peramalan saham
-
Upload
amalia-rahmah -
Category
Documents
-
view
33 -
download
0
Transcript of peramalan saham
-
Statistika, Vol. 1, No. 1, Mei 2013
http://jurnal.unimus.ac.id 1
PERAMALAN SAHAM JAKARTA ISLAMIC INDEXMENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Reksa Nila Anityaloka1, Atika Nurani Ambarwati2
1Program Studi S1 Statistika Universitas Muhammadiyah Semarang, Jl. Kedung Mundu Raya no 18 Semarang;2Program Studi S1 Statistika Universitas Muhammadiyah Semarang, Jl. Kedung Mundu Raya no 18 Semarang;
Email: [email protected]
ABSTRAK
Pasar modal merupakan salah satu bentuk kegiatan dari lembaga keuangan non banksebagai sarana untuk memperluas sumber-sumber pembiayaan perusahaan. IndeksSyariah atau Jakarta Islamic Index adalah salah satu Indeks harga saham yangdiperdagangkan di Bursa Efek Indonesia. Tujuan dari penelitian ini adalah untukmengetahui laju perkembangan Jakarta Islamic Index bulan Mei-Juli 2010 dan prediksiJakarta Islamic Index di Bursa Efek Indonesia bulan Agustus 2010. Metode yangdigunakan adalah model peramalan time series dengan teknik Box-Jenkins (tidak adaasumsi khusus tentang data historis runtun waktu, tetapi menggunakan metode iteratifuntuk menentukan model yang terbaik). Variabel dependen adalah nilai Jakarta IslamicIndex bulan Mei-Juli 2010. Variabel independen adalah periode waktu. Model ARIMAterbaik yang diperoleh adalah ARIMA (1,0,0) dimana Jakarta Islamic Index hari inidipengaruhi oleh Jakarta Islamic Index satu hari perdagangan yang lalu. Prediksi nilaiJakarta Islamic Index di Bursa Efek Indonesia selama 10 periode ke depan di bulanAgustus mengalami penurunan. Hal ini disebabkan oleh beberapa faktor, misalnyakondisi Bursa Efek Indonesia yang belum efisien karena komposisi kepemilikan sahamyang masih didominasi oleh investor asing.
Kata Kunci : ARIMA, Jakarta Islamic Index, Box-Jenki
PENDAHULUAN
Pasar modal (capital market)merupakan pasar untuk berbagaiinstrumen keuangan jangka panjangyang bisa diperjualbelikan, baik dalambentuk utang, ekuitas (saham),instrumen derivatif, maupun instrumenlainnya. Pasar modal merupakan saranapendanaan bagi perusahaan maupuninstitusi lain (misalnya pemerintah) dansarana bagi kegiatan berinvestasi.Dengan demikian, pasar modalmemfasilitasi berbagai sarana danprasarana kegiatan jual beli dankegiatan terkait lainnya (Darmaji danFakhruddin, 2006).
Indeks Syariah atau JII (JakartaIslamic Index) adalah salah satu Indeksharga saham yang diperdagangkan diBEI. JII terdiri atas 30 saham, yangmengakomodasi syariah investasi dalamIslam atau indeks yang berdasakansyariah Islam. Dengan kata lain, dalamindeks ini dimasukkan saham-sahamyang memenuhi kriteria investasi dalamsyariah Islam.
Model Box-Jenkins merupakansalah satu teknik model peramalan timeseries yang hanya berdasarkan perilakudata variabel yang diamati (let the dataspeak for themselves). Model Box-Jenkins ini secara teknis dikenal sebagaimodel Autoregressive IntegratedMoving Average (ARIMA). Analisis ini
-
Statistika, Vol. 1, No. 1, Mei 2013
http://jurnal.unimus.ac.id 2
berbeda dengan model struktural baikmodel kausal maupun simultan dimanapersamaan model tersebut menunjukkanhubungan antara variabel-variabelekonomi. Alasan utama penggunaanteknik Box-Jenkins karena gerakanvariabel-variabel ekonomi yang ditelitiseperti IHSG seringkali sulit dijelaskanoleh teori-teori ekonomi (AgusWidarjono, 2005:299).
Model Box-Jenkins terdiri daribeberapa model yaitu :1) Model Autoregressive (AR)2) Model Moving Average (MA)3) Model Campuran Autoregressive-
Moving Average (ARMA)4) Model Autoregressive Integrated
Moving
METODE PENELITIAN
Data yang digunakan dalammakalah ini adalah data sekunder nilaiJakarta Islamic Index (JII) harian diBursa Efek Jakarta (BEJ) periode Meihingga Juli 2010 diperoleh dari JSXMonthly Statistics yang dipublikasikanoleh BEI. Publikasi tersebut diperolehdari pusat referensi pasar modal(PRPM) BEI dan BAPEPAM.
Variabel Penelitiana. Variabel dependen (Y) : nilai JII
pada bulan Mei-Juli 2010.b. Variabel independen (X) : periode
waktu.
Langkah-langkah yang harusdiambil dalam menganalisis datadengan teknik Box-Jenkins adalahsebagai berikut :Langkah 1. Identifikasi ModelPada tahap ini, kita memilih model tepatyang bisa mewakili deret pengamatan.Identifikasi model dilakukan dengan:a. membuat plot data time series
melalui plot data dapat diketahuiapakah data mengandung trend,musiman, outlier, variansi tidak
konstan. Jika data time series tidakstasioner maka data harusdistasionerkan terlebih dahulu. Jikadata tidak stasioner dalam variansdan mean, maka langkah pertamaharus menstabilkan variansinya.
b. Menghitung dan mencocokkansampel ACF dan PACF dari datatime series yang asli.Sampel ACF dan PACF dari datatime series yang asli dapat digunakanuntuk menentukan tingkatdifferencing yang sebaiknyadigunakan.
c. Menghitung dan mencocokkansampel ACF dan PACF dari datatime series yang telahditransformasikan dan didiferencing.
Tabel 1. Pola teoritik ACF dan PACF dariproses yang stasioner
Proses ACF PACF(1) (2) (3)
AR(p) dies down (turuncepat secaraeksponensial/sinusoidal)
cuts off afterlag p (terputussetelah lag p)
MA (q) cuts off after lagq (terputussetelah lag q)
dies down(turun cepatsecaraeksponensial/sinusoidal)
ARMA(p,q)
dies down afterlag (q-p) or (p-q)(turun cepatsecara lag (q-p)atau (p-q)
dies down afterlag (q-p) or (p-q) (turun cepatsecara lag (q-p)atau (p-q)
Sumber : Sony Sunaryo, modul time series2010
Langkah 2. Estimasi ParameterPada tahap ini, kita memilih taksiranmodel yang baik dengan melakukan ujihipotesis untuk parameter.Hipotesis :
0H : parameter tidak signifikan
1H : parameter signifikanLevel toleransi () = 5% = 0,05
Kriteria uji :Tolak 0H jika p-value < .
-
Statistika, Vol. 1, No. 1, Mei 2013
http://jurnal.unimus.ac.id 3
Langkah 3. Uji DiagnosisSetelah mendapatkan estimatorARIMA, langkah selanjutnya adalahmemilih model yang mampumenjelaskan data dengan baik. Caranyaadalah dengan melihat apakah residualbersifat random sehingga merupakanresidual yang relatif kecil. Jika tidak,maka harus kembali ke langkah pertamauntuk memilih model yang lain.
Langkah 4. PrediksiSetelah didapatkan model yang sesuai,maka langkah selanjutnya adalahmenggunakan model tersebut untukprediksi.
HASIL DAN PEMBAHASAN
60544842363024181261
500
480
460
440
420
400
Index
JII
JII TIME SERIES PLOTMei-Juli 2010
Gambar 1. Plot JII Time Series Plot bulan Mei-Juli 2010
Berdasarkan plot aktual data JIIharian periode Mei-Juli 2010 terlihatbahwa nilai JII cenderung meningkatdari waktu ke waktu. Nilai tertinggi adapada periode ke-62 yaitu sebesar486,8850 poin. Sedangkan nilai JIIterendah pada periode ke-16 sebesar391,7260.
Langkah pertama pada tahapidentifikasi model adalah menentukanapakah data deret berkala yangdigunakan bersifat stasioner atau tidak.Data dikatakan stasioner apabila datatersebut mempunyai rata-rata danvarians yang konstan sepanjang waktuserta tidak mengalami kenaikan danpenurunan. Berdasarkan gambar output
autokorelasi dan autokorelasi parsial,dapat dikatakan bahwa data JII bulanMei-Juli 2010 sudah sasioner.
16151413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Autocorrelation
MEI-JULI 2010
Gambar 2. Plot Autokorelasi JII bulan Mei-Juli2010
16151413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
PartialA
utocorrelation
MEI-JULI 2010
Gambar 3. Plot Autokorelasi Parsial JII bulanMei-Juli 2010
Grafik Autokorelasi padaGambar 2 menunjukkan bahwa nilai-nilai autokorelasi membentuk pola yangturun secara eksponensial pada nilaiautokorelasi positif. Sedangkan grafikAutokorelasi Parsial pada gambar 3menunjukkan bahwa pada lag 1 nilainyakeluar dari selang kepercayaan dansetelah lag 1, nilainya turun. Dengandemikian disimpulkan bahwa orde p=1dan q=0 atau ARIMA (1,0,0).
Tabel 2. Output Model ARIMA
Type Coef SE Coef T PAR 1 0.9203 0.0569 16.17 0.000Constant 36.795 1.123 32.76 0.000Mean 461.70 14.09
-
Statistika, Vol. 1, No. 1, Mei 2013
http://jurnal.unimus.ac.id 4
Estimasi model umumARIMA(1,0,0) dan parameter yangditaksir adalah sebagai berikut :Model umum := + + + ++Parameter taksirannya adalah . Darihasil output MINITAB 15 diperoleh :
= 0,9203 AR(1)Dari output di atas, nilai parameterAR(1) model ARIMA(1,0,0) berada dibawah level toleransi (=0,05).Sehingga 0H ditolak maka parameterAR(1) adalah signifikan.
Uji Diagnosisoutput di atas parameter AR(1)
signifikan. Untuk melihat kelayakanmodel buat plot ACF dan PACFresidual model ARIMA(1,0,0) tersebutdengan cara membuat plot ACF danPACF untuk residualnya.
16151413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Autocorrelation
ACF of Residuals for JII(with 5% significance limits for the autocorrelations)
Gambar 4. Plot ACF dan PACF residual modelARIMA(1,0,0)
16151413121110987654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
PartialA
utocorrelation
MEI-JULI 2010
Gambar 5. Plot Autokorelasi Parsial JII bulanMei-Juli 2010
Plot ACF dan PACF tidak ada yangkeluar batas garis merah, yang berartiresidual dari model ARIMA(1,0,0)independent.Uji kenormalan residual yangdihasilkan, adalah
3020100-10-20-30
99.9
99
9590
80706050403020
10
5
1
0.1
RESI1
Percen
t
Mean -0.3681StDev 8.341N 63KS 0.151P-Value
-
Statistika, Vol. 1, No. 1, Mei 2013
http://jurnal.unimus.ac.id 5
Table 3. Peramalan JII bulan Agustus
1. Kesimpulan2. Daftar Pustaka
Tabel diatas memberikan hasilperamalan nilai JII pada bulan Agustussebanyak 10 periode prediksi.
KESIMPULAN
Berdasarkan analisis danpembahasan, model ARIMA yangdiperoleh adalah ARIMA(1,0,0) dimanaJII hari ini dipengaruhi oleh JII satu hariperdagangan yang lalu. Prediksi nilai JIIdi Bursa Efek Indonesia selama 10periode ke depan di bulan Agustusmengalami penurunan. Hal inidisebabkan oleh beberapa faktor,misalnya kondisi Bursa Efek Indonesiayang belum efisien karena komposisikepemilikan saham yang masihdidominasi oleh investor asing.
DAFTAR PUSTAKA
Darmadji, T., dan Fakhruddin, H.M.2006. Pasar Modal di Indonesia:Pendekatan Tanya Jawab. Jakarta:Salemba Empat.
JSX Monthly Statistic. 2010.http://www.google.com. (31 Juli2010)
Iriawan, Nur, dan Puji A, Septin, 2006,Mengolah Data Statistik denganMudah Menggunakan MINITAB 14,CV Andi Offset, Yogyakarta.
Makridakis, Spyros, dkk, 1999, Metodedan Aplikasi Peramalan, Jilid I(Edisi Kedua), Terjemahan Ir. HariSuminto, Bina Rupa Aksara,Jakarta.
Sunaryo Sony, 2010, Modul Timeseries, Surabaya.
95% LimitsPeriod Forecast Lower Upper Actual
64 481.599 465.098 498.10065 480.013 457.587 502.43866 478.553 452.129 504.97767 477.210 447.822 506.59868 475.974 444.291 507.65669 474.836 441.333 508.33970 473.789 438.818 508.76071 472.825 436.658 508.99372 471.939 434.788 509.08973 471.123 433.159 509.086