BAB I PENDAHULUAN 1.1
Latar Belakang Penelitian di bidang metode peramalan terhadap data runtun waktu keuangan (financial time series forecasting) selalu menjadi bahasan yang menarik. Hal ini disebabkan oleh sifat dari data runtun waktu keuangan yang tidak memiliki pola tetap sehingga membuat aktivitas peramalan data di masa mendatang tidak semudah meramalkan data runtun waktu lainnya seperti data produksi, konsumsi, distribusi atau hal-hal lainnya yang berkaitan dengan variabel waktu. Seperti yang diungkapkan oleh Cao & Tay (2001) bahwa ada tiga karakteristik yang selalu melekat pada data runtun waktu keuangan, yaitu noisy, non-stasioner dan ketidak-beraturan secara deterministik. Sifat noisy ini menyebabkan ketidak-tersediaannya informasi yang utuh dari pola data historis yang ada. Sehingga akan menemui kesulitan dalam menemukan hubungan antara pergerakan data masa lalu terhadap nilai data di masa mendatang. Karakteristik kedua yaitu ketidak-stasioneran data yang mengakibatkan distribusi dari data berubahubah sepanjang waktu. Sedangkan karakteristik yang terakhir adalah ketidak-beraturan pola secara deterministik, menandakan adanya kondisi acak dalam jangka pendek (short-term random) akan tetapi bersifat deterministik dalam jangka panjang (long-term deterministic). Obyek yang begitu favorit digunakan dalam penelitian di bidang peramalan data runtun waktu keuangan adalah data saham. Data saham memiliki tingkat volatilitas yang tinggi atau sering disebut dengan istilah time-varying variance. Selain itu, distribusi probabilitas yang bersifat fat tails yaitu memiliki kecenderungan lebih besar terjadinya keadaan ekstrim dibandingkan dengan yang dapat dimodelkan oleh distribusi Gaussian. Dua sifat data ini menyebabkan para peneliti selalu tertantang untuk mengembangkan metode peramalan yang lebih baik, yang mampu menangani kondisi volatilitas dan kecenderungan kondisi ekstrim dalam data.
1
2
Saham secara definisi diartikan sebagai bukti kepemilikan yang dikeluarkan suatu badan usaha misalnya oleh perusahaan. Dalam hal ini saham yang memungkinkan untuk dilakukan analisis adalah saham yang diperjual-belikan di pasar modal melalui Bursa Efek Indonesia (BEI) atau Indonesia Stock Exchange (IDX), dikarenakan ketersediaan data harga saham perusahaan-perusahaan yang berstatus terbuka. Sementara sahamsaham yang tidak listing di pasar modal tidak memungkinkan dilakukan analisis karena data yang tidak tersedia. Karena begitu banyaknya data saham yang tersedia dalam BEI terkadang penelitian metode peramalan data runtun waktu keuangan hanya difokuskan kepada pergerakan indeksindeks yang mampu menggambarkan kondisi pergerakan saham secara umum. Ada banyak macam indeks saham dalam BEI, namun yang paling sering digunakan untuk keperluan pengamatan adalah Indeks Harga Saham Gabungan (IHSG). Pergerakan harga saham setiap waktunya selalu berubah-ubah tidak menentu. Bahkan terkadang begitu sulit untuk menemukan pola yang menggambarkan secara keseluruhan. Pergerakan harga saham tidak hanya dipengaruhi oleh faktor internal perusahaan, tetapi juga dipengaruhi oleh faktor eksternal perusahaan seperti tingkat suku bunga (interest rate), kondisi ekonomi, nilai tukar, harga minyak dunia, bahkan bisa juga dipengaruhi oleh faktor non-ekonomi seperti kondisi sosial-politik nasional. Termasuk di dalamnya pengaruh penyelenggaraan pesta demokrasi seperti Pemilu di Indonesia. Kesimpulan dari penelitian Asmita (2005) mengatakan bahwa pasar modal Indonesia memberikan reaksi terhadap peristiwa Pemilihan Umum 2004, karena pasar mengganggap peristiwa politik tersebut penting dan dapat mempengaruhi secara langsung stabilitas dan citra Indonesia di mata dunia. Sudrajat (2010) menambahkan melalui penelitian yang dilakukan terhadap harga saham dan volume perdagangan saham pada kelompok perusahaan di Daftar Efek Syariah (DES) bahwa peristiwa Pemilihan Legislatif 9 April 2009 memiliki kandungan informasi dibuktikan dengan adanya reaksi pasar melalui parameter abnormal return dan abnormal trading volume activity.
3
Begitu pula yang terjadi pada peristiwa Pemilihan Presiden 8 Juli 2009, telah dibuktikan adanya kandungan informasi yang diperoleh investor selama periode peristiwa, ditunjukkan dengan adanya reaksi pasar melalui parameter abnormal return dan abnormal trading volume activity. Hal serupa seharusnya juga terjadi pada periode Pemilihan Umum (Pemilu) tahun 2014, mulai dari Pemilihan Legislatif 9 April 2014, Pemilihan Presiden 9 Juli 2014 hingga kisruh penyelesaian sengketa suara antar kandidat pasangan calon presiden dan wakil presiden oleh Mahkamah Konstitusi. Penelitian ini akan dimulai dengan mengevaluasi manakah diantara sederet peristiwa penting selama Pemilu 2014 yang signifikan berpengaruh terhadap pergerakan harga saham terutama pergerakan IHSG menggunakan metode statistika; event study. Metode ini merupakan salah satu alat statistik untuk menganalisa apakah ada reaksi signifikan dalam pasar saham terhadap kejadian yang dihipotesakan dapat mempengaruhi harga saham seperti peristiwa Pemilu. Pergerakan IHSG selama peristiwa-peristiwa tersebut tentunya memiliki tingkat fluktuasi yang signifikan sehingga membutuhkan pendekatan model peramalan yang baik. Penulis mengajukan model Support Vector Regression (SVR) yang merupakan pengembangan dari model Support Vector Machine (SVM) oleh Vladimir N. Vapnik pada tahun 1995. SVR dengan memanfaatkan kemampuan kernel mencoba untuk menangani kasus peramalan terhadap data IHSG selama masa Pemilu 2014. Kontribusi kernel terhadap model SVR membantu model ini dalam menangani kasus data yang tidak linear seperti pada data IHSG. Ada banyak macam kernel yang bisa digunakan untuk meningkatkan kemampuan model SVR dalam menangani kasus regresi non-linear, namun di dalam penelitian ini hanya akan dilakukan pembandingan terhadap empat kernel antara lain; kernel Gaussian, kernel Laplacian, kernel ANOVA dan kernel Bessel. Dengan masing-masing kernel dicari parameter sigma ( ) terbaik (parameter tuning) yang menghasilkan nilai kesalahan prediksi yang paling kecil. Model SVR dengan kernel tunggal
4
diharapkan mampu memberikan hasil peramalan yang terbaik terhadap data IHSG saat peristiwa-peristiwa penting selama Pemilu 2014.
1.2
Batasan Masalah Pemodelan data runtun waktu keuangan menggunakan model Support Vector Regression (SVR) sudah banyak dilakukan oleh para peneliti, dan kesemuanya telah menunjukkan performa SVR yang membanggakan dibandingkan dengan model lainnya. Pada penelitian kali ini akan dilakukan terhadap data IHSG sejak awal tahun 2014 dengan obyek penelitian pergerakan IHSG pada saat terjadinya enam peristiwa penting selama penyelenggaraan Pemilihan Umum 2014, diantaranya Pemilihan Legislatif (Pileg) pada 9 April 2014, pembukaan kampanye damai calon presiden dan wakil presiden pada 3 Juni 2014, Pemilihan Presiden dan Wakil Presiden (Pilpres) pada 9 Juli 2014, pengumuman hasil Pilpres oleh Komisi Pemilihan Umum (KPU) pada 22 Juli 2014, sidang gugatan hasil Pemilihan Presiden dan Wakil Presiden oleh Mahkamah Konstitusi (MK) yang selesai pada tanggal 22 Agustus 2014 dan terakhir adalah sidang pemilihan ketua Dewan Perwakilan Rakyat (DPR) pada tanggal 1 Oktober 2014. Dari keenam peristiwa yang dihipotesakan berpengaruh terhadap harga saham, terlebih dahulu dilakukan analisis menggunakan metode event study untuk menyeleksi peristiwa manakah yang benar-benar signifikan berpengaruh. Barulah pergerakan IHSG selama peristiwaperistiwa yang terseleksi akan diselesaikan menggunakan model SVR dengan melibatkan peranan empat jenis kernel berbeda yaitu Gaussian, Laplacian, ANOVA dan Bessel dengan sembilan variasi nilai parameter sigma (
) serta dilakukan uji pengaruh jumlah data latih dalam
membangun model SVR. Sebagai tambahan akan dilakukan pula penelitian dengan menggunakan pendekatan model Autoregressive Integrated Moving Average (ARIMA).
5
1.3
Tujuan Penelitian Penelitian ini memiliki tujuan diantaranya sebagai berikut : 1.
Mempelajari dan menerapkan model Support Vector Regression (SVR) pada kasus peramalan data runtun waktu keuangan yaitu Indek Harga Saham Gabungan (IHSG) selama Pemilihan Umum 2014.
2.
Mengetahui
pengaruh
peristiwa-peristiwa
penting
selama
Pemilihan Umum 2014 terhadap pergerakan harga saham dengan metode event study. 3.
Menerapkan metode kernel pada model SVR dan mencari nilai parameter sigma yang paling baik.
4.
Membandingkan
performa
antara
kernel
Gaussian,
kernel
Laplacian, kernel ANOVA dan kernel Bessel pada model SVR. 5.
Membandingkan pengaruh jumlah data training dalam membangun model SVR.
6.
Mempelajari
perbandingan
model
ARIMA
terbaik
dalam
menangani kasus peramalan data IHSG selama masa Pemilihan Umum 2014 serta membandingkannya dengan model SVR terbaik.
1.4
Manfaat Penulisan Penulisan skripsi ini diharapkan mampu memberikan banyak manfaat diantaranya : 1.
Memberikan ulasan dan prosedur dalam menerapkan model SVR terhadap data saham.
2.
Menjadi bahan referensi tambahan kepada peneliti selanjutnya dalam mengembangkan model peramalan data runtun waktu keuangan.
3.
Memberikan ilmu dan pengetahuan baru akan aplikasi model SVR terhadap data IHSG selama proses Pemilihan Umum 2014.
6
1.5
Metode Penelitian 1.
Metode Pengumpulan Data Penelitian menggunakan data sekunder yang diambil dari laman Yahoo Finance dengan mengambil nilai harga penutupan (closing price) dari data Indeks Harga Saham Gabungan (IHSG) dan 25 saham perusahaan-perusahan dengan nilai kapitalisasi teratas diantara semua saham yang listing di Bursa Efek Indonesia per tanggal 17 Juni 2014. Data yang diambil yaitu data selama rentang waktu sejak tanggal 3 Januari 2011 hingga 24 Oktober 2014.
2.
Analisis Data Terlebih dahulu dilakukan analisa event study terhadap enam peristiwa penting yang terjadi selama Pemilihan Umum 2014. Selanjutnya analisis data menggunakan model Support Vector Regression dengan kernel tunggal. Proses analisis data pada penelitian ini menggunakan perangkat lunak khusus analisis statistika antara lain; R i386 3.0.3, SPSS 21, Minitab 14 dan MS. Excel 2010.
1.6
Tinjauan Pustaka Pembahasan model Support Vector Regression sudah sangat jelas diterangkan di dalam jurnal “Support Vector Regression Machines” oleh Drucker dkk. (1997) dan jurnal “Support Vector Machine for Classification and Regression” karya Gunn (1998) serta jurnal karya Smola & Scholkopf (1998) yang berjudul “A Tutorial on Support Vector Regression” yang mengulas secara mendalam terkait metode SVR. Untuk masalah pengoperasian model SVR, Platt (1998) memperkenalkan metode Sequential Minimal Optimization (SMO) untuk menjalankan model SVM dengan sangat efisien, termasuk juga di dalamnya kasus regresi data melalui karyanya yang berjudul “Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines”
7
Lantas beramai-ramai penelitian dilakukan dengan memanfaatkan kemampuan SVR dalam memprediksi data runtun waktu keuangan. Cao & Tay (2001) melakukan penelitian dengan membandingkan dua model yaitu SVM dan Multi-layer Perceptron yang dijalankan dengan algoritma Back Propagation (BP). Kesimpulan yang dihasilkan adalah SVM untuk kasus regresi bekerja lebih baik dalam melakukan peramalan data runtun waktu keuangan dibandingkan dengan algoritma BP. Selanjutnya Yang dkk. (2002) melakukan penelitian model SVR yang diaplikasikan terhadap pergerakan data saham. Pembandingan model SVR terhadap dua model lainnya yaitu BP neural networks (BP) dan case-based reasoning (CBS) juga telah dilakukan oleh Kim (2003) yang menunjukkan hasil bahwa SVR merupakan model yang paling unggul di antara kedua model lainnya. Terbaru, penelitian yang dilakukan oleh Yeh dkk. (2011) sudah mampu mengembangkan model multiple kernel untuk SVR yang ternyata menghasilkan kinerja yang lebih baik bahkan dibandingkan dengan model SVR kernel tunggal dan model ARIMA. Serta masih banyak lagi paper penelitian lainnya yang mengulas model SVR beserta pengembangannya.
1.7
Sistematika Penulisan Adapun sistematika penulisan dalam skripsi ini adalah sebagai berikut; BAB I
PENDAHULUAN Bab ini menjelaskan latar belakang masalah, batasan masalah, tujuan penelitian, manfaat penulisan, metode penelitian, tinjauan pustaka dan sistematika penulisan skripsi.
BAB II
LANDASAN TEORI Bab ini diawali dengan penjelasan terkait data runtun waktu keuangan dan metode analisisnya secara umum. Selanjutnya diterangkan perihal dasar teori yang mendukung pembahasan model Support Vector Regression (SVR).
8
BAB III
SUPPORT
VECTOR
MENGANALISA
REGRESSION
PERGERAKAN
(SVR)
UNTUK
INDEKS
HARGA
SAHAM GABUNGAN (IHSG) Bab ini menjelaskan model SVR dan metode kernel yang akan digunakan untuk menganalisa pergerakan Indeks Harga Saham Gabungan (IHSG). BAB IV
STUDI KASUS Bab ini memuat deskripsi kasus yang akan ditangani oleh model SVR dan model ARIMA. Serta dipaparkan pula hasil dari analisis event study terhadap peristiwa penting selama Pemilu 2014 dan percobaan-percobaan menjalankan model SVR terhadap data IHSG selama peristiwa-peristiwa tersebut dengan menggunakan variasi parameter sigma dan bantuan berbagai jenis kernel.
BAB V
PENUTUP Bab ini berisi kesimpulan dari hasil pembahasan pada bab sebelumnya dan saran terkait kekurangan dari proses dan hasil penelitian serta peluang penelitian selanjutnya.
