Institutional Repository | Satya Wacana Christian University: Perbandingan Akurasi Peramalan Harga Saham: Pilihan VS Indifferent T2 912013007 BAB IV
BAB IV
PEMBAHASAN
4.1 Analisis Data ARIMA
4.1.1 Uji Stasioneritas
Dalam
korelogram
penelitian
ini
(Autocorrelation
Autocorrelation
Function)
menggunakan
Function
dan
untuk
uji
Partial
menguji
kestasioneran data apakah bersifat non-stasioner
atau stasioner. Berdasarkan hasil uji korelogram 22
perusahaan yang tergabung dalam Indeks LQ45
dengan
data
harga
penutupan
saham
harian
(Februari 2009 – Januari 2014) dapat dilihat bahwa
semua saham perusahaan menunjukkan data yang
tidak stasioner (Lampiran 1-22). Hal ini ditunjukkan
oleh koefisien ACF yang berbeda secara signifikan
dari nol dan mengecil secara perlahan atau tidak
menurun secara eksponensial, sedangkan koefisien
PACF sudah mendekati nol setelah lag pertama.
Selain itu nilai probabilitas dari lag ke-1 hingga lag
ke-36 sangat mendekati nol, yang berarti lebih kecil
dari �.
Ketidakstasioneran data harga saham ini dapat
disebabkan karena pergerakan harga saham pada
43
44
umumnya
memiliki
tren
dan
bergerak
secara
fluktuatif untuk jangka waktu tertentu, sehingga
mean dan variannya juga tidak bersifat konstan.
Untuk
mengatasi
ketidakstasioneran
ini
maka
dilakukan penstasioneran data dari non-stasioner
menjadi stasioner dengan metode transformasi log
dan pembedaan (difference) yang grafiknya dapat
dilihat pada Lampiran 23-66. Berdasarkan grafik
tersebut dapat dilihat bahwa data belum stasioner
baik dalam mean maupun varian, yang ditunjukkan
oleh keacakan data yang tidak menyebar di sekitar
nilai
nol.
Setelah
melakukan
difference
dan
transformasi log dapat dilihat bahwa data harga
saham sudah stasioner baik dalam mean dan varian.
4.1.2 Identifikasi Model (p,d,q)
Setelah
semua
data
sudah
melalui
proses
differencing (semua data sudah stasioner pada saat
difference = 1) maka langkah selanjutnya adalah
mengidentifikasi model yang diperoleh dari lag yang
signifikan pada plot ACF dan PACF yang telah didifference
(Lampiran
67-88).
Identifikasi
ini
dilakukan dengan uji Bartlett dimana setiap lag pada
plot ACF dan PACF akan berada dalam garis batas
interval (5%), tetapi lag yang melebihi garis batas
45
diidentifikasi sebagai tingkat AR (berdasarkan plot
PACF) dan MA (berdasarkan plot ACF). Lag-lag yang
signifikan dipilih berdasarkan nilai p-value yang
lebih kecil dari 5% yang hasilnya dapat dilihat pada
Tabel 4.2.
Tabel 4.1 Lag yang Signifikan di 5%
Saham
AALI
ADRO
ASII
BBCA
BBNI
BBRI
BDMN
BMRI
INCO
INDF
INTP
Lag
1, 3
1, 3, 4
7
8, 13
4, 8
3, 9, 10
1, 2, 3, 4, 10
Saham
ITMG
JSMR
KLBF
LPKR
LSIP
PGAS
PTBA
SMGR
TLKM
UNTR
UNVR
Lag
1
3, 4
1, 2, 4, 6
3, 4, 15
1, 3, 4, 5, 13
3, 15
3, 5
1, 2
Sumber: Lampiran 67 - Lampiran 88
Berdasarkan tabel di atas dapat dilihat bahwa
tidak semua perusahaan yang tergabung dalam LQ45
memiliki
lag
yang
signifikan.
Terdapat
tujuh
perusahaan yang tidak memiliki lag yang signifikan
yaitu ADRO, ASII, BBRI, INCO, KLBF, LSIP dan
TLKM. Saham ADRO memiliki lag yang signifikan
yaitu pada lag 24, akan tetapi karena nilai pvaluenya lebih dari 5% maka saham ini tidak dapat
46
dilanjutkan pada tahapan selanjutnya. Saham INCO
memiliki volatilitas saham yang cukup tinggi dan
saham ASII, BBRI, KLBF, LSIP, dan TLKM selama
periode pengamatan melakukan stock split yang
menyebabkan volatilitas sahamnya sangat tinggi
antara sebelum dan setelah melakukan stock split,
sehingga
saham-saham
ini
secara
kuantitatif
pergerakan sahamnya tidak terdapat model ARIMA
yang
cocok
untuk
datanya.
Perusahaan
yang
memiliki lag yang signifikan belum dapat dipastikan
memiliki model Arima karena masih harus melalui
beberapa tahapan lainnya. Seperti saham AALI yang
memiliki 2 lag yang signifikan yaitu lag 1(AR=1;
MA(1) dan lag 3(AR=3;MA=3) karena kedua lag ini
yang garisnya berada di luar batas interval (5%) uji
Bartlett,
yang
masih
akan
diuji
lagi
untuk
mengetahui model terbaik dari AALI yang akan
dijadikan model dalam peramalan.
4.1.3 Estimasi Model
Semua lag yang signifikan akan diestimasi mana
yang merupakan model terbaik Arima, yang dipilih
berdasarkan nilai AIC (Akaike Information Criterion),
dan SIC (Schwarz Information Criterion) terkecil, dan
probabilitas di bawah α = 5% (Lampiran 89-103).
47
Model terbaik hasil estimasi untuk setiap saham
dapat dilihat pada Tabel 4.2.
Tabel 4.2 Estimasi Model Arima
Saham
AALI
BBCA
BBNI
BDMN
BMRI
INDF
INTP
ITMG
JSMR
LPKR
PGAS
PTBA
SMGR
UNTR
UNVR
Model
Terbaik
3,1,3
1,1,1
0,1,7
8,1,0
0,1,8
10,1,10
1,1,1
0,1,1
0,1,3
1,1,0
0,1,3
13,1,13
0,1,3
0,1,3
0,1,1
AIC
SIC
-4.679
-4.945
-4.670
-4.359
-4.635
-4.729
-4.235
-4.467
-5.105
-4.622
-4.766
-4.595
-4.786
-4.381
-4.384
-4.667
-4.933
-4.662
-4.351
-4.627
-4.717
-4.223
-4.459
-5.097
-4.614
-4.758
-4.583
-4.778
-4.373
-4.375
Sumber: Lampiran 89 – Lampiran 103
4.1.4 Diagnostic Checking
Langkah selanjutnya adalah menguji model
estimasi apakah model sudah baik untuk digunakan,
jika residualnya bersifat white noise (tidak ada
korelasi serial dalam residual), maka model tersebut
dapat
dikatakan
baik
untuk
digunakan
dalam
peramalan. Untuk mengetahui apakah model bersifat
white noise atau tidak akan diuji melalui korelogram
48
residual ACF dan PACF. Signifikan tidaknya koefisien
ACF dan PACF dilihat melalui uji Ljung-Box (LB).
Tabel 4.3 Diagnostic Checking
0.000530
0.001036
0.001420
0.000579
0.001246
0.001566
0.001234
0.000801
White
Noise
Tidak
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Ya
Heterokedastisitas
Ya
Ya
Ya
0,1,3
0.001342
Ya
Ya
1,1,0
0,1,3
13,1,13
0,1,3
0,1,3
0,1,1
0.000158
0.000618
-0.000354
0.001096
0.001104
0.001020
Tidak
Tidak
Tidak
Ya
Ya
Ya
Ya
Ya
Ya
Saham
Model
AALI
BBCA
BBNI
BDMN
BMRI
INDF
INTP
ITMG
3,1,3
1,1,1
0,1,7
8,1,0
0,1,8
10,1,10
1,1,1
0,1,1
JSMR
LPKR
PGAS
PTBA
SMGR
UNTR
UNVR
Konstanta
Sumber: data diolah
Tabel
4.3
menunjukkan
hasil
diagnostic
checking model setiap saham yang tergabung dalam
LQ45 yang datanya dapat dimodelkan dengan Arima.
Akan tetapi terdapat beberapa model yang tidak
bersifat white noise yaitu AALI, BBCA, BDMN, INDF,
INTP, LPKR, PGAS, dan PTBA, sehingga model ini
tidak dapat digunakan untuk tahapan selanjutnya.
49
4.1.5 Peramalan
Langkah terakhir yaitu melakukan peramalan
harga saham menggunakan model terbaik untuk
setiap model yang residualnya bersifat white noise.
Tabel 4.4 menunjukkan hasil peramalan dua minggu
ke depan (10 hari) untuk setiap saham yang
tergabung dalam LQ45.
Tabel 4.4 Peramalan dengan ARIMA
Saham
Model
BBNI
BMRI
ITMG
JSMR
SMGR
UNTR
UNVR
0,1,7
0,1,8
0,1,1
0,1,3
0,1,3
0,1,3
0,1,1
Rata-rata Nilai
Aktual
1
2
Minggu Minggu
4,230
4,313
Rata-rata Nilai
Peramalan
1
2
Minggu Minggu
4,383
4,418
Kesalahan
Peramalan (%)
1
2
Minggu Minggu
3.61
3.02
8,645
8,940
8,717
8,774
0.83
1.36
26,920
27,450
26,859
26,967
0.22
1.00
5,063
5,370
5,197
5,232
2.64
2.63
14,360
15,045
14,235
14,299
0.87
3.04
18,270
18,370
19,337
19,446
5.84
5.84
28,160 28,040 28,621
Rata-rata kesalahan peramalan
Sumber: data diolah
28,767
1.63
2.23
2.11
2.71
Berdasarkan tabel di atas, hanya 7 dari total 22
perusahaan yang tergabung dalam Indeks LQ45
selama 10 periode beturut-turut (2009-2014) yang
sahamnya
dapat
dimodelkan
dengan
Arima.
Peramalan dibagi menjadi dua bagian yaitu 1 Minggu
(5 hari) dan 2 Minggu (10 hari). Saham ITMG
50
memiliki
sedikit
rata-rata
kesalahan
dibandingkan
yang
peramalan
lain
sebesar
paling
1.00%,
sedangkan saham UNTR memiliki kesalahan paling
besar sebesar 5.84% untuk peramalan selama 10
hari. Kesalahan peramalan 1 Minggu lebih kecil
dibandingkan 2 Minggu sehingga dapat dikatakan
semakin lama peramalan maka kesalahannya juga
semakin besar.
4.2 Analisis Data ARCH/GARCH
4.2.1 Uji ARCH-Effect
Syarat suatu data dapat dimodelkan dengan
Arch/Garch
yaitu
yang
mengandung
unsur
heterokedastisitas (Arch-effect), sehingga data setiap
saham yang dipengaruhi oleh variabel inflasi, kurs,
dan BI rate akan diuji masing-masing untuk melihat
apakah datanya bersifat heterokedastis atau tidak.
Pengujian Arch-effect menggunakan uji Arch-LM
yang hasilnya dapat dilihat pada Tabel 4.7.
51
Tabel 4.5 Pengujian Arch-Effect
Saham
AALI
ADRO
ASII
BBCA
BBNI
BBRI
BDMN
BMRI
INCO
INDF
INTP
Uji Arch-LM
Ya
Ya
Tidak
Ya
Ya
Tidak
Tidak
Ya
Ya
Ya
Ya
Saham
ITMG
JSMR
KLBF
LPKR
LSIP
PGAS
PTBA
SMGR
TLKM
UNTR
UNVR
Uji Arch-LM
Ya
Ya
Tidak
Tidak
Tidak
Ya
Ya
Ya
Tidak
Ya
Ya
Sumber: data diolah
Tabel 4.5 menunjukkan 15 saham yang datanya
bersifat heterokedastis dan 7 saham yang bersifat
homokedastis, seperti ASII, BBRI, BDMN, KLBF,
LPKR, LSIP, dan TLKM. Saham-saham yang tidak
bersifat
heterokedastis
ini
residualnya
tidak
memenuhi syarat dalam pemodelan Arch/Garch
sehingga
tidak
dapat
dilanjutkan
ke
tahapan
parameter
model
berikutnya.
4.2.2 Estimasi Model
Untuk
mengestimasi
Arch/Garch digunakan metode estimasi maksimum
likehood.
Pemilihan
model
terbaik
berdasarkan
signifikansi (5%) model dan nilai AIC dan SIC
52
terkecil. Hasil estimasi model Arch/Garch dapat
dlihat pada Tabel 4.6 (Lampiran 104-115).
Tabel 4.6 Estimasi Model Garch
Saham
AALI
ADRO
BBCA
BBNI
BMRI
INCO
INDF
INTP
ITMG
JSMR
PGAS
PTBA
SMGR
UNTR
UNVR
Model Terbaik
(p,q)
Garch (1,0)
Garch (1,2)
Garch (1,2)
Garch (1,2)
Garch (1,2)
Garch (2,1)
Garch (1,2)
Garch (1,2)
Garch(1,1)
Garch (1,1)
Garch (1,1)
Garch (1,1)
Garch (1,2)
Garch (1,1)
Garch (2,0)
AIC
SIC
-4.713
-4.481
-5.031
-4.896
-4.783
-4,397
-4.902
-4.551
-4.590
-5.198
-4.945
-4.773
-4.902
-4.546
-4.828
-4.689
-4.452
-4.998
-4.863
-4.751
-4.369
-4.870
-4.519
-4.561
-5.170
-4.917
-4.745
-4.869
-4.518
-4.799
Sumber: Lampiran 104 – Lampiran 117
4.2.3 Uji Diagnostik Residual
Setelah ditemukan model hasil estimasi, maka
akan
dilakukan
diagnostik
residual
untuk
mengetahui apakah model yang ditemukan sudah
tidak mengandung Arch-effect (homokedastis), yang
dapat dilihat pada Tabel 4.7.
53
Tabel 4.7 Uji Diagnostik Residual
Saham
AALI
ADRO
BBCA
BBNI
BMRI
INCO
INDF
INTP
ITMG
JSMR
PGAS
PTBA
SMGR
UNTR
UNVR
Model
Terbaik
(p,q)
Garch (1,0)
Garch (1,2)
Garch (1,2)
Garch (1,2)
Garch (1,2)
Garch (2,1)
Garch (1,2)
Garch (1,2)
Garch(1,1)
Garch (1,1)
Garch (1,1)
Garch (1,1)
Garch (1,2)
Garch (1,1)
Garch (2,0)
Uji
ArchLM
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Uji
Autokorelasi
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Sumber: data diolah
Berdasarkan tabel 4.7 dapat diketahui semua
model sudah tidak mengandung heterokedastisitas,
namun masih terdapat beberapa model saham yang
residualnya
terdapat
korelasi.
Kemudian
model-
model tersebut akan dilanjutkan untuk tahapan
selanjutnya yaitu peramalan.
4.2.4 Peramalan
Peramalan dilakukan untuk setiap saham yang
modelnya sudah tidak bersifat heterokedastis. Tabel
54
4.8 menunjukkan hasil peramalan dua minggu ke
depan (10 hari) untuk setiap saham yang tergabung
dalam LQ45.
Tabel 4.8 Peramalan dengan Arch/Garch
Saham
Model
AALI
ADRO
BBCA
BBNI
BMRI
INCO
INDF
INTP
ITMG
JSMR
PGAS
PTBA
SMGR
UNTR
UNVR
(1,0)
(1,2)
(1,2)
(1,2)
(1,2)
(2,1)
(1,2)
(1,2)
(1,1)
(1,1)
(1,1)
(1,1)
(1,2)
(1,1)
(2,0)
Rata-rata Nilai
Aktual
1
2
Minggu Minggu
21,710 23,070
Rata-rata Nilai
Peramalan
1
2
Minggu Minggu
21,628
21806
Kesalahan
Peramalan (%)
1
2
Minggu Minggu
0.38
3.08
905
935
953
960
5.30
3.98
10,005
10,225
10,002
10,111
0.03
0.57
4,230
4,313
4,359
4,410
3.05
2.65
8,645
8,940
8,779
8,917
1.55
0.90
2,336
2,507
2,321
2,335
0.64
4.00
6,940
6,985
7,017
7,105
1.10
1.40
21,265
22,145
22,624
23,016
6.39
5.16
26,920
27,450
26,984
27,378
0.23
0.24
5,063
5,370
5,188
5,235
2.47
2.52
4,803
4,830
4,775
4,823
0.58
0.36
9,385
9,341
9,338
9,399
0.50
0.56
14,360
15,045
14,295
14,475
0.45
2.19
18,270
18,370
19,525
19,815
6.87
7.36
28,160 28,040 28,723
Rata-rata kesalahan peramalan
Sumber: data diolah
28,999
1.99
2.10
2.70
2.51
Berdasarkan Tabel 4.8 dapat dilihat bahwa
saham ITMG memiliki rata-rata kesalahan paling
sedikit yaitu sebesar 0.24% dibandingkan yang lain,
sedangkan
saham
UNTR
memiliki
rata-rata
kesalahan paling besar yaitu sebesar 7.36% untuk
55
periode peramalan selama 10 hari. Semakin lama
peramalan maka tingkat kesalahannya akan semakin
besar yang ditunjukkan oleh tingkat kesalahan
peramalan selama 2 Minggu (10 hari) yang lebih
besar dibandingkan peramalan 1 Minggu (5 hari).
4.3 Perbandingan Akurasi
Untuk mengetahui tingkat keakuratan masingmasing teknik analisis, mana yang lebih baik dalam
memprediksi
harga
saham
apakah
Arima
atau
Arch/Garch dapat dilihat pada tabel 4.9.
Tabel 4.9 Perbandingan Akurasi Arima dan Arch/Garch
Saham
BBNI
BMRI
ITMG
JSMR
SMGR
UNTR
UNVR
Rata-rata
1 Minggu (%)
Arima Arch/Garch
3.61
3.05
0.83
1.55
0.22
0.23
2.64
2.47
0.87
0.45
5.84
6.87
1.63
1.99
2.23
2.37
2 Minggu (%)
Arima Arch/Garch
3.02
2.65
1.36
0.90
1.00
0.24
2.63
2.52
3.04
2.19
5.84
7.36
2.11
2.70
2.71
2.65
Sumber: Tabel 4.4 dan Tabel 4.8
Berdasarkan
hasil
analisa
di
atas,
hanya
terdapat tujuh dari total 22 saham yang menjadi
objek penelitian selama periode 2009 – 2013 yang
56
dapat dimodelkan dengan Arima, dan terdapat 15
saham yang dapat dimodelkan dengan Arch/Garch,
sehingga
hanya
tujuh
perusahaan
yang
dapat
dibandingkan tingkat keakuratannya menggunakan
Arima dan Arch/Garch, yaitu BBNI, BMRI, ITMG,
JSMR, SMGR, UNTR, UNVR.
Berdasarkan tabel dapat dilihat bahwa untuk
peramalan 1 Minggu (5 hari)
kesalahan prediksi
Arima lebih sedikit dibandingkan Arch/Garch dengan
selisih 0.14%, kemudian untuk peramalan 2 Minggu
(10 hari) Arch/Garch lebih unggul dengan selisih
0.06%
dibandingkan
Arima,
sehingga
untuk
peramalan harga saham dengan periode selama 10
hari Arch/Garch memiliki tingkat kesalahan yang
lebih kecil dibandingkan Arima.
Pemodelan
menggunakan
Arima
dan
Arch/Garch, tidak ditemukan model umum yang
cocok untuk meramal karakteristik pergerakan harga
saham yang mencakup seluruh saham LQ45.
4.4 Pengukuran Variabel untuk Analisis Arch/
Garch
Pengaruh
setiap
variabel
independen
yang
digunakan yaitu inflasi, kurs, dan BI rate, terhadap
57
harga setiap saham yang tergabung dalam Indeks
LQ45 dapat dilihat pada Tabel 4.10.
Tabel 4.10 Variabel yang Mempengaruhi Saham LQ45
Variabel
Uji-t
Inflasi
Kurs
- 0.010*
- 0.000*
- 0.000*
- 0.012*
- 0.000*
- 0.000*
- 0.016*
- 0.000*
- 0.008**
- 0.000*
- 0.000*
- 0.000*
- 0.000*
Sektor
Saham
Model
Garch
Pertanian
AALI
ADRO
INCO
ITMG
PTBA
BBCA
BBNI
BMRI
INDF
(1,0)
(1,2)
(2,1)
(1,1)
(1,1)
(1,2)
(1,2)
(1,2)
(1,2)
UNVR
(2,0)
-
- 0.000**
0.001*
INTP
SMGR
(1,2)
(1,2)
-
- 0.000*
- 0.000*
0.001*
0.001**
JSMR
(1,1)
-
- 0.000*
0.001**
(1,1)
-
- 0.000*
-
(1,1)
-
- 0.000*
0.002*
Pertambangan
Keuangan
Industri
Barang dan
Konsumsi
Industri Dasar
dan Kimia
Infrastruktur,
Utilitas, dan
Transportasi
PGAS
Perdagangan
Jasa dan
UNTR
Investasi
Sumber
: data diolah
Uji F
0.001*
0.001*
Keterangan : * sig. pada nilai kritis 1%, ** sig. pada nilai kritis 5%
Secara umum hasil uji F menunjukkan bahwa
variabel inflasi, kurs USD, dan suku bunga BI
berpengaruh
secara
simultan
dan
signifikan
terhadap beberapa saham LQ45 seperti BMRI, INDF,
INTP, JSMR, SMGR, UNTR dan UNVR. Kemudian
58
hasil uji t menunjukkan variabel inflasi signifikan
terhadap saham AALI, BBNI, INCO, dan PTBA, serta
variabel kurs berpengaruh signifikan dan negatif
terhadap seluruh saham yang tergabung dalam
LQ45, yang berarti peningkatan kurs USD (dalam hal
ini Rupiah mengalami depresiasi) akan menyebabkan
saham-saham
LQ45
melemah.
Hal
ini
memungkinkan adanya pengalihan investasi karena
investor akan lebih memilih menanamkan modalnya
di luar negeri. Variabel BI rate tidak berpengaruh
terhadap semua saham yang tergabung dalam LQ45.
4.5 Pembahasan
Kemampuan Arima dalam meramal pergerakan
harga saham dapat dilihat dari setiap tahapan yang
harus dipenuhi mulai dari penstasioneran data,
identifikasi
model,
estimasi
model,
diagnostic
checking, sampai pada akhirnya didapatkan model
terbaik untuk setiap saham yang akan digunakan
dalam peramalan. Berdasarkan uji ACF dan PACF
semua
data
harga
ketidakstasioneran,
hal
saham
ini
menunjukkan
disebabkan
karena
pergerakan harga saham pada umumnya memiliki
tren dan bergerak secara fluktuatif untuk jangka
waktu tertentu, sehingga penggunaan Arima tepat
59
untuk meramal pergerakan data yang bersifat tren
sebagaimana
pergerakan
harga
saham.
Hasil
identifikasi model menunjukkan bahwa dari 22
sampel saham terdapat 7 saham yang tidak memiliki
lag
yang
disebabkan
pengamatan
signifikan.
karena
Ketidaksignifikan
ternyata
beberapa
selama
saham-saham
lag
ini
periode
tersebut
melakukan stock split yang menyebabkan volatilitas
sahamnya cukup tinggi sehingga tidak terdapat
model Arima yang cocok untuk datanya.
Identifikasi lag yang signifikan ini berdasarkan
model AR(p) yang menggunakan data harga saham
dan MA(q) yang memanfaatkan residual harga saham
dengan lag tertentu, sehingga kombinasi dari lag p
dan q akan semakin memungkinkan terdapat model
yang cocok dengan data yang diolah. Model terbaik
dipilih berdasarkan nilai AIC dan SIC terkecil karena
AIC dan SIC merupakan kriteria yang menyediakan
ukuran
informasi
yang
dapat
menyeimbangkan
ukuran kebaikan model dan efisiensi. Berdasarkan
tahap diagnostic checking ditemukan 8 saham yang
modelnya tidak bersifat white noise, karena di dalam
residual modelnya masih terdapat korelasi, sehingga
model tersebut tidak layak digunakan. Tahapan
terakhir yaitu peramalan, dimana hasil peramalan
60
menunjukkan terdapat 7 saham dari total 22 sampel
saham yang dapat melalui semua tahapan peramalan
menggunakan Arima, dengan rata-rata kesalahan
Arima dibandingkan nilai aktulanya selama 2 Minggu
(10 hari) sebesar 2.71%.
Pemanfaatkan data historis pada Arima didasari
pada asumsi bahwa pelaku pasar bertindak logis
dalam
melakukan
investasi
dengan
tujuan
memperoleh keuntungan dan bersikap menghindari
resiko, sehingga pergerakan harga saham memiliki
keteraturan sehingga tidak terjadi fluktuasi yang
tinggi yang disebabkan oleh abnormal return. Apabila
tidak ada faktor eksternal yang mempengaruhi harga
saham maka harga saham akan berada pada pola
keseimbangan
tertentu
untuk
setiap
saham.
Sebaliknya jika faktor-faktor eksternal dimasukkan
maka akan merubah pola keseimbangan lama dan
akan berada pada pola keseimbangan baru (Mulyono,
2000).
Volatilitas pasar modal di negara berkembang
umumnya lebih tinggi dibandingkan pasar modal di
negara maju (Bekaert dan Harvey, 1997; Wang,
2007), sehingga Arch/Garch tepat digunakan untuk
meramalkan pergerakan saham di Indonesia, karena
ini memanfaatkan heterokedastisitas dari data yang
61
akan digunakan untuk membentuk sebuah model
yang dapat digunakan untuk meramal harga saham
di masa mendatang. Harga saham bukan hanya
dipengaruhi oleh harga saham sebelumnya tetapi
juga oleh faktor eksternal, seperti kurs, inflasi dan BI
rate yang merupakan beberapa indikator yang dapat
mencerminkan kondisi perekonomian suatu negara,
dimana indikator tersebut berkaitan dengan pasar
modal.
Krisis
ekonomi
yang
ditandai
meningkatnya kurs, inflasi, dan BI
dengan
rate
dapat
mengakibatkan harga saham menurun.
Kemampuan
Arch/Garch
dalam
meramal
pergerakan harga saham dapat dilihat dari setiap
tahapan yang harus dipenuhi mulai dari pengujian
Arch-Effect
(heterokedastisitas),
estimasi
model,
diagnostik residual, hingga ke tahapan peramalan.
Berdasarkan hasil pengujian Arch-Effect ditemukan
bahwa terdapat 7 saham yang tidak mengandung
heterokedastisitas. Heterokedastisitas terjadi karena
adanya volatilitas yang tinggi dalam data, sebaliknya
data
yang
tidak
mengandung
heterokedastisitas
berarti datanya memiliki volatilitas yang cukup
stabil,
sehingga
data
yang
tidak
mengandung
heterokedastisitas tidak dapat dimodelkan dengan
Arch/Garch. Saham yang tidak lulus uji Arch-effect
62
yaitu ASII, BBRI, BDMN, KLBF, LPKR, LSIP, dan
TLKM. Saham-saham ini belum tentu memiliki data
yang homokedastik dikarenakan saham ASII, BBRI,
KLBF, LSIP, dan TLKM melakukan stock split, saham
BDMN mengalami kenaikan dan penurunan harga
yang drastis karena adanya isu akuisisi, dan saham
LPKR
yang
mengumumkan
rencana
right issue
menyebabkan volatilitas yang signifikan pada saat
tertentu selama periode pengamatan, sehingga ada
kemungkinan karena perbedaan harga saham yang
berbeda cukup signifikan dengan hari-hari lainnya
menyebabkan
saham
tersebut
tidak
dapat
dimodelkan dengan Arch/Garch.
Estimasi model terbaik dipilih berdasarkan nilai
AIC dan SIC terkecil, kemudian model terbaik
tersebut di uji lagi apakah sudah tidak mengandung
heterokedastisitas
diagnostik
atau
residual.
peramalan,
menunjukkan
dibandingkan
dimana
tingkat
nilai
tidak
Tahapan
hasil
pada
terakhir
yaitu
peramalannya
keakuratannya
aktual
tahapan
sebesar
yang
2.51%.
Kemampuan Arima dan Arch/Garch dalam meramal
pergerakan harga saham juga dibuktikan oleh hasil
penelian yang dilakukan oleh Mulyono (2000), Yani
(2004), Sadeq (2008), dan Marvilia (2013).
63
Perbandingan peramalan dengan Arima dan
Arch/Garch menunjukkan bahwa Arch/Garch lebih
akurat
dibandingkan
disebabkan
karena
Arima.
volatilitas
Hasil
ini
dapat
pasar
modal
di
Indonesia cukup tinggi yang menyebabkan data
harga
saham
mengandung
heterokedastisitas,
sehingga yang tepat digunakan untuk mengatasi
adanya heterokedastisitas yaitu Arch/Garch. Hasil
ini berbeda dengan penelitian yang dilakukan oleh
Nachrowi (2007), Murwaningsari (2008), Grestandhi
(2012), dan Nugroho (2012) yang hasil penelitiannya
menyatakan bahwa Arima lebih akurat dibandingkan
Arch/Garch.
Hal ini dapat disebabkan oleh perbedaan periode
data, variabel yang digunakan, dan jangka waktu
peramalan karena peneliti terdahulu hanya meramal
pergerakan
saham
selama
1
hari
ke
depan
sedangkan dalam penelitian ini selama 2 minggu (10
hari). Keakuratan Arch/Garch juga disebabkan oleh
karena semua saham yang dimodelkan dengan Arima
volatilitasnya masih cukup tinggi atau dengan kata
lain masih mengandung heterokedastisitas yang
menyebabkan keakuratan peramalannya lebih kecil
dibandingkan Arch/Garch, sehingga seperti kata
Engle (2001) yang menyebutkan bahwa ketika suatu
64
data
mengandung
keakuratan
hasil
heterokedastisitas
peramalan
akan
maka
sulit
untuk
dipercaya, dan Arch/Garch merupakan yang tepat
digunakan
untuk
mengatasi
masalah
heterokedastisitas. Hasil penelitian ini juga sesuai
dengan penelitian Sparks dan Yurova (2006), Yaziz et
al. (2009), Fahimifard et al. (2009) dimana dalam
peramalannya
menunjukkan
bahwa
lebih akurat dibandingkan Arima.
Arch/Garch
PEMBAHASAN
4.1 Analisis Data ARIMA
4.1.1 Uji Stasioneritas
Dalam
korelogram
penelitian
ini
(Autocorrelation
Autocorrelation
Function)
menggunakan
Function
dan
untuk
uji
Partial
menguji
kestasioneran data apakah bersifat non-stasioner
atau stasioner. Berdasarkan hasil uji korelogram 22
perusahaan yang tergabung dalam Indeks LQ45
dengan
data
harga
penutupan
saham
harian
(Februari 2009 – Januari 2014) dapat dilihat bahwa
semua saham perusahaan menunjukkan data yang
tidak stasioner (Lampiran 1-22). Hal ini ditunjukkan
oleh koefisien ACF yang berbeda secara signifikan
dari nol dan mengecil secara perlahan atau tidak
menurun secara eksponensial, sedangkan koefisien
PACF sudah mendekati nol setelah lag pertama.
Selain itu nilai probabilitas dari lag ke-1 hingga lag
ke-36 sangat mendekati nol, yang berarti lebih kecil
dari �.
Ketidakstasioneran data harga saham ini dapat
disebabkan karena pergerakan harga saham pada
43
44
umumnya
memiliki
tren
dan
bergerak
secara
fluktuatif untuk jangka waktu tertentu, sehingga
mean dan variannya juga tidak bersifat konstan.
Untuk
mengatasi
ketidakstasioneran
ini
maka
dilakukan penstasioneran data dari non-stasioner
menjadi stasioner dengan metode transformasi log
dan pembedaan (difference) yang grafiknya dapat
dilihat pada Lampiran 23-66. Berdasarkan grafik
tersebut dapat dilihat bahwa data belum stasioner
baik dalam mean maupun varian, yang ditunjukkan
oleh keacakan data yang tidak menyebar di sekitar
nilai
nol.
Setelah
melakukan
difference
dan
transformasi log dapat dilihat bahwa data harga
saham sudah stasioner baik dalam mean dan varian.
4.1.2 Identifikasi Model (p,d,q)
Setelah
semua
data
sudah
melalui
proses
differencing (semua data sudah stasioner pada saat
difference = 1) maka langkah selanjutnya adalah
mengidentifikasi model yang diperoleh dari lag yang
signifikan pada plot ACF dan PACF yang telah didifference
(Lampiran
67-88).
Identifikasi
ini
dilakukan dengan uji Bartlett dimana setiap lag pada
plot ACF dan PACF akan berada dalam garis batas
interval (5%), tetapi lag yang melebihi garis batas
45
diidentifikasi sebagai tingkat AR (berdasarkan plot
PACF) dan MA (berdasarkan plot ACF). Lag-lag yang
signifikan dipilih berdasarkan nilai p-value yang
lebih kecil dari 5% yang hasilnya dapat dilihat pada
Tabel 4.2.
Tabel 4.1 Lag yang Signifikan di 5%
Saham
AALI
ADRO
ASII
BBCA
BBNI
BBRI
BDMN
BMRI
INCO
INDF
INTP
Lag
1, 3
1, 3, 4
7
8, 13
4, 8
3, 9, 10
1, 2, 3, 4, 10
Saham
ITMG
JSMR
KLBF
LPKR
LSIP
PGAS
PTBA
SMGR
TLKM
UNTR
UNVR
Lag
1
3, 4
1, 2, 4, 6
3, 4, 15
1, 3, 4, 5, 13
3, 15
3, 5
1, 2
Sumber: Lampiran 67 - Lampiran 88
Berdasarkan tabel di atas dapat dilihat bahwa
tidak semua perusahaan yang tergabung dalam LQ45
memiliki
lag
yang
signifikan.
Terdapat
tujuh
perusahaan yang tidak memiliki lag yang signifikan
yaitu ADRO, ASII, BBRI, INCO, KLBF, LSIP dan
TLKM. Saham ADRO memiliki lag yang signifikan
yaitu pada lag 24, akan tetapi karena nilai pvaluenya lebih dari 5% maka saham ini tidak dapat
46
dilanjutkan pada tahapan selanjutnya. Saham INCO
memiliki volatilitas saham yang cukup tinggi dan
saham ASII, BBRI, KLBF, LSIP, dan TLKM selama
periode pengamatan melakukan stock split yang
menyebabkan volatilitas sahamnya sangat tinggi
antara sebelum dan setelah melakukan stock split,
sehingga
saham-saham
ini
secara
kuantitatif
pergerakan sahamnya tidak terdapat model ARIMA
yang
cocok
untuk
datanya.
Perusahaan
yang
memiliki lag yang signifikan belum dapat dipastikan
memiliki model Arima karena masih harus melalui
beberapa tahapan lainnya. Seperti saham AALI yang
memiliki 2 lag yang signifikan yaitu lag 1(AR=1;
MA(1) dan lag 3(AR=3;MA=3) karena kedua lag ini
yang garisnya berada di luar batas interval (5%) uji
Bartlett,
yang
masih
akan
diuji
lagi
untuk
mengetahui model terbaik dari AALI yang akan
dijadikan model dalam peramalan.
4.1.3 Estimasi Model
Semua lag yang signifikan akan diestimasi mana
yang merupakan model terbaik Arima, yang dipilih
berdasarkan nilai AIC (Akaike Information Criterion),
dan SIC (Schwarz Information Criterion) terkecil, dan
probabilitas di bawah α = 5% (Lampiran 89-103).
47
Model terbaik hasil estimasi untuk setiap saham
dapat dilihat pada Tabel 4.2.
Tabel 4.2 Estimasi Model Arima
Saham
AALI
BBCA
BBNI
BDMN
BMRI
INDF
INTP
ITMG
JSMR
LPKR
PGAS
PTBA
SMGR
UNTR
UNVR
Model
Terbaik
3,1,3
1,1,1
0,1,7
8,1,0
0,1,8
10,1,10
1,1,1
0,1,1
0,1,3
1,1,0
0,1,3
13,1,13
0,1,3
0,1,3
0,1,1
AIC
SIC
-4.679
-4.945
-4.670
-4.359
-4.635
-4.729
-4.235
-4.467
-5.105
-4.622
-4.766
-4.595
-4.786
-4.381
-4.384
-4.667
-4.933
-4.662
-4.351
-4.627
-4.717
-4.223
-4.459
-5.097
-4.614
-4.758
-4.583
-4.778
-4.373
-4.375
Sumber: Lampiran 89 – Lampiran 103
4.1.4 Diagnostic Checking
Langkah selanjutnya adalah menguji model
estimasi apakah model sudah baik untuk digunakan,
jika residualnya bersifat white noise (tidak ada
korelasi serial dalam residual), maka model tersebut
dapat
dikatakan
baik
untuk
digunakan
dalam
peramalan. Untuk mengetahui apakah model bersifat
white noise atau tidak akan diuji melalui korelogram
48
residual ACF dan PACF. Signifikan tidaknya koefisien
ACF dan PACF dilihat melalui uji Ljung-Box (LB).
Tabel 4.3 Diagnostic Checking
0.000530
0.001036
0.001420
0.000579
0.001246
0.001566
0.001234
0.000801
White
Noise
Tidak
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Ya
Heterokedastisitas
Ya
Ya
Ya
0,1,3
0.001342
Ya
Ya
1,1,0
0,1,3
13,1,13
0,1,3
0,1,3
0,1,1
0.000158
0.000618
-0.000354
0.001096
0.001104
0.001020
Tidak
Tidak
Tidak
Ya
Ya
Ya
Ya
Ya
Ya
Saham
Model
AALI
BBCA
BBNI
BDMN
BMRI
INDF
INTP
ITMG
3,1,3
1,1,1
0,1,7
8,1,0
0,1,8
10,1,10
1,1,1
0,1,1
JSMR
LPKR
PGAS
PTBA
SMGR
UNTR
UNVR
Konstanta
Sumber: data diolah
Tabel
4.3
menunjukkan
hasil
diagnostic
checking model setiap saham yang tergabung dalam
LQ45 yang datanya dapat dimodelkan dengan Arima.
Akan tetapi terdapat beberapa model yang tidak
bersifat white noise yaitu AALI, BBCA, BDMN, INDF,
INTP, LPKR, PGAS, dan PTBA, sehingga model ini
tidak dapat digunakan untuk tahapan selanjutnya.
49
4.1.5 Peramalan
Langkah terakhir yaitu melakukan peramalan
harga saham menggunakan model terbaik untuk
setiap model yang residualnya bersifat white noise.
Tabel 4.4 menunjukkan hasil peramalan dua minggu
ke depan (10 hari) untuk setiap saham yang
tergabung dalam LQ45.
Tabel 4.4 Peramalan dengan ARIMA
Saham
Model
BBNI
BMRI
ITMG
JSMR
SMGR
UNTR
UNVR
0,1,7
0,1,8
0,1,1
0,1,3
0,1,3
0,1,3
0,1,1
Rata-rata Nilai
Aktual
1
2
Minggu Minggu
4,230
4,313
Rata-rata Nilai
Peramalan
1
2
Minggu Minggu
4,383
4,418
Kesalahan
Peramalan (%)
1
2
Minggu Minggu
3.61
3.02
8,645
8,940
8,717
8,774
0.83
1.36
26,920
27,450
26,859
26,967
0.22
1.00
5,063
5,370
5,197
5,232
2.64
2.63
14,360
15,045
14,235
14,299
0.87
3.04
18,270
18,370
19,337
19,446
5.84
5.84
28,160 28,040 28,621
Rata-rata kesalahan peramalan
Sumber: data diolah
28,767
1.63
2.23
2.11
2.71
Berdasarkan tabel di atas, hanya 7 dari total 22
perusahaan yang tergabung dalam Indeks LQ45
selama 10 periode beturut-turut (2009-2014) yang
sahamnya
dapat
dimodelkan
dengan
Arima.
Peramalan dibagi menjadi dua bagian yaitu 1 Minggu
(5 hari) dan 2 Minggu (10 hari). Saham ITMG
50
memiliki
sedikit
rata-rata
kesalahan
dibandingkan
yang
peramalan
lain
sebesar
paling
1.00%,
sedangkan saham UNTR memiliki kesalahan paling
besar sebesar 5.84% untuk peramalan selama 10
hari. Kesalahan peramalan 1 Minggu lebih kecil
dibandingkan 2 Minggu sehingga dapat dikatakan
semakin lama peramalan maka kesalahannya juga
semakin besar.
4.2 Analisis Data ARCH/GARCH
4.2.1 Uji ARCH-Effect
Syarat suatu data dapat dimodelkan dengan
Arch/Garch
yaitu
yang
mengandung
unsur
heterokedastisitas (Arch-effect), sehingga data setiap
saham yang dipengaruhi oleh variabel inflasi, kurs,
dan BI rate akan diuji masing-masing untuk melihat
apakah datanya bersifat heterokedastis atau tidak.
Pengujian Arch-effect menggunakan uji Arch-LM
yang hasilnya dapat dilihat pada Tabel 4.7.
51
Tabel 4.5 Pengujian Arch-Effect
Saham
AALI
ADRO
ASII
BBCA
BBNI
BBRI
BDMN
BMRI
INCO
INDF
INTP
Uji Arch-LM
Ya
Ya
Tidak
Ya
Ya
Tidak
Tidak
Ya
Ya
Ya
Ya
Saham
ITMG
JSMR
KLBF
LPKR
LSIP
PGAS
PTBA
SMGR
TLKM
UNTR
UNVR
Uji Arch-LM
Ya
Ya
Tidak
Tidak
Tidak
Ya
Ya
Ya
Tidak
Ya
Ya
Sumber: data diolah
Tabel 4.5 menunjukkan 15 saham yang datanya
bersifat heterokedastis dan 7 saham yang bersifat
homokedastis, seperti ASII, BBRI, BDMN, KLBF,
LPKR, LSIP, dan TLKM. Saham-saham yang tidak
bersifat
heterokedastis
ini
residualnya
tidak
memenuhi syarat dalam pemodelan Arch/Garch
sehingga
tidak
dapat
dilanjutkan
ke
tahapan
parameter
model
berikutnya.
4.2.2 Estimasi Model
Untuk
mengestimasi
Arch/Garch digunakan metode estimasi maksimum
likehood.
Pemilihan
model
terbaik
berdasarkan
signifikansi (5%) model dan nilai AIC dan SIC
52
terkecil. Hasil estimasi model Arch/Garch dapat
dlihat pada Tabel 4.6 (Lampiran 104-115).
Tabel 4.6 Estimasi Model Garch
Saham
AALI
ADRO
BBCA
BBNI
BMRI
INCO
INDF
INTP
ITMG
JSMR
PGAS
PTBA
SMGR
UNTR
UNVR
Model Terbaik
(p,q)
Garch (1,0)
Garch (1,2)
Garch (1,2)
Garch (1,2)
Garch (1,2)
Garch (2,1)
Garch (1,2)
Garch (1,2)
Garch(1,1)
Garch (1,1)
Garch (1,1)
Garch (1,1)
Garch (1,2)
Garch (1,1)
Garch (2,0)
AIC
SIC
-4.713
-4.481
-5.031
-4.896
-4.783
-4,397
-4.902
-4.551
-4.590
-5.198
-4.945
-4.773
-4.902
-4.546
-4.828
-4.689
-4.452
-4.998
-4.863
-4.751
-4.369
-4.870
-4.519
-4.561
-5.170
-4.917
-4.745
-4.869
-4.518
-4.799
Sumber: Lampiran 104 – Lampiran 117
4.2.3 Uji Diagnostik Residual
Setelah ditemukan model hasil estimasi, maka
akan
dilakukan
diagnostik
residual
untuk
mengetahui apakah model yang ditemukan sudah
tidak mengandung Arch-effect (homokedastis), yang
dapat dilihat pada Tabel 4.7.
53
Tabel 4.7 Uji Diagnostik Residual
Saham
AALI
ADRO
BBCA
BBNI
BMRI
INCO
INDF
INTP
ITMG
JSMR
PGAS
PTBA
SMGR
UNTR
UNVR
Model
Terbaik
(p,q)
Garch (1,0)
Garch (1,2)
Garch (1,2)
Garch (1,2)
Garch (1,2)
Garch (2,1)
Garch (1,2)
Garch (1,2)
Garch(1,1)
Garch (1,1)
Garch (1,1)
Garch (1,1)
Garch (1,2)
Garch (1,1)
Garch (2,0)
Uji
ArchLM
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Bebas
Uji
Autokorelasi
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Sumber: data diolah
Berdasarkan tabel 4.7 dapat diketahui semua
model sudah tidak mengandung heterokedastisitas,
namun masih terdapat beberapa model saham yang
residualnya
terdapat
korelasi.
Kemudian
model-
model tersebut akan dilanjutkan untuk tahapan
selanjutnya yaitu peramalan.
4.2.4 Peramalan
Peramalan dilakukan untuk setiap saham yang
modelnya sudah tidak bersifat heterokedastis. Tabel
54
4.8 menunjukkan hasil peramalan dua minggu ke
depan (10 hari) untuk setiap saham yang tergabung
dalam LQ45.
Tabel 4.8 Peramalan dengan Arch/Garch
Saham
Model
AALI
ADRO
BBCA
BBNI
BMRI
INCO
INDF
INTP
ITMG
JSMR
PGAS
PTBA
SMGR
UNTR
UNVR
(1,0)
(1,2)
(1,2)
(1,2)
(1,2)
(2,1)
(1,2)
(1,2)
(1,1)
(1,1)
(1,1)
(1,1)
(1,2)
(1,1)
(2,0)
Rata-rata Nilai
Aktual
1
2
Minggu Minggu
21,710 23,070
Rata-rata Nilai
Peramalan
1
2
Minggu Minggu
21,628
21806
Kesalahan
Peramalan (%)
1
2
Minggu Minggu
0.38
3.08
905
935
953
960
5.30
3.98
10,005
10,225
10,002
10,111
0.03
0.57
4,230
4,313
4,359
4,410
3.05
2.65
8,645
8,940
8,779
8,917
1.55
0.90
2,336
2,507
2,321
2,335
0.64
4.00
6,940
6,985
7,017
7,105
1.10
1.40
21,265
22,145
22,624
23,016
6.39
5.16
26,920
27,450
26,984
27,378
0.23
0.24
5,063
5,370
5,188
5,235
2.47
2.52
4,803
4,830
4,775
4,823
0.58
0.36
9,385
9,341
9,338
9,399
0.50
0.56
14,360
15,045
14,295
14,475
0.45
2.19
18,270
18,370
19,525
19,815
6.87
7.36
28,160 28,040 28,723
Rata-rata kesalahan peramalan
Sumber: data diolah
28,999
1.99
2.10
2.70
2.51
Berdasarkan Tabel 4.8 dapat dilihat bahwa
saham ITMG memiliki rata-rata kesalahan paling
sedikit yaitu sebesar 0.24% dibandingkan yang lain,
sedangkan
saham
UNTR
memiliki
rata-rata
kesalahan paling besar yaitu sebesar 7.36% untuk
55
periode peramalan selama 10 hari. Semakin lama
peramalan maka tingkat kesalahannya akan semakin
besar yang ditunjukkan oleh tingkat kesalahan
peramalan selama 2 Minggu (10 hari) yang lebih
besar dibandingkan peramalan 1 Minggu (5 hari).
4.3 Perbandingan Akurasi
Untuk mengetahui tingkat keakuratan masingmasing teknik analisis, mana yang lebih baik dalam
memprediksi
harga
saham
apakah
Arima
atau
Arch/Garch dapat dilihat pada tabel 4.9.
Tabel 4.9 Perbandingan Akurasi Arima dan Arch/Garch
Saham
BBNI
BMRI
ITMG
JSMR
SMGR
UNTR
UNVR
Rata-rata
1 Minggu (%)
Arima Arch/Garch
3.61
3.05
0.83
1.55
0.22
0.23
2.64
2.47
0.87
0.45
5.84
6.87
1.63
1.99
2.23
2.37
2 Minggu (%)
Arima Arch/Garch
3.02
2.65
1.36
0.90
1.00
0.24
2.63
2.52
3.04
2.19
5.84
7.36
2.11
2.70
2.71
2.65
Sumber: Tabel 4.4 dan Tabel 4.8
Berdasarkan
hasil
analisa
di
atas,
hanya
terdapat tujuh dari total 22 saham yang menjadi
objek penelitian selama periode 2009 – 2013 yang
56
dapat dimodelkan dengan Arima, dan terdapat 15
saham yang dapat dimodelkan dengan Arch/Garch,
sehingga
hanya
tujuh
perusahaan
yang
dapat
dibandingkan tingkat keakuratannya menggunakan
Arima dan Arch/Garch, yaitu BBNI, BMRI, ITMG,
JSMR, SMGR, UNTR, UNVR.
Berdasarkan tabel dapat dilihat bahwa untuk
peramalan 1 Minggu (5 hari)
kesalahan prediksi
Arima lebih sedikit dibandingkan Arch/Garch dengan
selisih 0.14%, kemudian untuk peramalan 2 Minggu
(10 hari) Arch/Garch lebih unggul dengan selisih
0.06%
dibandingkan
Arima,
sehingga
untuk
peramalan harga saham dengan periode selama 10
hari Arch/Garch memiliki tingkat kesalahan yang
lebih kecil dibandingkan Arima.
Pemodelan
menggunakan
Arima
dan
Arch/Garch, tidak ditemukan model umum yang
cocok untuk meramal karakteristik pergerakan harga
saham yang mencakup seluruh saham LQ45.
4.4 Pengukuran Variabel untuk Analisis Arch/
Garch
Pengaruh
setiap
variabel
independen
yang
digunakan yaitu inflasi, kurs, dan BI rate, terhadap
57
harga setiap saham yang tergabung dalam Indeks
LQ45 dapat dilihat pada Tabel 4.10.
Tabel 4.10 Variabel yang Mempengaruhi Saham LQ45
Variabel
Uji-t
Inflasi
Kurs
- 0.010*
- 0.000*
- 0.000*
- 0.012*
- 0.000*
- 0.000*
- 0.016*
- 0.000*
- 0.008**
- 0.000*
- 0.000*
- 0.000*
- 0.000*
Sektor
Saham
Model
Garch
Pertanian
AALI
ADRO
INCO
ITMG
PTBA
BBCA
BBNI
BMRI
INDF
(1,0)
(1,2)
(2,1)
(1,1)
(1,1)
(1,2)
(1,2)
(1,2)
(1,2)
UNVR
(2,0)
-
- 0.000**
0.001*
INTP
SMGR
(1,2)
(1,2)
-
- 0.000*
- 0.000*
0.001*
0.001**
JSMR
(1,1)
-
- 0.000*
0.001**
(1,1)
-
- 0.000*
-
(1,1)
-
- 0.000*
0.002*
Pertambangan
Keuangan
Industri
Barang dan
Konsumsi
Industri Dasar
dan Kimia
Infrastruktur,
Utilitas, dan
Transportasi
PGAS
Perdagangan
Jasa dan
UNTR
Investasi
Sumber
: data diolah
Uji F
0.001*
0.001*
Keterangan : * sig. pada nilai kritis 1%, ** sig. pada nilai kritis 5%
Secara umum hasil uji F menunjukkan bahwa
variabel inflasi, kurs USD, dan suku bunga BI
berpengaruh
secara
simultan
dan
signifikan
terhadap beberapa saham LQ45 seperti BMRI, INDF,
INTP, JSMR, SMGR, UNTR dan UNVR. Kemudian
58
hasil uji t menunjukkan variabel inflasi signifikan
terhadap saham AALI, BBNI, INCO, dan PTBA, serta
variabel kurs berpengaruh signifikan dan negatif
terhadap seluruh saham yang tergabung dalam
LQ45, yang berarti peningkatan kurs USD (dalam hal
ini Rupiah mengalami depresiasi) akan menyebabkan
saham-saham
LQ45
melemah.
Hal
ini
memungkinkan adanya pengalihan investasi karena
investor akan lebih memilih menanamkan modalnya
di luar negeri. Variabel BI rate tidak berpengaruh
terhadap semua saham yang tergabung dalam LQ45.
4.5 Pembahasan
Kemampuan Arima dalam meramal pergerakan
harga saham dapat dilihat dari setiap tahapan yang
harus dipenuhi mulai dari penstasioneran data,
identifikasi
model,
estimasi
model,
diagnostic
checking, sampai pada akhirnya didapatkan model
terbaik untuk setiap saham yang akan digunakan
dalam peramalan. Berdasarkan uji ACF dan PACF
semua
data
harga
ketidakstasioneran,
hal
saham
ini
menunjukkan
disebabkan
karena
pergerakan harga saham pada umumnya memiliki
tren dan bergerak secara fluktuatif untuk jangka
waktu tertentu, sehingga penggunaan Arima tepat
59
untuk meramal pergerakan data yang bersifat tren
sebagaimana
pergerakan
harga
saham.
Hasil
identifikasi model menunjukkan bahwa dari 22
sampel saham terdapat 7 saham yang tidak memiliki
lag
yang
disebabkan
pengamatan
signifikan.
karena
Ketidaksignifikan
ternyata
beberapa
selama
saham-saham
lag
ini
periode
tersebut
melakukan stock split yang menyebabkan volatilitas
sahamnya cukup tinggi sehingga tidak terdapat
model Arima yang cocok untuk datanya.
Identifikasi lag yang signifikan ini berdasarkan
model AR(p) yang menggunakan data harga saham
dan MA(q) yang memanfaatkan residual harga saham
dengan lag tertentu, sehingga kombinasi dari lag p
dan q akan semakin memungkinkan terdapat model
yang cocok dengan data yang diolah. Model terbaik
dipilih berdasarkan nilai AIC dan SIC terkecil karena
AIC dan SIC merupakan kriteria yang menyediakan
ukuran
informasi
yang
dapat
menyeimbangkan
ukuran kebaikan model dan efisiensi. Berdasarkan
tahap diagnostic checking ditemukan 8 saham yang
modelnya tidak bersifat white noise, karena di dalam
residual modelnya masih terdapat korelasi, sehingga
model tersebut tidak layak digunakan. Tahapan
terakhir yaitu peramalan, dimana hasil peramalan
60
menunjukkan terdapat 7 saham dari total 22 sampel
saham yang dapat melalui semua tahapan peramalan
menggunakan Arima, dengan rata-rata kesalahan
Arima dibandingkan nilai aktulanya selama 2 Minggu
(10 hari) sebesar 2.71%.
Pemanfaatkan data historis pada Arima didasari
pada asumsi bahwa pelaku pasar bertindak logis
dalam
melakukan
investasi
dengan
tujuan
memperoleh keuntungan dan bersikap menghindari
resiko, sehingga pergerakan harga saham memiliki
keteraturan sehingga tidak terjadi fluktuasi yang
tinggi yang disebabkan oleh abnormal return. Apabila
tidak ada faktor eksternal yang mempengaruhi harga
saham maka harga saham akan berada pada pola
keseimbangan
tertentu
untuk
setiap
saham.
Sebaliknya jika faktor-faktor eksternal dimasukkan
maka akan merubah pola keseimbangan lama dan
akan berada pada pola keseimbangan baru (Mulyono,
2000).
Volatilitas pasar modal di negara berkembang
umumnya lebih tinggi dibandingkan pasar modal di
negara maju (Bekaert dan Harvey, 1997; Wang,
2007), sehingga Arch/Garch tepat digunakan untuk
meramalkan pergerakan saham di Indonesia, karena
ini memanfaatkan heterokedastisitas dari data yang
61
akan digunakan untuk membentuk sebuah model
yang dapat digunakan untuk meramal harga saham
di masa mendatang. Harga saham bukan hanya
dipengaruhi oleh harga saham sebelumnya tetapi
juga oleh faktor eksternal, seperti kurs, inflasi dan BI
rate yang merupakan beberapa indikator yang dapat
mencerminkan kondisi perekonomian suatu negara,
dimana indikator tersebut berkaitan dengan pasar
modal.
Krisis
ekonomi
yang
ditandai
meningkatnya kurs, inflasi, dan BI
dengan
rate
dapat
mengakibatkan harga saham menurun.
Kemampuan
Arch/Garch
dalam
meramal
pergerakan harga saham dapat dilihat dari setiap
tahapan yang harus dipenuhi mulai dari pengujian
Arch-Effect
(heterokedastisitas),
estimasi
model,
diagnostik residual, hingga ke tahapan peramalan.
Berdasarkan hasil pengujian Arch-Effect ditemukan
bahwa terdapat 7 saham yang tidak mengandung
heterokedastisitas. Heterokedastisitas terjadi karena
adanya volatilitas yang tinggi dalam data, sebaliknya
data
yang
tidak
mengandung
heterokedastisitas
berarti datanya memiliki volatilitas yang cukup
stabil,
sehingga
data
yang
tidak
mengandung
heterokedastisitas tidak dapat dimodelkan dengan
Arch/Garch. Saham yang tidak lulus uji Arch-effect
62
yaitu ASII, BBRI, BDMN, KLBF, LPKR, LSIP, dan
TLKM. Saham-saham ini belum tentu memiliki data
yang homokedastik dikarenakan saham ASII, BBRI,
KLBF, LSIP, dan TLKM melakukan stock split, saham
BDMN mengalami kenaikan dan penurunan harga
yang drastis karena adanya isu akuisisi, dan saham
LPKR
yang
mengumumkan
rencana
right issue
menyebabkan volatilitas yang signifikan pada saat
tertentu selama periode pengamatan, sehingga ada
kemungkinan karena perbedaan harga saham yang
berbeda cukup signifikan dengan hari-hari lainnya
menyebabkan
saham
tersebut
tidak
dapat
dimodelkan dengan Arch/Garch.
Estimasi model terbaik dipilih berdasarkan nilai
AIC dan SIC terkecil, kemudian model terbaik
tersebut di uji lagi apakah sudah tidak mengandung
heterokedastisitas
diagnostik
atau
residual.
peramalan,
menunjukkan
dibandingkan
dimana
tingkat
nilai
tidak
Tahapan
hasil
pada
terakhir
yaitu
peramalannya
keakuratannya
aktual
tahapan
sebesar
yang
2.51%.
Kemampuan Arima dan Arch/Garch dalam meramal
pergerakan harga saham juga dibuktikan oleh hasil
penelian yang dilakukan oleh Mulyono (2000), Yani
(2004), Sadeq (2008), dan Marvilia (2013).
63
Perbandingan peramalan dengan Arima dan
Arch/Garch menunjukkan bahwa Arch/Garch lebih
akurat
dibandingkan
disebabkan
karena
Arima.
volatilitas
Hasil
ini
dapat
pasar
modal
di
Indonesia cukup tinggi yang menyebabkan data
harga
saham
mengandung
heterokedastisitas,
sehingga yang tepat digunakan untuk mengatasi
adanya heterokedastisitas yaitu Arch/Garch. Hasil
ini berbeda dengan penelitian yang dilakukan oleh
Nachrowi (2007), Murwaningsari (2008), Grestandhi
(2012), dan Nugroho (2012) yang hasil penelitiannya
menyatakan bahwa Arima lebih akurat dibandingkan
Arch/Garch.
Hal ini dapat disebabkan oleh perbedaan periode
data, variabel yang digunakan, dan jangka waktu
peramalan karena peneliti terdahulu hanya meramal
pergerakan
saham
selama
1
hari
ke
depan
sedangkan dalam penelitian ini selama 2 minggu (10
hari). Keakuratan Arch/Garch juga disebabkan oleh
karena semua saham yang dimodelkan dengan Arima
volatilitasnya masih cukup tinggi atau dengan kata
lain masih mengandung heterokedastisitas yang
menyebabkan keakuratan peramalannya lebih kecil
dibandingkan Arch/Garch, sehingga seperti kata
Engle (2001) yang menyebutkan bahwa ketika suatu
64
data
mengandung
keakuratan
hasil
heterokedastisitas
peramalan
akan
maka
sulit
untuk
dipercaya, dan Arch/Garch merupakan yang tepat
digunakan
untuk
mengatasi
masalah
heterokedastisitas. Hasil penelitian ini juga sesuai
dengan penelitian Sparks dan Yurova (2006), Yaziz et
al. (2009), Fahimifard et al. (2009) dimana dalam
peramalannya
menunjukkan
bahwa
lebih akurat dibandingkan Arima.
Arch/Garch