Muhammad Adam Bachtiar Ferdinand D. Saragih Ilmu Administrasi Niaga, Fakultas Ilmu Sosial dan Ilmu Politik

ANALISIS PERBANDINGAN FORECASTING HARGA SAHAM DENGAN PENDEKATAN ARTIFICIAL NEURAL NETWORK DAN METODE BOX-JENKIS ARIMA (STUDI DALAM FORECASTING HARGA SAHAM LQ45 YANG TERDAFTAR DI BURSA EFEK INDONESIA PERIODE 2008 – 2012) Muhammad Adam Bachtiar Ferdinand D. Saragih Ilmu Administrasi Niaga, Fakultas Ilmu Sosial dan Ilmu Politik Memprediksi Pergerakan Harga Saham selalu menjadi isu yang menarik dan memiliki implikasi yang signifikan dalam membuat keputusan investasi, khususnya di Bursa Efek Indonesia sebagai pasar yang menggeliat. Penelitian membahas prediksi pergerakan harga saham dengan menggunakan Artificial Neural Network (ANN) atau jaringan syaraf tiruan dan Box-Jenkins Autoregressive Integrated Moving Average (ARIMA) di Bursa Efek Indonesia. Penelitian ini menggunakan pendekatan kuantitatif dan tergolong dalam studi eksplanatif. Rentang waktu yang digunakan ialah dari Januari 2008 hingga Desember 2012. Penelitian ini berusaha menganalisis signifikansi dari metode ANN dalam peramalan harga saham LQ45 di Indonesia. Diharapkan hasil dari penelitian ini dapat membantu para investor dan pihak lain yang berkepentingan dalam memilih metode peramalan yang terbaik dan juga keputusan bisnis terbaik. Terdapat empat faktor yang dipilih sebagai variabel independen, yaitu Indeks Harga Saham Gabungan (IHSG), volume perdagangan harian tiap saham, kurs Rupiah terhadap Dollar Amerika dan harga minyak dunia. Penelitian ini menemukan bahwa metode ANN lebih signifikan dibandingkan dengan metode ARIMA dalam peramalan harga saham LQ45 di Indonesia. Kata Kunci:

peramalan, ARIMA, ANN, Indeks LQ45, harga saham, deret waktu

Predicting stock price movement is always considered as an interesting issues and has significant impacts in creating investment decision, particularly in the Indonesian Stock Exchange as an emerging market. This research discusses the prediction of stock price movements using Artificial Neural Networks (ANN) method and Box Jenkins Autoregressive Integrated Moving Average (ARIMA) in Indonesian Stock Exchange. This research is quantitative and explanation in nature. The time scope of this research was from January 2008 up to December 2012. This research intends to analyze the significant of ANN method in forecasting Indonesian LQ45 Stock prices. It is expected that the results of this research might assist the investors and other interested parties in selecting best forecasting methods and also best investment decision. There are four factors selected as independent variables, such as: Indonesian Composite Index, trading volume of each stocks, local currency exchange rate to USD and oil spot price. The research reveals that ANN is statistically more significant compared with Box-Jenkins ARIMA method in forecasting Indonesian LQ45 Stock Prices. Keyword:

ANN; Box-Jenkins ARIMA; forecasting; LQ45 Index; stock prices

1. Pendahuluan Pasar modal (capital market) merupakan pasar untuk berbagai instrumen keuangan jangka panjang yang bisa diperjualbelikan, baik surat utang (obligasi), ekuiti (saham), reksa 1 Analisis Perbandingan ..., Muhammad Adam Bachtiar, FISIP UI, 2013

2

dana, instrumen derivatif maupun instrumen lainnya. Indonesia selama 5 (lima) tahun, yakni dari tahun 2005 sampai dengan 2009 yang mengalami tren pertumbuhan yang meningkat, kecuali penurunan yang tajam pada tahun 2008 sebagai akibat dari krisis global di paruh kedua tahun 2008 (BAPEPAM-LK, 2010). Secara keseluruhan, tren positif dilalui oleh pasar modal Indonesia. Hal ini menunjukkan bahwa iklim investasi pasar modal dan minat investor untuk menanam modalnya di Indonesia mengalami pertumbuhan yang sangat baik.

Sumber : IDX FACT BOOK tahun 2011 diterbitkan oleh BAPEPAM-LK, Bursa Efek Indonesia, KPEI, dan KSEI tahun 2011. www.idx.co.id diunduh pada 17 April 2012 pukul 17.15 WIB

Dari grafik terlihat perkembangan pasar modal yang cukup fluktuatif. Penurunan yang signifikan hanya terjadi pada tahun 1998 ketika krisis ekonomi dan pada awal tahun 2008 ketika terjadi krisis keuangan global. Secara keseluruhan, tren positif dilalui oleh pasar modal Indonesia. Hal ini menunjukkan bahwa iklim investasi pasar modal dan minat investor untuk menanam modalnya di Indonesia mengalami pertumbuhan yang sangat baik. Seperti yang digambarkan oleh Rode et al., (1995) dalam An Evolutionary Approach to Technical Trading and Capital Market Efficiency, sampai saat ini belum ada satu pun indikator yang dijadikan pedoman investasi secara pasti, karena sejauh ini belum ada indikator investasi yang benar – benar sempurna. hal ini membuat para analis dan periset keuangan selalu mencari – cari indikator terbaru dan terbaik dalam berinvestasi (Sadeq, 2008, p.2).

Universitas Indonesia Analisis Perbandingan ..., Muhammad Adam Bachtiar, FISIP UI, 2013

3

Untuk pasar saham yang sedang berkembang (emerging market) dan bergejolak (volatile) seperti pasar saham di Indonesia seperti yang digambarkan di atas, investor tentunya dihadapkan pada prospek return yang menarik serta resiko yang ada. Investor dapat menggunakan beberapa metode peramalan yang sesuai dengan kondisi pasar. Metode – metode peramalan konvensional bergantung pada data historis untuk membangun sebuah model dan menggunakannya untuk memproyeksikan variabel yang berpengaruh di masa yang akan datang (Hanke dan Wichern, 2009). Nilai proyeksi ini menjadi nilai peramalan yang nantinya digunakan untuk membuat keputusan dalam hal bisnis dan keuangan. Pada model ini diasumsikan bahwa masa depan akan kemungkinan besar sama seperti masa lalu, padahal hal itu belum tentu benar. Berdasarkan rumusan masalah tersebut, penelitian ini ingin mengkaji lebih jauh metode alternatif dalam melakukan prediksi dan pemodelan harga saham, yakni menggunakan pendekatan Artificial Neural Network. Penelitian ini bertujuan untuk menganalisis apakah metode Artificial Neural Network lebih signifikan dibandingkan dengan metode Box-Jenkins ARIMA dalam meramalkan harga saham LQ45 di Bursa Efek Indonesia 2. Tinjauan Teoritis 2.1 Penelitian Terdahulu Penelitian pertama ialah yang dilakukan Kaastra dan Boyd (1995) yang menyajikan aplikasi jaringan syaraf tiruan dalam peramalan data runtut waktu (time series). Tujuan dari penelitian ini adalah merancang jaringan syaraf tiruan untuk meramal nilai futures Trading volume secara bulanan untuk WCE (Wheat Commodity Exchange) dan membandingkan hasil peramalannya dengan metode ARIMA (Autoregressive Integrated Moving Average). Komoditas yang diuji termasuk Barley, Flax, Canola, Oats, Rye dan Wheat. Keakuratan penelitian dari jaringan syaraf tiruan ini dievaluasi dengan RMSE (Root Mean Square Error), MAPE (Mean Absolute Percentage Error) dan digunakan pula U Theil Statistics. Penelitian ini dibagi menjadi empat bagian utama. Bagian pertama secara singkat menjelaskan struktur dari metode Backpropagation Network yang digunakan dalam penelitian ini. Lalu diikuti dengan diskusi dan evaluasi peramalan dan data. Bagian ketiga menjelaskan tentang model peramalan mural networks yang lebih mendetail, yang dibagi menjadi empat bagian: seleksi variabel, data preprocessing, neural networks topology dan prosedur training dan peramalan. Bagian terakhir terdiri dari evaluasi dan perbandingan dari neural networks dan ARIMA diikuti dengan kesimpulan.


4

Selanjutnya, ialah penelitian yang dilakukan oleh Purnama (2010) tentang forecasting harga saham LQ45 di Bursa Efek Indonesia yang juga menggunakan ANN dan Multivariat ARIMA. Penelitian ini menggunakan nilai KLSE (Kuala Lumpur Stock Exchange). STI (Straight Time Index), DJI (Dow Jones Index) sebagai input dan variabel independen dalam pemodelan ANN dan ARIMA.Hasil dari penelitian ini menunjukkan bahwa ANN lebih akurat dan mampu menggambarkan pergerakan harga saham di Bursa Efek Indonesia. Penelitian ketiga ialah yang dilakukan oleh Guresen, et al. (2011) yang menguji efektifitas dari model neural network yang dikenal dinamis dan efektif dalam memprediksi bursa saham. Tujuan dari penelitian yang keempat ini ialah membandingkan kinerja model – model yang digeneralisasi oleh metode ANN (Artificial Neural Network) dalam memprediksi data deret waktu/time series yang digunakan dalam penilaian pasar, yaitu metode ARCH (Engle, 1982), GARCH (Bollerslev, 1982), Exponential GARCH (Nelson, 1991) serta Dynamic Architecture for ANN (DAN2). Model – model yang dihasilkan akan dibandingkan dengan menggunakan MSE (Mean Squared Error) dan MAD (Mean Absolute Deviation). Penelitian keempat ini menggunakan data NASDAQ dari 7 Oktober 2008 sampai dengan 26 Juni 2009. Sebanyak 146 haru pertama perdagangan digunakan untuk proses training data dan 36 data terakhir untuk proses testing data. Penelitian ini menggunakan Neurosolution® 5.06 untuk membantuk pemodelan GARCH-MLP. Sementara untuk pemodelan DAN2 dan GARCH DAN2 cukup digunakan Microsoft Excel®. 2.2 Kerangka teori 2.2.1 Forecasting Forecasting atau peramalan adalah proses untuk membuat pernyataan atas suatu kejadian dimana kejadian tersebut belum diketahui atau diobservasi. Hal yang biasanya dilakukan dalam forecasting adalah mengestimasi expected value suatu variabel yang akan diteliti di masa mendatang (Makridakis, 1991). Kemampuan forecasting banyak dipakai di bidang pemasaran, produksi, inventory control, dan banyak aktivitas bisnis lainnya. Dalam bidang ekonomi dan pasar modal, forecasting yang akurat sangat penting bagi para investor dalam melakukan pengambilan keputusan. Forecasting atau peramalan adalah memahami variabel – variabel untuk meramal variabel lainnya (Mc Nellis, 2005). Harnett dan Horell (1998) juga menyatakan bahwa peramalan melibatkan hubungan antara dua atau lebih variabel untuk memprediksi atau menaksir nilai di masa depan dari variabel – variabel ini. Memahami dalam konteks bisnis


5

dan keuangan berarti memahami signifikansi dari nilai statistik dari hubungan ini dan mempelajari variabel mana yang paling berpengaruh secara signifikan dalam memprediksi pergerakan pasar (Guresen, 2011). 2.2.2

Analisis Teknikal

Menurut Husnan (1998), untuk mengestimasi atau memprediksi harga saham melalui analisis teknikal harus berlandaskan kepada tiga hal fundamental, yaitu: (1) harga saham mencerminkan informasi yang relevan, (2) informasi ditunjukkan oleh perubahan harga di waktu yang lalu dan (3) perubahan harga saham akan mempunyai pola tertentu yang bersifat repetitif. 2.2.3

Indeks LQ45

Indeks harga saham merupakan ukuran untuk mengetahui perubahan harga kumpulan saham tertentu berdasarkan tahun dasarnya (Sianturi, 1999). Indeks saham sering dipakai oleh investor untuk mengamati perubahan yang terjadi pada suatu kumpulan perusahaan. Pada dasarnya, indeks harga saham adalah pengukuran statistik yang dilakukan untuk menunjukkan peruhahan-perubahan harga-harga saham pada suatu waktu tertentu yang relatif terhadap suatu tanggal dasar tertentu. 2.2.4

Artificial Neural Networks (ANN)

Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan (JST) lahir dari usaha memodelkan otak manusia karena dianggap sebagai sistem yang paling sempurna (Wahyuningsih Zainuri dan Zuhroh, 2008). Berbagai usaha untuk memodelkan otak manusia telah dilakukan dan memunculkan tiga golongan model (Wahyuningsih Zainuri dan Zuhroh, 2008), yaitu: •

Golongan pertama meniru pola manusia dalam mengambil keputusan. Seperangkat diinputkan dalam otak mesin atau komputer, sehingga komputer dapat mengambil keputusan yang sesuai dengan input (pengetahuan). Golongan ini disebut dengan expert system.

•

Golongan ini menirukan cara kerja manusia yang tidak pernah dilakukan dalam variabel tegas (crisp). Semua variabel yang diolah dalam otak manusia bersifat samar (fuzzy). Dengan menggabungkan variabel samar dan expert System, maka lahirlah fuzzy logic.

•

Ketiga, golongan berikutnya lahir dari usaha memodelkan sel syaraf. Inilah yang disebut dengan ANN (Arificial Neural Network)


6

3. Metode Penelitian 3.1 Jenis Penelitian Penelitian ini menggunakan pendekatan positivist atau kuantitatif dalam penelitian ini. Dari sisi tujuan penelitian ini tergolong ke dalam eksplanatif, di mana suatu tujuan penelitian eksplanasi ialah memberikan landasan yang jelas dalam fenomena dalam bentuk hubungan sebab akibat (Babbie, 2013). Berdasarkan manfaatnya, penelitian ini untuk menciptakan dan memperluas wawasan, sehingga disebut dengan penelitian murni. Berdasarkan waktunya penelitian ini termasuk ke dalam cross-sectional, karena dilakukan pada satu rentang periode waktu saja, yaitu 2008 sampai dengan 2012. Berdasarkan teknik pengumpulan data, penelitian ini termasuk ke dalam teknik kuantitatif (existing statistics) yang akan menggunakan data sekunder. Data sekunder yang digunakan antara lain: data historis harian saham LQ45 dan volume perdagangan masing – masing saham yang didapatkan dari komputer Thomson Reuters®. Lalu, digunakan pula, data kurs harian rupiah terhadap dollar, nilai penutupan harian IHSG dan harga minyak dunia yang didapatkan dari komputer Bloomberg®. Penelitian ini akan membandingkan model Artificial Neural Network dan Box-Jenkins ARIMA, di mana nanti akan diperbandingkan hasil peramalannya menggunakan rasio error untuk melihat signfikansi dari kedua model tersebut. 3.2 Identifikasi Variabel 3.2.1 Identifikasi Variabel pada Metode ANN Penulis menggunakan harga minyak sebagai variabel independen berlandaskan pada penelitian yang dilakukan oleh Prasetiono (2010) yang menunjukkan bahwa harga minyak memiliki pengaruh yang signifikan positif terhadap saham kategori LQ45. Penulis juga menggunakan kurs sebagai variabel independen berlandaskan pada hasil penelitian Prasetiono (2010) yang menunjukkan pengaruh signifikan yang negatif terhadap saham kategori LQ45 Lalu, penulis menggunakan IHSG sebagai input pada metode ANN. Secara empiris, pergerakan indeks LQ45 cenderung selalu searah dengan IHSG. Jika nilai indeks LQ45 mengalami kenaikan, maka begitu pula halnya dengan IHSG. Selanjutnya, landasan penulis mengambil volume perdagangan ialah pada hasil penelitian yang dilakukan oleh Maknun (2001) yang menunjukkan bahwa volume perdagangan berpengaruh positif signifikan terhadap return saham.


7

Penulis juga menggunakan kurs sebagai variabel independen berlandaskan pada hasil penelitian Prasetiono (2010) yang menunjukkan pengaruh signifikan yang negatif terhadap saham kategori LQ45 yang berarti pelemahan nilai tukar atau nilai mata uang domestik dapat mengakibatkan kerugian pada pasar modal dalam negeri, baik dalam jangka pendek maupun jangka panjang. Landasan penulis mengambil volume perdagangan ialah pada hasil penelitian yang dilakukan oleh Maknun (2001) yang menunjukkan bahwa volume perdagangan berpengaruh positif signifikan terhadap return saham. 3.2.2

Identifikasi Variabel pada Metode Box-Jenkins

Nilai yang digunakan ialah adjusted close price (harga penutupan yang telah disesuaikan), yaitu keseluruhan penyesuaian harga penutupan saham perusahaan atau emiten yang terjadi karena corporate action. 3.3 Model Penelitian dengan ANN Metode analisis data yang digunakan untuk menganalisa data dalam model ANN mengikuti langkah-langkah berikut: a) Pemilihan variabel input dan output b) Pembagian data sampel c) Pembentukan model ANN (Purnama, 2010). Dalam analisis data untuk model ANN, data sampel harus dibagi menjadi beberapa sub bagian yang lebih kecil (Demuth, 2009). Sub – sub bagian tersebut adalah data untuk training model, data untuk validasi model, dan terakhir data untuk testing keakuratan model. Porsi terbesar adalah data untuk training, dimana data ini digunakan untuk mendefinisikan parameter model (melatih kemampuan model). Data untuk validasi digunakan dengan tujuan untuk menguji kemampuan model selama proses pembentukannya (Purnama, 2010). 3.4 Model Penelitian dengan Box-Jenkins ARIMA Model ARIMA yang disebut juga metode Box-Jenkins dikembangkan oleh George Box & Gwilym Jenkins pada tahun 1976. ARIMA adalah teknik mencari pola yang cocok dari sekelompok data/curve fitting (Sugiarto dan Harijono, 2000), yang dilakukan dengan membandingkan sebuah kurva yang merupakan representasi dari data deret waktu) dengan kelompok data lain atau batasan – batasan tertentu. Contoh penerapan ARIMA ialah peramalan harga saham di pasar modal yang dilakukan oleh para pialang saham yang berdasarkan pada pola perubahan harga saham di masa lampau (Sugiarto dan Harijono, 2000).


8

Postulate General Class of Models

Identify Model to be Tentatively Entertained

Estimate Parameters in Tentatively Entertained Model Diagnostic Checking (Is the model adequate?) No Yes Use Model for Forecasting Gambar 3.2 Prosedur Peramalan Box – Jenkins untuk Metode ARIMA Sumber: Box, G. E. P.,. Jenkins, G. M. Dan G.C. Reinsel. 1994. Time Series Analysis: Forecasting and Control (3rd ed.). New Jersey: Prentice Hall, Inc. hal. 17.

3.5 Pengembangan Hipotesis Tujuan utama dari penelitian ini adalah untuk meneliti apakah metode ANN dapat melakukan peramalan lebih signifikan daripada metode Box-Jenkis ARIMA. Untuk menguji hal itu, maka dilakukan uji hipotesis dengan kriteria hipotesis sebagai berikut:


9

•

Hipotesis nol (Ho): Metode Artificial Neural Network tidak memilliki nilai akurasi yang lebih baik dalam peramalan harga saham kategori LQ45 dibandingkan dengan metode ARIMA

•

Hipotesis alternatif (Ha): Metode Artificial Neural Network memiliki nilai akurasi yang lebih baik dalam peramalan harga saham kategori LQ45 dibandingkan dengan metode ARIMA Setelah nilai Mean Absolute Percentage Error dari kedua metode didapatkan, maka

penulis akan melakukan komparasi terhadap nilai MAPE yang didapatkan pada periode evaluasi. •

Jika nilai MAPEARIMA > MAPEANN, maka metode ARIMA memiliki kinerja peramalan yang kurang akurat dibandingkan dengan metode ANN karena memiliki tingkat error yang relatif lebih besar.

•

Jika nilai MAPEARIMA < MAPEANN, maka metode ARIMA memiliki kinerja peramalan yang akurat dibandingkan dengan metode ANN karena memiliki tingkat error yang relatif lebih kecil.

3.6 Perbandingan Signifikansi Model Peramalan dengan Rasio Error Rasio-rasio error yang dipakai adalah RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), dan MAPE (Mean Absolute Percentage Error). RMSE merupakan akar kuadrat rata-rata dari selisih antara output model dengan data yang sebenarnya. ! !!!

!"#$ =

!"# =

! !!!

!"" !"#$ = !

!! − !! !

!

!! − !! ! ! !!!

!! − !! !!

!

Penjelasan rumus tersebut di atas adalah sebagai berikut:


10

n

:

banyak data observasi

!!

:

data aktual

!!

:

data hasil forecasting

4. Hasil Penelitian dan Pembahasan 4.1 Perancangan Model Harga Saham Box-Jenkins ARIMA Peneliti menggunakan IBM SPSS Statistics versi 20 dalam memodelkan ARIMA. IBM Statistics versi 20 terbaru memiliki menu “Expert Modeler” yang memberikan kemudahan untuk memperoleh model ARIMA terbaik tanpa harus melakukan percobaan berulang ulang dalam mencari orde AR, MA dan derajat difference dalam mencari model yang stasioner. Dalam membuat model ARIMA, tahapan yang dilakukan oleh fasilitas Expert Modeler di IBM SPSS® Statistics 20 dilakukan secara otomatis untuk mencari model AR, MA dan differencing yang menghasilkan nilai probabilita < 0.05. Jika masing – masing variabel telah memiliki nilai signifikan secara statistik, maka akan didapatkan model ARIMA yang sesuai untuk proses peramalan.


11

Tabel 4.1 Model Peramalan ARIMA Terbaik untuk Tiap Sampel Perusahaan

No.

Model

ARIMA

Sampel

Nama Sampel Perusahaan

1

AALI

PT Astra Agro Lestari, Tbk

ARIMA (1, 1, 18)

2

ANTM

PT Aneka Tambang (persero), Tbk

ARIMA (2, 1, 2)

3

ASII

PT Astra Internasional, Tbk

ARIMA (3, 1, 3)

4

BBCA

PT Bank Central Asia, Tbk

ARIMA (0, 1, 4)

5

BBNI

6

BBRI

7

BDMN

PT Bank Danamon Indonesia, Tbk

ARIMA (1, 1, 0)

8

BMRI

PT Bank Mandiri (persero), Tbk

ARIMA (0, 1, 17)

9

INCO

10

INDF

11

PGAS

12

PTBA

13

TINS

14

TLKM

15

UNTR

PT Bank Negara Indonesia 46 (persero), Tbk PT Bank Rakyat Indonesia (persero), Tbk

PT Internasional Nickel Indonesia (persero), Tbk PT Indofood Sukses Makmur, Tbk PT Perusahaan Gas Negara (persero), Tbk PT Tambang Batubara Bukit Asam (persero), Tbk PT Timah (persero), Tbk PT Telekomunikasi Indonesia (persero), Tbk PT United Tractors Indonesia, Tbk

Terbaik

ARIMA (1, 1, 8) ARIMA (0, 1, 4)

ARIMA (0, 1, 9) ARIMA (0, 1, 7) ARIMA (0, 1, 2) ARIMA (0, 1, 13) ARIMA (0, 1, 17) ARIMA (2, 1, 1) ARIMA (2, 1, 1)

Sumber: Hasil olahan Penulis (2013)


12

4.2 Perancangan Model Arsitektur ANN

Gambar 4.1 Arsitektur Artificial Neural Network Sumber: Siang, Jong Jek. 2009. Jaringan Syaraf Tiruan & Permrogramannya Menggunakan MATLAB. Yogyakarta: Andi. hal. 2. Seperti yang telah dijelaskan sebelumnya, dalam mencari kombinasi yang tepat untuk arsitektur ANN, penulis akan menganalisis setiap kombinasi parameter yang menghasilkan RMSE (Root Mean Square Error) terkecil antara harga saham hasil forecast dengan harga saham sebenarnya. Alat bantu yang digunakan ialah IBM SPSS Statsictis 20®, yang terdapat menu pilihan Neural Network Multi Layer Perceptron untuk melakukan peramalan menggunakan neural network. 4.3 Hasil Kinerja Peramalan Kedua Metode Keakuratan forecast diukur dengan membandingkan error yang terjadi antara harga output hasil kedua model dengan harga sebenarnya. Terdapat tiga pengukuran error yang akan digunakan, yakni RMSE (Root Mean Square Error), MAE (Mean Absolute Error) dan MAPE (Mean Absolute Percentage Error).


13

Tabel 4.2 Perbandingan RMSE, MAE, dan MAPE untuk Metode Artificial Neural Network dan ARIMA No. Sampel

ARIMA

ANN

RMSE

MAE

MAPE

RMSE MAE

MAPE

1

AALI

570,54

398,54

2,05%

138,49

95,71

0,63%

2

ANTM

70,54

44,73

2,24 %

30,01

20,51

1,09%

3

ASII

106,19

76,73

2,02 %

68,14

54,53

2,13%

4

BBCA

119,28

88,19

1,77%

58,99

39,74

0,97%

5

BBNI

63,69

41,50

1,92%

41,34

28,96

1,82%

6

BBRI

116,32

86,23

2,11%

51,92

42,39

1,13%

7

BDMN

423,84

108,61

2,27%

46,62

35.24

0,91%

8

BMRI

124,53

91,69

2,01%

62,49

48,64

1,28%

9

INCO

138,62

92,65

2,44%

46,74

32,32

0,95%

10

INDF

136,89

66,47

2,04%

42,00

30,43

1,20%

11

PGAS

80,56

58,95

1,95%

22,25

15,84

0,54%

12

PTBA

392,67

283,27

2,11%

141,27

103,53 0,87%

13

TINS

70,27

47,54

2,33%

543,18

16,12

0,82%

14

TLKM

161,07

119,61

1,53%

30,19

20,18

0,26%

15

UNTR

451,25

321,91

2,19%

221,92

158,74 1,56%

Mean

201,75

Sumber Keterangan

: Diolah Peneliti :

103,03 (2013) (Model yang lebih akurat)

5. Kesimpulan dan Saran 5.1 Simpulan Berdasarkan hasil penelitian, model ANN dapat memprediksi lebih akurat 14 saham sampel LQ45 (93,34%), dibandingkan model Box-Jenkins ARIMA yang hanya akurat memodelkan 1 saham (6,66%). Hasil uji hipotesis menghasilkan simpulan bahwa model ANN lebih signifikan dalam memprediksi harga saham LQ45 dibandingkan dengan metode BoxJenkins ARIMA.


14

5.2 Saran Apabila peramalan dilakukan pada waktu yang berbeda, maka model dari ANN harus dilakukan pemodelan ulang sesuai dengan karakteristik input yang diberikan. Begitu pula halnya pada model ARIMA harus dilakukan pembentukan model prediksi kembali yang sesuai dengan syarat prediksi model yang baik. 5.3 Implikasi 5.3.1

Bagi Perusahaan

Perusahaan dapat melihat prospek masa depan dari harga sahamnya secara teknikal lebih akurat. Hal ini tentu akan mendorong perusahaan untuk terus meningkatkan kinerjanya sesuai harapan shareholders dan stakeholders, sehingga kondisi fundamental dapat terjaga dengan baik. 5.3.2

Bagi Investor

Kedua metode yang telah dibahas dapat memprediksi harga saham beberapa waktu ke depan. Metode ini dapat digunakan sebagai salah satu pertimbangan dalam pengambilan keputusan untuk membeli, menjual ataupun opsi hold bagi investor untuk mendapatkan return.


15

Daftar Pustaka Brooks, Chris. (2008). Introductory Economics for Finance (2nd ed.). New York: Cambridge University Press. Bursa Efek Indonesia (1997, Februari 6). Pengumuman: Saham yang Masuk dalam Penghitungan Indeks LQ45. 25 Juli 2012. No. Peng-00461/BEI.PSH/U/07-2012. Hanke, John E., & Wichern, Dean W. (2009). Business Forecasting (9 ed.). New Jersey: Pearson International Edition. Harnett, Donald L.,& Horrell James F. (1998). Data, Statistics and Decision Models with Excels. New York: John Wiley & Sons, Inc. Husnan, Suad. (1998). Dasar – dasar Teori Portofolio dan Analisis Sekuritas (edisi ketiga). Yogyakarta: UPP AMP YKPN. Kunst. (2004). Evaluating Predictive Accuracy. SSRN Working Paper. Makridakis, Spyros, Wheelright, Steven C. dan Victor McGee. (1991). Metode dan Aplikasi Peramalan.

(Untung Sus Andriyanto dan Abdul Basith, Penerjemah). Jakarta:

Erlangga. Neuman, W. Lawrence. (2007). Basic of Social Research: Qualitative and Quantitative Approaches. Amerika Serikat: Pearson Education: Inc. Prasetiono, Dwi Wahyu. (2010). Analisis Pengaruh Faktor Fundamental Ekonomi Makro dan Harga Minyak terhadap Saham LQ 45 dalam Jangka Pendek dan Panjang. Journal of Indonesian Applied Economics, vol. 4, no.1, 11 – 25. Purnama, Arif L.K. (2010). Pendekatan Artificial Neural Network Metode Backpropagation dalam Pemodelan Pergerakan Harga Saham, Studi pada Kemampuan Ketepatan Memprediksi Pergerakan Saham – saham Indeks LQ45 Menggunakan Artificial Neural Network. Rode, David., Satu, Parikh dan Friedman Yolanda. (1995). An Evolutionary Approach to Technical Trading and Capital Market Efficiency. The Wharton School, University of Pennsylvania.


16

Saunders, Mark, Lewish, Phillip, dan Adrian Tornhill. (2009). Research Methods for Business Student (5 ed.). Inggris: Pearson Education Limited. Sekaran, U. (2006). Research Method for Business. New York: John Wiley and Sons, Inc. Siang, Jong Jek. (2009). Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB. Yogyakarta: Andi.


Muhammad Adam Bachtiar Ferdinand D. Saragih Ilmu Administrasi Niaga, Fakultas Ilmu Sosial dan Ilmu Politik

Recommend Documents