistik tetapi juga dengan
jaringan saraf.
Makridakis et al. (1983) mengungkapkan
bahwa langkah penting dalam menggunakan
time series adalah dengan mempertimbangkan
jenis pola datanya, sehingga dapat ditentukan
teknik yang paling tepat sesuai dengan pola
datanya.
Pola
data
dalam
peramalan
menggunakan time series terbagi atas empat
pola yang dapat dilihat pada Gambar 2.1.
20
Gambar 2.1 Pola Pergerakan Data
- Pola Tren (trend), yaitu ketika pergerakan data
naik atau turun secara bertahap dalam waktu
yang lama.
- Pola
Musiman
(seasonality),
yaitu
ketika
pergerakan data bergerak bebas dan muncul
secara periodik dalam jangka pendek serta
berulang. Pola ini dipengaruhi oleh faktor
musiman seperti cuaca dan liburan.
- Pola Siklus (cycles), yaitu ketika pergerakan
data
menunjukkan
adanya
fluktuasi
bergelombang (naik dan turun) yang berulang
dan terjadi dalam waktu yang lama.
- Pola Horizontal, yaitu ketika pergerakan data
berfluktuasi di sekitar nilai mean secara acak
21
tanpa membentuk pola yang jelas seperti pola
tren, musiman ataupun siklus.
b) Metode Sebab Akibat (Causal Method)
Metode Sebab Akibat merupakan metode
yang melakukan peramalan berdasarkan pola
hubungan
antara
diprediksikan
variabel
(variabel
yang
dependen)
akan
dengan
variabel lain yang mempengaruhinya (variabel
independen). Metode peramalan yang biasa
digunakan dalam analisis sebab akibat adalah:
Simple Regression, dan Multiple Regression
(Arch/Garch).
2.3 Faktor yang Mempengaruhi Harga Saham
Kemampuan investor dalam memahami dan
meramalkan
kondisi
ekonomi
makro
di
masa
mendatang akan sangat berguna dalam pengambilan
keputusan investasi yang menguntungkan. Untuk
itu, seorang investor sebaiknya mempertimbangkan
beberapa
indikator
membatu
dalam
Indikator
ekonomi
membuat
ekonomi
makro
yang
keputusan
makro
yang
dapat
investasi.
seringkali
dihubungkan dengan pasar modal adalah inflasi,
kurs, dan BI rate. Inflasi dapat diartikan sebagai
22
peningkatan harga secara umum dan terus menerus.
Inflasi biasanya dikaitkan dengan kondisi ekonomi
suatu
Negara,
menyebabkan
inflasi
yang
penurunan
terlalu
daya
tinggi
akan
dan
dapat
beli
mengurangi tingkat pendapatan investor.
Kurs merupakan variabel makroekonomi yang
turut mempengaruhi harga saham. Kurs atau nilai
tukar valuta asing adalah harga suatu mata uang
yang dinyatakan dalam harga mata uang lain, yang
berarti
jika
nilai
rupiah
semakin
kuat
(USD
terdepresiasi) maka harga saham akan naik, dan
begitu
pula
sebaliknya.
Demikian
pula
halnya
dengan tingkat BI rate yang merupakan suku bunga
acuan yang mencerminkan kebijakan moneter yang
ditempuh Bank Indonesia dan diumumkan kepada
publik
saham.
dapat
mempengaruhi
Tingkat
pergerakan
pengembalian
yang
harga
diharapkan
investor pada investasi saham seringkali dipengaruhi
oleh
pendapatan
yang
diperoleh
investor
pada
alternatif investasi lain. Weston dan Brigham (1990)
berpendapat bahwa tingkat bunga mempengaruhi
harga saham dengan dua cara yaitu: 1) Tingkat
bunga
mempengaruhi
laba
perusahaan
karena
tingkat bunga merupakan biaya; 2) Tingkat bunga
yang tinggi akan menyebabkan investor menarik
23
investasi sahamnya dan memindahkannya pada
investasi lain yang menawarkan tingkat bunga yang
lebih tinggi. Indikator makro ekonomi yang dapat
mempengaruhi harga saham seperti inflasi, kurs, dan
BI rate dibuktikan oleh penelitian yang dilakukan
oleh
Silaban
(2010),
Kurnia (2010),
Azwir dan
Achmad (2011).
2.4 Analisis Time Series
2.4.1 Uji Stasioneritas
Dalam
analisis
time
series,
kestasioneran
merupakan hal yang penting, begitu juga dalam
analisis menggunakan Arima dan Arch/Garch yang
mensyaratkan setiap variabel yang disertakan dalam
model
harus
stasioner.
Deret
data
dikatakan
stasioner jika data series tidak memiliki tren dan
unsur musiman atau dengan kata lain mean dan
variansnya tetap. Jika data tidak stasioner terhadap
mean maka dilakukan differencing, tetapi jika tidak
stasioner
terhadap
varians
maka
dilakukan
transformasi log.
Differencing adalah perubahan atau selisih nilai
data pada suatu periode dengan nilai data periode
sebelumnya. Hasil data setelah differencing diuji lagi
apakah sudah stasioner atau belum. Jika belum
24
stasioner maka dilakukan differencing lagi. Suatu
series non-stasioner yang diubah menjadi stasioner
yang melalui proses differencing disebut series nonstasioner yang homogen.
2.4.2 Model AR (Autoregressive)
Persamaan Autoregressive:
�� =
0
+
Model
1
��−1 +
2
��−2 + … +
autoregressive
menggambarkan
bahwa
�
��−� + �� .................. (2.1)
adalah
model
variabel
yang
dependen
dipengaruhi oleh variabel dependen itu sendiri pada
periode dan waktu sebelumnya. Suatu model regresi
dikatakan model regresi yang bersifat autoregressive
jika mengandung satu atau lebih lag dependent
variables.
Banyaknya
lag
(nilai
lampau)
yang
digunakan menunjukkan tingkat dari model ini.
Jumlah observasi masa lampau yang digunakan
dalam AR dikenal dengan orde p, apabila hanya
digunakan satu lag dependen maka model ini
dinamakan autoregressive tingkat satu (first-order
autoregressive) atau AR(1), sedangkan bila nilai yang
digunakan sebanyak
p lag dependen, maka model
ini dinamakan model autoregressive tingkat p atau
AR(p).
25
2.4.3 Model MA (Moving Average)
Persamaan Moving Average :
�� =
0
-
1
��−1 -
2
��−2 - … -
�
��−� + �� ................... (2.2)
Perbedaan model moving average dengan model
autoregressive
terletak
pada
jenis
variabel
independennya. Variabel independen pada model
autoregressive adalah nilai sebelumnya (lag) dari
variabel
dependen
independen
model
(�� ),
moving
sedangkan
average
variabel
adalah
nilai
residual pada periode sebelumnya. Orde dari nilai MA
(diberi notasi q) ditentukan oleh jumlah periode
variabel independen yang masuk dalam model.
Banyaknya residual yang digunakan pada model
ini menandai tingkat dari model moving average, jika
pada model digunakan dua residual masa lalu (lag),
maka dinamakan model moving average tingkat 2
dan dilambangkan sebagai MA (2).
2.4.4 Model
ARMA
(Autoregressive
Moving
Average)
Persamaan Autoregressive Moving Average
�� =
0
+
1
��−1 + … +
�
��−� −
1
��−1 + ⋯ −
�
��−� + �� ... (2.3)
Proses random stasioner seringkali tidak dapat
dengan baik dijelaskan oleh model moving average
26
atau
autoregressive
saja,
karena
proses
itu
mengandung keduanya, oleh karena itu gabungan
kedua model yang dinamakan autoregressive moving
average dapat lebih efektif, sehingga pada model ini
data periode sekarang dipengaruhi oleh data periode
sebelumnya
dan
nilai
residual
pada
periode
sebelumnya (Mulyono, 2000). Model ARMA yang
berorde p dan q ditulis ARMA (p,q) atau ARIMA
(p,0,q). Jika model menggunakan dua lag dependen
dan tiga lag residual maka model dilambangkan
dengan ARMA (2,3).
2.4.5 ARIMA (Autoregressive Integrated Moving
Average)
Persamaan Autoregressive Integrated Moving Average:
�� =
0
+
1
��−1 + … +
�
��−� -
1
��−1 - … -
�
��−� + �� ...(2.4)
Arima atau yang juga dikenal dengan Box-
Jenkins merupakan teknik yang dikembangkan oleh
George Box dan Gwilym Jenkins pada tahun 1970.
Arima
merupakan
model
univariate
yang
mengabaikan variabel independen dalam membuat
peramalan dan menggunakan nilai masa lalu dan
sekarang
dari
variabel
dependen
untuk
menghasilkan peramalan jangka pendek yang akurat
(Wang, 2008). Sebagian besar data series bersifat
27
non-stasioner
sedangkan
Arima
hanya
dapat
digunakan pada data series yang stasioner. Karena
series stasioner tidak mempunyai unsur trend, maka
yang dijelaskan dengan teknik ini adalah unsur
sisanya yaitu residual/ error.
Arima
dengan
non-seasonal
notasi
ARIMA
biasanya
(p,d,q),
p
dilambangkan
menunjukkan
orde/derajat autoregressive (AR), d menunjukkan
orde/derajat differencing (I), dan q menunjukkan
orde/derajat moving average (MA).
menunjukkan
bahwa
ditransformasikan
data
menjadi
time
data
Orde d (I)
series
yang
telah
stasioner.
Teknik ini akan lebih akurat jika digunakan untuk
peramalan jangka pendek kurang dari 1 tahun
(Stellwagen dan Tashman, 2013).
Beberapa penelitian yang melakukan peramalan
harga saham menggunakan teknik time series Arima
telah banyak dilakukan, seperti penelitian Mulyaono
(2000) yang melakukan peramalan jangka pendek di
BEJ dengan periode data harian selama tiga bulan.
Hasil penelitian menunjukkan bahwa Arima cocok
digunakan
Didukung
untuk
oleh
peramalan
penelitian
jangka
Yani
pendek.
(2004)
yang
melakukan peramalan di IHSG di BEJ dengan
periode
data
harian
selama
1
tahun
juga
28
menunjukkan bahwa Arima cocok digunakan untuk
peramalan dengan tingkat kesalahan sebesar 1.61%.
Sadeq
(2008)
melakukan
penelitian
mengenai
prediksi IHSG menggunakan Arima dengan periode
harian 2 Januari 2006 sampai 28 Desember 2006.
Hasil penelitian menunjukkan bahwa peramalan
IHSG dengan metode Arima terbukti akurat dengan
tingkat
kesalahan
peramalan
rata-rata
sebesar
4,14%.
2.4.6 ARCH/GARCH
Persamaan dari model Arch :
2
……......……………….…….
��2 = �0 + �1 ��−1
(2.5)
Persamaan dari model Garch :
2
2
2
+ �1 ��−1
+…+
+ … + � ��−
��2 = �0 + �1 ��−1
2
� ��− ……............................................…... (2.6)
Dimana,
= varian residual
��2
��
= residual
2
�1 ��−1
= komponen Arch
Pada
dilakukan
umumnya,
dengan
pemodelan
asumsi
residual
time
��
series
konstan
(homokedastisitas) yaitu sebesar ��2 . Tetapi pada
kenyataannya banyak data time series khususnya
dibidang keuangan mempunyai variance residual
29
yang
tidak
konstan
menyebabkan
(heterokedastisitas)
pemodelan
dan
yang
peramalan
menggunakan Arima Box Jenkins tidak lagi valid.
Salah satu asumsi yang mendasari estimasi dengan
OLS adalah residual harus terbebas dari autokorelasi
dan bersifat konstan dari waktu ke waktu. Apabila
residual tidak bersifat konstan maka data tersebut
mengandung heterokedastisitas. Arch pertama kali
diperkenalkan oleh Engle (1982) untuk menganalisis
time
series
yang
memperbolehkan
adanya
heterokedastisitas.
Arch
mengasumsikan
bahwa
conditional
variance hari ini dipengaruhi oleh waktu sebelumnya,
akan tetapi pada data finansial dengan tingkat
volatilitas yang lebih besar Arch memerlukan orde
yang besar pula dalam memodelkan variance-nya.
Hal tersebut mempersulit proses identifikasi dan
pendugaan
model,
sehingga
Bollerslev
(1986)
mengembangkan Arch menjadi Generalized Arch
(Garch) untuk mengatasi orde yang terlalu besar
pada model Arch. Pada Garch, perubahan variance
bersyaratnya dipengaruhi oleh nilai pada periode
sebelumnya dan variance bersyarat dari periode
sebelumnya. Garch lebih tepat digunakan untuk
30
memodelkan data dengan tingkat volatilitas yang
tinggi.
Arch/Garch
digunakan
untuk
memprediksi
volatilitas yang akan memberikan hasil yang akurat
yang
dapat
digunakan
sebagai
acuan
dalam
menganalisis return dan resiko, serta menyeleksi
portofolio
(Engle,
2001).
Varian
residual
Garch
memiliki dua komponen yaitu konstanta dan residual
periode sebelumnya. Hal ini yang menyebabkan
teknik
ini
disebut
sebagai
teknik
bersyarat
(conditional), karena varian residual periode sekarang
(t) dipengaruhi oleh periode-periode sebelumnya (t-1,
t-2,
dan
disebut
seterusnya).
conditional
Persamaan
mean
yang
(persamaan
pertama
rata-rata
bersyarat), dan persamaan kedua disebut conditional
variance
(persamaan
menganalisis
digunakan
harga
untuk
varian
saham,
bersyarat).
Garch
meramalkan
juga
berbagai
Selain
dapat
pilihan
investasi lain yang ada di pasar keuangan seperti
kurs, harga minyak, risk premium dan tingkat
pendanaan pemerintah (Villalba dan Flores, 2013).
Volatilitas
pasar
terjadi
akibat
masuknya
informasi baru ke dalam pasar, akibatnya para
pelaku pasar melakukan penilaian kembali terhadap
aset yang mereka perdagangkan. Volatilitas harga
31
saham yang bervariasi menyebabkan return dan
resiko yang diterima oleh investor menjadi tidak
pasti, sehingga banyak analis yang mencoba untuk
meramal
harga
Volatilitas
saham
pasar
di
masa
saham
di
mendatang.
negara-negara
berkembang umumnya jauh lebih tinggi daripada
negara-negara maju (Bekaert dan Harvey, 1997;
Wang, 2007). Beberapa faktor yang menyebabkan
volatilitas harga saham yaitu inflasi, BI rate, nilai
tukar rupiah, volume perdagangan, harga minyak,
dan jumlah uang beredar (Hugida, 2011; Kewal,
2012; Lawrence, 2013). Engle (2001) menyebutkan
bahwa
ketika
suatu
data
mengandung
heterokedastisitas maka keakuratan hasil peramalan
akan sulit untuk dipercaya.
Hal ini yang menyebabkan keakuratan hasil
peramalan menggunakan Arima tidak lagi valid dan
uji OLS tidak efektif lagi digunakan untuk data
tersebut.
Sehingga
Engla
mengembangkan
Arch
menganalisis
data
heterokedastisitas
dan
danGarch
yang
dengan
variansnya.
Kemampuan
meramalkan
harga
saham
cara
Bollerslev
yang
mampu
mengandung
memodelkan
Arch/Garch
dibuktikan
dalam
dalam
penelitian yang dilakukan oleh Marvillia (2013)
32
mengenai pemodelan dan peramalan penutupan
harga saham PT. Telkom dengan Arch/Garch, yang
menunjukkan bahwa peramalan dengan Arch/Garch
untuk periode mingguan sejak September 2008 hinga
Desember 2012 terbukti akurat dengan tingkat
kesalahan sebesar 0.223%.
Beberapa penelitian yang menunjukkan tingkat
akurasi Arima dan Arch/Garch dalam meramalkan
harga saham yaitu, penelitian yang dilakukan oleh
Nachrowi (2007) tentang prediksi gerakan IHSG
dengan model Arima di BEJ dengan periode estimasi
1
tahun
dan
prediksinya,
kemudian
didapatkan
membandingkan
bahwa
Arima
daya
memiliki
kesalahan yang lebih kecil dibandingkan Garch.
Didukung oleh penelitian Grestandhi (2012) yang
melakukan perbandingan Arima dan Ols-Arch/Garch
dalam meramalkan IHSG pada periode 4 Januari
2010 – 13 September 2011 dengan menambah
variabel nilai tukar rupiah juga menunjukkan hasil
penelitian
bahwa
analisis
Arima
lebih
baik
dibandingkan Garch dengan kesalahan peramalan
sebesar 2.08% dan kesalahan Garch sebesar 4.1%.
Murwaningsari
penelitian
(2008)
sebelumnya
bahwa
juga
Arima
mendukung
lebih
baik
dibandingkan Garch, dengan periode data bulanan
33
selama 20 tahun dan menggunakan variabel volume
perdagangan harga saham, deposito, dan nilai tukar
rupiah.
Hasil
prediksi
1
bulan
berikutnya
menunjukkan model Arima memiliki kesalahan yang
lebih
kecil
sebesar
2.69%
dibandingkan
Garch
sebesar 14.7%. Penelitian lainnya dilakukan oleh
Nugroho (2012) yang membandingan Arima dan
Garch untuk memprediksi IHSG periode data harian
sejak 1991 – 2011 didapatkan hasil yang sama
bahwa Arima memiliki akurasi prediksi lebih baik
dari Garch. Hasil peneltian yang berbeda ditemukan
oleh Sparks dan Yurova (2006) yang melakukan
penelitian dengan membandingkan performa Arima
dan Arch/Garch pada perusahaan besar di Amerika
dengan
periode
10
tahun.
Hasil
penelitiannya
menunjukkan bahwa performa Arch/Garch lebih
baik dibandingkan Arima.