PERANCANGAN MODEL DINAMIS ANALISIS RISIKO DAN PENGAMBILANN KEPUTUSAN MELALUI PENDEKATAN AT RISK DALAM MANAJEMEN PORTOFOLIO SAHAM SKRIPSI

PERANCANGAN MODEL DINAMIS ANALISIS RISIKO DAN PENGAMBILAN KEPUTUSAN MELALUI PENDEKATAN VALUE AT RISK DALAM MANAJEMEN PORTOFOLIO SAHAM

SKRIPSI

AHMAD ARLI HIKMAWAN 04 04 07 0042

UNIVERSITAS INDONESIA FAKULTAS TEKNIK DEPARTEMEN TEKNIK INDUSTRI DEPOK JULI 2008

Perancangan model..., Ahmad Arli Hikmawan, FT UI, 2008

PERANCANGAN MODEL DINAMIS ANALISIS RISIKO DAN PENGAMBILAN KEPUTUSAN MELALUI PENDEKATAN VALUE AT RISK DALAM MANAJEMEN PORTOFOLIO

SAHAM

SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana

AHMAD ARLI HIKMAWAN 04 04 07 0042

UNIVERSITAS INDONESIA FAKULTAS TEKNIK DEPARTEMEN TEKNIK INDUSTRI DEPOK JULI 2008


PERNYATAAN KEASLIAN SKRIPSI

Saya menyatakan dengan sesungguhnya bahwa skripsi dengan judul:

PERANCANGAN MODEL DINAMIS ANALISIS RISIKO DAN PENGAMBILAN KEPUTUSAN MELALUI PENDEKATAN VALUE AT RISK DALAM MANAJEMEN PORTOFOLIO SAHAM

yang dibuat untuk melengkapi sebagian persyaratan sebagai Sarjana Teknik pada Program Studi Teknik Industri Departemen Teknik Industri Fakultas Teknik Universitas Indonesia, sejauh yang saya ketahui bukan merupakan tiruan atau duplikasi skripsi yang sudah dipublikasikan atau pernah dipakai untuk mendapat gelar kesarjanaan di lingkungan Universitas Indonesia maupun Perguruan Tinggi atau instansi manapun, kecuali beberapa bagian yang sumber informasinya dicantumkan sebagaimana mestinya.

Depok, 22 Juli 2008

Ahmad Arli Hikmawan NPM 0404070042


LEMBAR PENGESAHAN

Skripsi ini diajukan oleh Nama NPM Program Studi Judul Skripsi

: : Ahmad Arli Hikmawan : 0404070042 : Teknik Industri : Perancangan Model Dinamis Analisis Risiko dan Pengambilan Keputusan Melalui Pendekatan Value at Risk dalam Manajemen Portofolio Saham

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana pada Program Teknik Industri Fakultas Teknik Universitas Indonesia

DEWAN PENGUJI Pembimbing

: Ir. Yadrifil MSc.

(.........................)

Penguji

: Ir. M. Dachyar, M.Sc.

(.........................)

Penguji

: Armand Omar Moeis, S.T., M.Sc. (.........................)

Ditetapkan di : Depok Tanggal

: 22 Juli 2008


UCAPAN TERIMAKASIH

Puji syukur penulis panjatkan kepada Allah swt atas berkat dan rahmatNya sehingga akhirnya penulis dapat menyelesaikan skripsi ini. Penyusunan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Sarjana Teknik Industri Fakultas Teknik Universitas Indonesia. Penulis menyadari bahwa tanpa bantuan dan bimbingan dari berbagai pihak, baik dari masa perkuliahan sampai pada penyusunan skripsi ini sangat suli bagi penulis untuk dapat memulai dan menyelesaikan skripsi ini. Untuk itu penulis mengucapkan terima kasih kepada : 1. Bapak Ir. Yadrifil, M.Sc., selaku dosen pembimbing yang telah menyediakan waktu, tenaga, dan pikiran dalam mengarahkan dan membimbing penulis dalam penyusunan skripsi ini. 2. Bapak Yuki Indrayadi, juga selaku pembimbing yang telah mengarahkan penulis, menyediakan waktu, tenaga, dan pikiran dalam penyusunan skripsi ini. 3. Bapak Akhmad Hidayatno, ST, MBT karena telah menjadi pembimbing akademis penulis selama 4 tahun kuliah memberikan nasehat serta kritik yang membangun, dan juga karena telah memberikan SKS tambahan di saat penulis sangat membutuhkannya. 4. Seluruh staf pengajar, dosen, dan karyawan TIUI yang memberikan manfaat kepada penulis baik secara langsung maupun tidak langsung 5. Mama, Mbak Ari, Mas Pais, Iwan, Uti, Arsya, Mbak Sri, Mbak Ani, dan Bu Dedeh atas segala dukungan baik moril maupun materi yang tanpanya tidak mungkin skripsi ini akan diselesaikan, bahkan mungkin tidak akan pernah dimulai. 6. Unggul atas feedback yang tidak ada habisnya; Fahmi MC atas pinjaman teks skripsi untuk contoh; dan masih banyak lagi anak 2004 yang terlalu banyak untuk disebutkan di sini. Semoga skripsi ini bisa bermanfaat bagi siapapun. Depok, 22 Juli 2008 Penulis


LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS (Hasil Karya Perorangan) Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini: Nama : Ahmad Arli Hikmawan NPM/NIP : 0404070042 Program Studi : Teknik Industri Fakultas : Teknik Jenis karya : Skripsi demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Non- Eksklusif (NonexclusiveRoyalty-Free Right) atas karya ilmiah saya yang berjudul : Perancangan Model Dinamis Analisis Risiko dan Pengambilan Keputusan Melalui Pendekatan Value at Risk dalam Manajemen Portofolio Saham beserta perangkat yang ada (bila diperlukan). Dengan Hak Bebas Royalti NonEkslusif ini Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya, dan menampilkan/mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah ini menjadi tanggungjawab saya pribadi. Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Depok Pada tanggal : 22 Juli 2008 Yang menyatakan

( Ahmad Arli Hikmawan )


RIWAYAT HIDUP PENULIS

Nama

: Ahmad Arli Hikmawan

Tempat/Tanggal Lahir

: Palembang/10 Peb 1988

Alamat

: Candraloka DD1 no.11-12 Telaga Kahuripan Parung-Bogor 16310

Riwayat Pendidikan SPESIFIKASI

TEMPAT

TAHUN

Perguruan Tinggi

Universitas Indonesia

2004-Sekarang

Sekolah Menengah Atas Sekolah Menengah Pertama

SMAN 3 Malang

2002-2004

SLTPN 1 Singosari

2000-2002

SLTPN 2 Lawang

1999-2000

SDN Pondok Cabe Ilir III

1997-1999

SDN 023 Samarinda

1996-1997

SDN Pamulang Indah

1993-1996

SDN Cirendeu Ciputat

1993

Sekolah Dasar


ABSTRAK

Nama : Ahmad Arli Hikmawan Program studi : Teknik Industri Judul : Perancangan Dinamis Analisis Risiko dan Pengambilan Keputusan Melalui Pendekatan Value at Risk dalam Manajemen Portofolio Saham Pasar saham merupakan ladang investasi yang sangat menarik. Dengan pengelolaan yang tepat dan sedikit keberuntungan, seorang investor dapat melipatgandakan asetnya dalam waktu yang singkat. Sebuah pengelolaan investasi dikatakan tepat apabila setiap keputusan dibuat tidak hanya berdasarkan intuisi semata, namun juga berdasarkan analisis risiko yang sesuai dengan kondisi pasar saham. Penelitian ini bertujuan merancang sebuah model dinamis yang mampu membantu pengambilan keputusan berbasis analisis risiko dalam mengelola sebuah portofolio saham. Dengan mengaplikasikan perhitungan Value at Risk pada portofolio saham dan pemodelan dinamis, investor tidak hanya dapat memahami seberapa besar risiko yang diambil, namun juga melihat proyeksi keberhasilan dan kegagalan di masa depan serta memahami bagaimana keputusan berdasarkan pendekatan perhitungan analisis risiko yang berbeda dapat memisahkan kesuksesan dari kegagalan. Penelitian ini menggunakan aplikasi simulasi dinamis Powersim©Studio sebagai perangkat utama, baik dalam proses analisis risiko dan pengambilan keputusan maupun perancangan dan penjalanan simulasi. Perangkat lunak yang memiliki teknik optimasi yang berbeda (evolutionary search) dibandingkan optimasi biasa tersebut menjadikan penelitian ini berbeda dengan penelitian-penalitian lain yang serupa. Kata kunci : Value at Risk, Dynamic Modelling, Stock Portfolio Management


ABSTRACT

Name : Ahmad Arli Hikmawan Study Program: Industrial Engineering Title : Dynamic Modeling of Risk Analysis and Decision Making using Value at Risk Approach in Managing Stocks Portfolio Stock market is a promising investment. With the right management approach and a little luck, an investor could double his assets in a very short time. An effort of managing investments has ‘right’ attribute when the decisions are made not only based on intuition, but also based on risk analysis of the market condition. This research is established in order to create a dynamic model that can help in making decisions based on risk analysis in managing a stock portfolio. By using the application of Value at Risk on stock portfolio, and dynamic modelling, an investor can see the projected success and failure in the future and understand how a different risk analysis approach can make the difference, besides understanding the amount of risk at stake. This research uses dynamic simulation program Powersim©Studio as the main tools, both in risk analysis and decision making, and in designing and running of the simulation. The use of this software which has a distinct optimalization technique, which is called evolutionary search, enriches the complexity of this research.

Key words: Value at Risk, Dynamic Modelling, Stock Portfolio Management


DAFTAR ISI HALAMAN JUDUL……………………………………………………………….i PERNYATAAN KEASLIAN SKRIPSI................................................................. ii LEMBAR PENGESAHAN ................................................................................... iii LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH ................................v ABSTRAK ............................................................................................................ vii ABSTRACT ......................................................................................................... viii DAFTAR ISI .......................................................................................................... ix DAFTAR TABEL ................................................................................................ xiii DAFTAR GAMBAR .............................................................................................xv 1. PENDAHULUAN ...............................................................................................1 1.1. Latar Belakang Penelitian .............................................................................1 1.2. Diagram Keterkaitan Permasalahan ..............................................................3 1.3. Perumusan Permasalahan ..............................................................................3 1.4. Tujuan Penelitian...........................................................................................4 1.5. Ruang Lingkup Penelitian .............................................................................4 1.6. Metodologi Penelitian ...................................................................................7 1.7. Sistematika Penulisan ....................................................................................8 2. TINJAUAN LITERATUR.................................................................................10 2.1. Value at Risk (VaR) ....................................................................................10 2.1.1. Pengertian dan Struktur Risiko .............................................................10 2.1.2. Jenis-Jenis Risiko .................................................................................12 2.1.3. Manajemen Risiko ................................................................................14 2.1.4. Pengertian VaR .....................................................................................20 2.1.5. Ilustrasi VaR .........................................................................................21 2.1.6. Metode Perhitungan VaR .....................................................................23 2.1.7. Operational VaR ...................................................................................25 2.2. Manajemen Portofolio .................................................................................26 2.2.1. Mengenal Pasar Modal .........................................................................27 2.2.2. Mengenal Saham ..................................................................................28 2.2.3. Indeks Harga Saham .............................................................................29 2.2.4. Mekanisme Perdagangan ......................................................................31


2.2.5. Pengertian Manajemen Portofolio ........................................................33 2.2.6. Rasio Finansial .....................................................................................35 2.2.7. Aplikasi Chaos Theory dalam Manajemen Portofolio .........................36 2.3. Pemodelan Sistem .......................................................................................39 2.3.1. Pengertian System Dynamics ...............................................................39 2.3.2. Systems Thinking vs System Dynamics ...............................................41 2.3.3. Alat dan Aturan dalam System Dynamics.............................................44 2.3.4. Pemodelan System Dynamics ..............................................................46 2.3.5. Stock and Flow Diagram ......................................................................49 2.3.6. Struktur dan Perilaku System Dynamics ...............................................52 2.3.7. Validasi Model......................................................................................54 2.3.8. Analisis Sensitivitas ..............................................................................56 2.3.9. Powersim Studio sebagai System Dynamics Simulation .....................57 2.3.10. Powersim Studio Solver: Evolutionary Search...................................58 2.4. Pengantar Statistik .......................................................................................59 2.4.1. Standar Deviasi .....................................................................................59 2.4.2. Korelasi .................................................................................................59 2.4.3. Analysis of Variance (ANOVA) ..........................................................60 3. PENGUMPULAN & PENGOLAHAN DATA .................................................62 3.1. Pengumpulan Data ......................................................................................62 3.2. Pengolahan Data Finansial ..........................................................................64 3.2.1. Kapitalisasi Pasar dan Likuiditas ..........................................................64 3.2.2. Financial Highlights Perusahaan ..........................................................67 3.3. Pengolahan Data Masukan (Input) Simulasi ...............................................89 3.3.1. Return Harian........................................................................................90 3.3.2. Volatilitas..............................................................................................91 3.3.3. Korelasi .................................................................................................92 3.3.4. Persebaran Nilai Return (Profit) Saham Harian ...................................93 4. PERANCANGAN MODEL DINAMIS ..........................................................101 4.1. Diagram Sebab Akibat (Causal Loop Diagram).......................................101 4.2. Diagram Stok dan Aliran (Stock and Flow Diagram)...............................103 4.2.1. Diagram Stok dan Aliran Dinamika Aset ...........................................103


4.2.2. Diagram Perhitungan Risiko (VaR) ...................................................105 4.3. Verifikasi Perhitungan VaR pada Model Dinamis ....................................106 4.4. Verifikasi Optimasi Powersim Studio Solver ...........................................109 4.5. Validasi Simulasi Dinamis ........................................................................110 4.5.1. Kecukupan Batasan ............................................................................110 4.5.2. Penilaian Struktur ...............................................................................112 4.5.3. Konsistensi Dimensi ...........................................................................113 4.5.4. Kondisi Ekstrim ..................................................................................113 4.5.5. Error dalam Integrasi ..........................................................................116 4.5.6. Reproduksi Perilaku............................................................................117 4.5.7. Analisis Sensitivitas ............................................................................118 5. PENGOLAHAN DATA HASIL SIMULASI .................................................121 5.1. Metode Data Historis ................................................................................121 5.1.1. Skenario (1) Batas Bawah 3%, Maksimasi VaR, Akumulasi.............121 5.1.2. Skenario (2) Batas Bawah 3%, Maksimasi VaR, Time Window ........122 5.1.3. Skenario (3) Batas Bawah 3%, Minimasi VaR, Akumulasi ...............123 5.1.4. Skenario (4) Batas Bawah 3%, Minimasi VaR, Time Window ..........123 5.1.5. Skenario (5) Batas Bawah 0%, Maksimasi VaR, Akumulasi.............124 5.1.6. Skenario (6) Batas Bawah 0%, Maksimasi VaR, Time Window ........125 5.1.7. Skenario (7) Batas Bawah 0%, Minimasi VaR, Akumulasi ..............125 5.1.8. Skenario (8) Batas Bawah 0%, Minimasi VaR, Time Window ..........126 5.2. Pendekatan Chaos Theory .........................................................................127 5.2.1. Skenario (9) Batas Bawah 3%, Maksimasi VaR, Akumulasi.............127 5.2.2. Skenario (10) Batas Bawah 3%, Maksimasi VaR, Time Window ......127 5.2.3. Skenario (11) Batas Bawah 3%, Minimasi VaR, Akumulasi .............128 5.2.4. Skenario (12) Batas Bawah 3%, Minimasi VaR, Time Window ........129 5.2.5. Skenario (13) Batas Bawah 0%, Maksimasi VaR, Akumulasi...........130 5.2.6. Skenario (14) Batas Bawah 0%, Maksimasi VaR, Time Window ......130 5.2.7. Skenario (15) Batas Bawah 0%, Minimasi VaR, Akumulasi .............131 5.2.8. Skenario (16) Batas Bawah 0%, Minimasi VaR, Time Window ........132 6. ANALISIS .......................................................................................................133 6.1. Analisis Performa Skenario dengan Profitabilitas Tertinggi .....................133


6.1.1. Analisis Perkembangan Total Aset 5 Skenario Profitabilitas Tertinggi ......................................................................................................................135 6.1.2. Analisis Perhitungan Risiko 5 Skenario Profitabilitas Tertinggi ........137 6.2. Analisis Performa Skenario dengan Return on Risk Capital Tinggi .........138 6.2.1. Analisis Return on Risk Metode Data Historis...................................139 6.2.2. Analisis Return on Risk Pendekatan Chaos Theory ...........................140 6.3. Analisis Performa Skenario dengan Profitabilitas Rendah .......................140 6.4. Analisis Karakteristik Pengambilan Keputusan Skenario .........................142 6.4.1. Skenario dengan Metode Data Historis ..............................................143 6.4.2. Skenario dengan Pendekatan Chaos Theory.......................................147 6.5. One Way Analisis of Variance ..................................................................150 6.6. Fully Nested Analysis of Variance ............................................................151 6.7. Rangkuman Hasil dari Analisis terhadap 16 Skenario ..............................152 7. KESIMPULAN & SARAN .............................................................................154 7.1. Kesimpulan................................................................................................154 7.2. Saran ..........................................................................................................155 DAFTAR REFERENSI .......................................................................................156


DAFTAR TABEL Tabel 2. 1 Sesi Perdagangan di Bursa Efek Indonesia ...........................................32 Tabel 2. 2 Beberapa Validasi Model Menurut Sterman.........................................54 Tabel 2. 3 Elemen-Elemen Diagram Alir pada Powersim .....................................57 Tabel 3. 1 Karakteristik Saham Unggulan dibandingkan non-Unggulan ..............64 Tabel 3. 2 Daftar Nama-Nama Saham LQ45 .........................................................66 Tabel 3. 3 Kinerja Keuangan PT. Astra Agro Lestari Tbk. ...................................69 Tabel 3. 4 Rasio Finansial PT. Astra Agro Lestari Tbk.........................................70 Tabel 3. 5 Kinerja Keuangan PT. Astra Internasional (dalam jutaan rupiah)........71 Tabel 3. 6 Rasio Finansial PT. Astra Internasional Tbk. .......................................72 Tabel 3. 7 Kinerja PT. Bank Rakyat Indonesia (dalam milyaran rupiah)..............73 Tabel 3. 8 Rasio Finansial Bank Rakyat Indonesia Tbk. .......................................73 Tabel 3. 9 Kinerja Keuangan Bank Mandiri Tbk. (dalam milyaran rupiah)..........75 Tabel 3. 10 Rasio Finansial Bank Mandiri Tbk. ....................................................75 Tabel 3. 11 Kinerja Keuangan PT. Bumi Resources Tbk. (dalam USD) ..............78 Tabel 3. 12 Rasio Finansial PT. Bumi Resources Tbk. .........................................78 Tabel 3. 13 Kinerja Keuangan PT. INCO Tbk. (dalam ribuan USD) ....................80 Tabel 3. 14 Rasio Finansial PT. INCO Tbk. ..........................................................81 Tabel 3. 15 Kinerja Keuangan PT. Indofood Tbk. (dalam milyaran rupiah).........82 Tabel 3. 16 Perkembangan Profit PT. Indofood Tbk. ............................................82 Tabel 3. 17 Rasio Finansial PT. Indofood Tbk. .....................................................83 Tabel 3. 18 Kinerja Keuangan PT. Semen Gresik Tbk. (dalam jutaan rupiah) .....84 Tabel 3. 19 Rasio Finansial PT. Semen Gresik Tbk. .............................................85 Tabel 3. 20 Kinerja Keuangan PT. Telkom Tbk. (dalam milyaran rupiah) ...........86 Tabel 3. 21 Rasio Finansial PT. Telkom Tbk. .......................................................87 Tabel 3. 22 Kinerja Finansial PT. Unilever Indonesia Tbk. ..................................88 Tabel 3. 23 Rasio Finansial PT. Unilever Indonesia Tbk. .....................................89 Tabel 3. 24 Distribusi Persebaran Nilai Return ALII (Jan 2004 - Juli 2007) ........93 Tabel 3. 25 Distribusi Persebaran Nilai Return ASII (Jan 2004 - Juli 2007) ........94 Tabel 3. 26 Distribusi Persebaran Nilai Return BBRI (Jan 2004 - Juli 2007) .......94 Tabel 3. 27 Distribusi Persebaran Nilai Return BMRI (Jan 2004 - Juli 2007) ......96 Tabel 3. 28 Distribusi Persebaran Nilai Return BUMI (Jan 2004 - Juli 2007) ......96 Tabel 3. 29 Distribusi Persebaran Nilai Return INCO (Jan 2004 - Juli 2007) ......97 Tabel 3. 30 Distribusi Persebaran Nilai Return INDF (Jan 2004 - Juli 2007) .......97 Tabel 3. 31 Distribusi Persebaran Nilai Return SMGR (Jan 2004 - Juli 2007) .....99 Tabel 3. 32 Distribusi Persebaran Nilai Return TLKM (Jan 2004 - Juli 2007) .....99 Tabel 3. 33 Distribusi Persebaran Nilai Return UNVR (Jan 2004 - Juli 2007) ...100 Tabel 4. 1 Nilai Variabel pada 11 Pebruari 2008.................................................107


Tabel 4. 2 Matrix Korelasi Akumulasi-Data Historis 11 Peb 2008 .....................108 Tabel 4. 3 Keputusan Bobot 11 Peb 2008............................................................108 Tabel 4. 4 Matrix Volatilitas 11 Peb 2008 ...........................................................108 Tabel 5. 1 Kinerja Portofolio Skenario (1) Selama 175 Hari ..............................122 Tabel 5. 4 Kinerja Portofolio Skenario (2) Selama 175 Hari ..............................122 Tabel 5. 7 Kinerja Portofolio Skenario (3) Selama 175 Hari ..............................123 Tabel 5. 10 Kinerja Portofolio Skenario (4) Selama 175 Hari.............................123 Tabel 5. 13 Kinerja Portofolio Skenario (5) Selama 175 Hari.............................124 Tabel 5. 16 Kinerja Portofolio Skenario (6) Selama 175 Hari.............................125 Tabel 5. 19 Kinerja Portofolio Skenario (7) Selama 175 Hari.............................126 Tabel 5. 22 Kinerja Portofolio Skenario (8) Selama 175 Hari.............................126 Tabel 5. 25 Kinerja Portofolio Skenario (9) Selama 175 Hari.............................127 Tabel 5. 28 Kinerja Portofolio Skenario (10) Selama 175 Hari...........................128 Tabel 5. 31 Kinerja Portofolio Skenario (11) Selama 175 Hari...........................128 Tabel 5. 34 Kinerja Portofolio Skenario (12) Selama 175 Hari...........................129 Tabel 5. 37 Kinerja Portofolio Skenario (13) Selama 175 Hari...........................130 Tabel 5. 40 Kinerja Portofolio Skenario (14) Selama 175 Hari...........................131 Tabel 5. 43 Kinerja Portofolio Skenario (15) Selama 175 Hari...........................131 Tabel 5. 46 Kinerja Portofolio Skenario (16) Selama 175 Hari...........................132 Tabel 6. 1 Peringkat Skenario Berdasarkan Profitabilitas ...................................133 Tabel 6. 2 Statistik VaR 5 Skenario Profitabilitas Tertinggi selama 175 hari .....138 Tabel 6. 3 Peringkat Skenario dengan Return on Risk Capital Tertinggi Metode Data Historis selama 175 hari ..............................................................................139 Tabel 6. 4 Kinerja Pengelolaan Portofolio pada Skenario 6 dan Skenario 2 .......139 Tabel 6. 5 Kinerja Pengelolaan Portofolio pada Skenario 8 dan Skenario 7 .......140 Tabel 6. 6 Peringkat Skenario dengan Return on Risk Capital Tertinggi Pendekatan Chaos Theory selama 175 hari .........................................................140 Tabel 6. 7 Perbandingan Kinerja Portofolio Skenario Terburuk .........................141 Tabel 6. 8 Perbandingan Kinerja Portofolio Skenario Terburuk .........................142 Tabel 6. 9 Rangkuman Kinerja 16 Skenario ........................................................153


DAFTAR GAMBAR Gambar 1. 1 Perkembangan IHSG Periode Januari 2004 – Juni 2008 ....................2 Gambar 1. 2 Diagram Keterkaitan Masalah ............................................................3 Gambar 1. 3 Diagram Pohon Kombinasi Metode/Strategi yang Diteliti Beserta Nomor Skenario .......................................................................................................6 Gambar 1. 4 Metodologi Penelitian .........................................................................7 Gambar 2. 1 Struktur Risiko ..................................................................................11 Gambar 2. 2 Risiko dari dalam dan dari luar perusahaan ......................................14 Gambar 2. 3 Manajemen Risiko dalam Sebuah Proyek Investasi .........................16 Gambar 2. 4 Risk Register (frekuensi vs akibat)....................................................18 Gambar 2. 5 Risiko pada Perusahaan Asuransi atau Dana Pensiun ......................19 Gambar 2. 6 Return Investasi Bulanan ..................................................................21 Gambar 2. 7 Histogram Return Bulanan................................................................22 Gambar 2. 8 Loss Distribution Perhitungan Operational VaR ..............................26 Gambar 2. 9 Model Portofolio CAPM ...................................................................34 Gambar 2. 10 Dua Pilihan Aset Portofolio ............................................................35 Gambar 2. 11 Peta Tingkat Pengembalian Saham PT. Astra Internasional...........38 Gambar 2. 12 Diagram Sebab-Akibat Sederhana Menggambarkan Hubungan antara Harga, Penjualan, dengan Biaya Produksi ..................................................45 Gambar 2. 13 Proses Sistem Dinamis ....................................................................46 Gambar 2. 14 Cara Penulisan Diagram Alir ..........................................................50 Gambar 2. 15 Analogi Hidrolik ..........................................................................51 Gambar 2. 16 Empat Representasi Struktur Diagram Alir ....................................52 Gambar 2. 17 Model Perilaku secara Umum .........................................................53 Gambar 3. 1 Tampilan Situs Yahoo!Finance .........................................................63 Gambar 3. 2 Perkembangan Harga Saham (adjusted) Astra Agro Lestari ............68 Gambar 3. 3 Perkembangan Harga Saham (adjusted) Astra Internasional............70 Gambar 3. 4 Perkembangan Harga Saham (adjusted) BRI ...................................72 Gambar 3. 5 Perkembangan Harga Saham (adjusted) Bank Mandiri ....................74 Gambar 3. 6 Perkembangan Harga Saham (adjusted) Bumi Resources ................76 Gambar 3. 7 Perkembangan Harga Saham (adjusted) International Nickel ..........79 Gambar 3. 8 Perkembangan Harga (adjusted) Saham Indofood ...........................81 Gambar 3. 9 Perkembangan Harga (adjusted) Saham Semen Gresik ...................83 Gambar 3. 10 Perkembangan Harga (adjusted) Saham Telkom ............................86 Gambar 3. 11 Perkembangan Harga Saham (adjusted) Unilever Indonesia..........88 Gambar 3. 12 Return Harian Saham Jan 2004 – Juli 2007 ....................................90 Gambar 3. 13 Perkembangan Nilai Saham (Adjusted) Jan 2004 – Juli 2007 ........90 Gambar 3. 14 Standar Deviasi 10 Saham secara Akumulasi .................................91


Gambar 3. 15 Standar Deviasi 10 Saham secara Time Window 1 tahun ...............91 Gambar 3. 16 Standar Deviasi 10 Saham dengan Pendekatan Chaos Theory dan Akumulasi ..............................................................................................................92 Gambar 3. 17 Standar Deviasi 10 Saham dengan Pendekatan Chaos Theory dan Time Window .........................................................................................................92 Gambar 3. 18 Peta Persebaran Return AALI (Jan 2004-Juli 2007) .......................93 Gambar 3. 19 Peta Persebaran Return ASII (Jan 2004-Juli 2007).........................94 Gambar 3. 20 Peta Persebaran Return BBRI (Jan 2004-Juli 2007) .......................95 Gambar 3. 21 Peta Persebaran Return BMRI (Jan 2004-Juli 2007) ......................95 Gambar 3. 22 Peta Persebaran Return BUMI (Jan 2004-Juli 2007) ......................96 Gambar 3. 23 Peta Persebaran Return INCO (Jan 2004-Juli 2007).......................97 Gambar 3. 24 Peta Persebaran Return INDF (Jan 2004-Juli 2007) .......................98 Gambar 3. 25 Peta Persebaran Return SMGR (Jan 2004-Juli 2007) .....................98 Gambar 3. 26 Peta Persebaran Return TLKM (Jan 2004-Juli 2007) .....................99 Gambar 3. 27 Peta Persebaran Return UNVR (Jan 2004-Juli 2007) ...................100 Gambar 4. 1 Diagram Sebab-Akibat (Variabel Eksternal – Internal Model) ......101 Gambar 4. 2 Diagram Stok dan Aliran Dinamika Aset .......................................104 Gambar 4. 3 Diagram Stok dan Aliran Perhitungan VaR ....................................105 Gambar 4. 4 Nilai Keputusan Bobot pada Maksimasi VaR ................................109 Gambar 4. 5 Nilai Keputusan Bobot pada Minimasi VaR...................................110 Gambar 4. 6 Biaya Jual-Beli Saham pada Skenario 1 (hijau)..............................114 Gambar 4. 7 Nilai Value at Risk pada Skenario 2 (hijau)....................................115 Gambar 4. 8 Total Aset pada Skenario 2 (hijau)..................................................115 Gambar 4. 9 Perbandingan Total Aset dengan time step 1 hari (hijau) dengan 0.5 hari (merah) pada beberapa metode dan strategi .................................................116 Gambar 4. 10 Perbandingan Nilai VaR Skenario Maksimasi Risiko (merah) dengan Minimasi Risiko (hijau)...........................................................................117 Gambar 4. 11 Perbandingan Skenario Maksimasi (merah) dengan Minimasi (hijau) Risiko pada Nilai Aset yang Dimiliki ......................................................117 Gambar 4. 12 Nilai VaR (%) dengan Confidence Level yang Berbeda ...............118 Gambar 4. 13 Perbandingan Total Aset pada Kebijakan Maksimasi VaR (hijau) dengan Minimasi VaR (merah) ............................................................................119 Gambar 4. 14 Perbandingan Nilai VaR pada Kebijakan Maksimasi VaR (hijau) dengan Minimasi VaR (merah) ............................................................................119 Gambar 4. 15 Perbandingan Rp Return (portofolio) pada Kebijakan Maksimasi VaR (coklat) dengan Minimasi VaR (biru) .........................................................120 Gambar 5. 1 Grafik Time Series Harian dari Total Aset Skenario (1) selama 3 Kwartal, Juli 2007- Maret 2008 (*Ref = do nothing) ..........................................121


Gambar 5. 3 Grafik Time Series Harian dari Total Aset Skenario (2) selama 3 Kwartal, Juli 2007 – Maret 2008 .........................................................................122 Gambar 5. 5 Grafik Time Series Harian dari Total Aset Skenario (3) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................123 Gambar 5. 7 Grafik Time Series Harian dari Total Aset Skenario (4) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................124 Gambar 5. 9 Grafik Time Series Harian dari Total Aset Skenario (5) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................124 Gambar 5. 11 Grafik Time Series Harian dari Total Aset Skenario (6) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................125 Gambar 5. 13 Grafik Time Series Harian dari Total Aset Skenario (7) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................125 Gambar 5. 15 Grafik Time Series Harian dari Total Aset Skenario (8) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................126 Gambar 5. 17 Grafik Time Series Harian dari Total Aset Skenario (9) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................127 Gambar 5. 19 Grafik Time Series Harian dari Total Aset Skenario (10) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................128 Gambar 5. 21 Grafik Time Series Harian dari Total Aset Skenario (11) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................129 Gambar 5. 23 Grafik Time Series Harian dari Total Aset Skenario (12) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................129 Gambar 5. 25 Grafik Time Series Harian dari Total Aset Skenario (13) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................130 Gambar 5. 27 Grafik Time Series Harian dari Total Aset Skenario (14) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................130 Gambar 5. 29 Grafik Time Series Harian dari Total Aset Skenario (15) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................131 Gambar 5. 31 Grafik Time Series Harian dari Total Aset Skenario (16) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) .........................................132 Gambar 6. 1 Grafik Time Series Total Aset 5 Skenario dengan Profit Terbaik 3 Kwartal, Juli 2007 – Maret 2008 .........................................................................134 Gambar 6. 2 Grafik Series Return Portofolio ......................................................135 Gambar 6. 3 Data Return 10 Saham Andalan Bulan Januari 2008 ......................136 Gambar 6. 4 Grafik Time Series VaR 5 Skenario dengan Profit Terbaik ...........137 Gambar 6. 5 Perbandingan nilai VaR dari Skenario 16 (merah) dengan Skenario 14 (*hijau) selama 3 kwartal, Juli 2007 – Maret 2008 ........................................141 Gambar 6. 6 Perbandingan Return Skenario 16 (biru) dengan Skenario 14 (coklat) selama 3 kwartal, Juli 2007 – Maret 2008 ...........................................................142


Gambar 6. 7 Rata-rata Presentase Bobot Saham dalam Portofolio pada Skenario Metode Data Historis ...........................................................................................143 Gambar 6. 8 Time Series Bobot Saham Bank Mandiri pada Skenario 1 (current) vs Skenario 3 (reference) .....................................................................................144 Gambar 6. 9 Time Series Bobot Saham Semen Gresik pada Skenario 1 (current) vs Skenario 3 (reference) .....................................................................................145 Gambar 6. 10 Time Series Bobot Saham Bank Mandiri pada Skenario 5 (current) vs Skenario 7 (reference) .....................................................................................145 Gambar 6. 11 Korelasi Saham-saham yang Dominan dalam Strategi Minimisi VaR ......................................................................................................................146 Gambar 6. 12 Time Series Keputusan Bobot Saham BMRI pada skenario 1 (current) vs Skenario 5(reference) .......................................................................147 Gambar 6. 13 Rata-rata Presentase Bobot Saham dalam Portofolio pada Skenario Pendekatan Chaos Theory....................................................................................148 Gambar 6. 14 Time Series Biaya Jual Beli Skenario 9 (current) vs skenario 11 (reference) ............................................................................................................149 Gambar 6. 15 Time Series Bobot Saham BUMI pada skenario 9 (current) vs skenario 13 (reference).........................................................................................149 Gambar 6. 16 Keluaran One Way ANOVA dari return portofolio......................150 Gambar 6. 17 Keluaran Fully Nested ANOVA dari Return Portofolio ...............152


1. PENDAHULUAN

1.1. Latar Belakang Penelitian Investasi di bursa saham Indonesia telah meningkat dengan pesat dalam beberapa tahun ini. Pada awal tahun 2004, nilai IHSG berkisar pada level 700. Hanya dalam 3 tahun angka tersebut telah meningkat hingga 3 kali lipat. Sebagai ilustrasi, jika pada awal tahun 2004 penulis menanamkan sejumlah dana dalam salah satu saham perusahaan unggulan, tanpa perlu melakukan tindakan jual-beli, nilai aset yang ditanamkan tersebut sudah berkembang menjadi 2 kali lipat pada pertengahan tahun 2007. Hal serupa juga terjadi pada satu tahun terakhir. Walaupun didera dengan berbagai krisis global, seperti kenaikan terus-menerus harga minyak mentah dunia serta berbagai permasalahan ekonomi, politik, dan sosial di dalam negeri yang menekan gairah investasi di kalangan investor, tingkat indeks harga saham di Bursa Efek Indonesia tetap menunjukkan kenaikan. Hal ini tentunya merupakan suatu daya tarik investasi yang tidak dapat diabaikan. Walaupun begitu, agar dapat menghasilkan keuntungan yang maksimum seorang investor masih tetap harus melakukan berbagai upaya. Salah satunya adalah dengan menganalisis risiko yang dipersepsikan berada pada setiap investasi yang ditawarkan di bursa saham. Berbagai kemungkinan keuntungan dan kerugian yang dapat terjadi harus dipahami dan dimengerti dengan baik agar dapat mengelola portofolio yang menguntungkan. Portofolio merupakan kumpulan investasi yang dimiliki oleh investor. Portofolio dapat berupa investasi di bursa saham, ekuitas, dan berbagai instrumen investasi lainnya. Suatu hal yang terpenting dilakukan dalam mengelola portofolio adalah dengan menanamkan aset pada instrumen investasi yang (akan) menguntungkan. Agar dapat melakukan hal tersebut, seorang investor perlu melakukan

berbagai

analisis

untuk

mengenali

investasi-investasi

menguntungkan.


yang

Tabel 1.1 Catatan Pasar Modal Indonesia Tahun 2007 Akhir 2007 Keterangan Akhir 2006 IHSG

1805.52

2745.83

Kapitalisasi pasar

Rp 1246 triliun

Rp 2.539 triliun*

Kapitalisasi terhadap PDB

37%

67%

Nilai rata-rata transaksi harian

Rp 1,84 triliun

Rp 4,26 triliun

Frekuensi transaksi

19.880 kali

48.244 kali

Volme transaksi

4,2 miliar

1,8 miliar

IPO Emiten

12 emiten

22 emiten + 2 ETF

Total dana dihimpun dari IPO

Rp 3 triliun

Rp 16,87 triliun

Total dana rights issue

(tidak tersedia)

Rp 25,5 triliun

Total dana dari waran

(tidak tersedia)

Rp 2,08 triliun

IPO obligasi korporasi

37 emiten

14 emiten

Total emisioligasi korporasi

Rp 11,55 triliun Sumber : Bapepam

Rp 30,2 triliun

Gambar 1. 1 Perkembangan IHSG Periode Januari 2004 – Juni 2008 (Sumber: finance.yahoo.com) Dari beberapa analisis yang memungkinkan tersebut, analisis data historis merupakan pilihan yang diambil dalam laporan penelitian ini. Value at Risk (VaR) merupakan nilai maksimum kehilangan dalam suatu investasi dalam jangka waktu tertentu dan dalam tingkat kepercayaan tertentu dalam kondisi pasar normal. Pengertian tersebut dapat disederhanakan menjadi nilai risiko – hasil analisis kuantitatif – yang harus ditanggung oleh seorang investor berkenaan dengan investasi yang dimilikinya. VaR dapat dan sudah seringkali dijadikan suatu


masukan (input) yang berharga dalam menentukan keputusan ((output output) di dalam manajemen portofolio. Perkembangan VaR telah te terjadi rjadi selama beberapa tahun. Beberapa metode analisis VaR telah berkembang dan diterapkan dalam dunia investasi dan bisnis. Hal tersebut memunculkan pertanyaan baru, strategi pengelolaan yang bagaimanakah yang paling tepat digunakan, terutama dalam jangka panjang? Penelitian ini dilakukan untuk menjawab pertanyaan tersebut. Dengan memodelkan usaha pengelolaan investasi tersebut pada sebuah model dinamis serta dengan membatasi penelitian pada portofolio saham, jawaban atas pertanyaan tersebut akan dicari dan dibuktikan.

1.2. Diagram Keterkaitan Permasalahan

Gambar 1. 2 Diagram Keterkaitan Masalah (Sumber: penulis)

1.3. Perumusan Permasalahan Model dinamis analisis risiko dan pengambilan keputusan dalam manajemen portofolio saham yyang ang mampu mengakomodasi kebutuhan analisis risiko (VaR) yang cepat, tepat, dan teruji secara nyata dalam berbagai


kemungkinan dan mampu membantu membuktikan metode terbaik pengelolaan portofolio saham berdasarkan analisis risiko (VaR) tersebut. 1.4. Tujuan Penelitian Merancang model dinamis analisis risiko Value at Risk yang dapat membantu melakukan pemilihan strategi dan pengambilan keputusan yang terbaik dalam manajemen portofolio saham.

1.5. Ruang Lingkup Penelitian Untuk memperjelas batasan-batasan serta tujuan dari penelitian yang dilakukan, penulis menentukan beberapa batasan penelitian yang dipaparkan sebagai berikut.

•

Data historis saham yang dianalisis menggunakan beberapa data harga saham (adjusted close) perusahaan Indonesia yang terdaftar di BEI dari Januari 2004 – Juni 2007. Adjusted close berarti harga penutupan yang telah disesuaikan. Misalnya, jika terjadi pembagian dividen atau penambahan jumlah lembar saham.

•

Saham yang digunakan dalam portofolio berjumlah sepuluh dan dipilih berdasarkan ukuran kapitalisasinya dan liquidity-nya atau terdaftar dalam LQ45, yaitu PT. Astra Agro Lestari Tbk. (AALI); PT. Astra Internasional Indonesia Tbk. (ASII); Bank Rakyat Indonesia Tbk. (BBRI); Bank Mandiri Tbk. (BMRI); PT. Bumi Resources Tbk. (BUMI); PT. International Nickel Indonesia Tbk. (INCO); PT. Indofood Sukses Makmur Tbk. (INDF); PT. Semen Gresik Tbk. (SMGR); PT. Telekomunikasi Indonesia Tbk. (TLKM); dan PT. Unilever Indonesia Tbk. (UNVR).

•

Simulasi untuk menggambarkan dinamika pengambilan keputusan dan hasilnya berjalan dalam masa periode Juli 2007 – April 2008 berdasarkan data harga saham adjusted close nyata pada periode tersebut menggunakan software Powersim©Studio 2005 yang terkoneksi dengan Microsoft©Excel.

•

Dana yang digunakan dalam awal simulasi manajemen portofolio adalah Rp 10 Milyar.


•

Proses

pengambilan

keputusan

dalam

simulasi

berjalan

otomatis

menggunakan Powersim©Studio Solver secara konsisten bergantung pada metode perhitungan serta strategi yang dipilih untuk menjalankannya.

•

Perhitungan VaR dalam simulasi berjalan harian sedangkan pengambilan keputusan dilakukan pada tanggal-tanggal buka Bursa Efek Indonesia.

•

Pada akhir penelitian akan didapatkan 16 total nilai aset portofolio yang berbeda berdasarkan metode dan strategi yang telah ditentukan: minimasi dan maksimasi VaR; penentuan volatilitas berdasarkan data historis dan melalui pendekatan chaos theory; beberapa batas minimum bobot saham; serta data historis akumulasi dan time window 1 tahun.(lihat Gambar 1. 3).

•

Minimasi dan maksimasi VaR serta batas minimum bobot saham merupakan variabel yang memiliki perbedaan yang tampak dalam tujuan optimalisasi dalam model.

•

Data akumulasi berarti data yang digunakan dalam perhitungan berasal dari tahun Jan 2004 hingga waktu analisis VaR dilakukan, sedangkan data time window menggunakan data-data berselisih satu tahun terhadap waktu tersebut.

•

Metode pendekatan chaos theory menggunakan standar deviasi yang telah diolah terlebih dahulu, sesuai dengan Bab 2.4.4.

•

Proses verifikasi perhitungan simulasi dilakukan dengan melakukan penghitungan bertahap menggunakan Microsoft©Excel.

•

Setiap hasil simulasi akan dianalisis secara statistik dengan prinsip ANOVA untuk mengetahui level strategi/metode yang memiliki pengaruh paling besar terhadap keputusan yang diambil dan hasilnya.

•

Simulasi yang telah dibuat akan melalui beberapa tes validasi simulasi berdasarkan Tabel 2.1.


Gambar 1. 3 Diagram Pohon Kombinasi Metode/Strategi yang Diteliti Beserta Nomor Skenario (Sumber: penulis)


1.6. Metodologi Penelitian

Gambar 1. 4 Metodologi Penelitian (Sumber: penulis) Langkah-langkah yang dilakukan dalam penelitian ini secara garis besar dapat dibagi menjadi 5 langkah utama, yaitu pendahuluan, pengumpulan dan pengolahan data, perancangan model dinamis, analisis serta kesimpulan.

•

Pendahuluan, meliputi pendefinisian permasalahan dan tujuan penelitian serta penentuan ruang lingkup penelitian.

•

Pengumpulan & Pengolahan Data, meliputi pelaksanaan studi literatur, analisis finansial perusahaan yang sahamnya ditentukan sebagai obyek penelitian, pengumpulan data-data primer, analisis faktor risiko finansial lain, serta pengolahan data-data masukan model dinamis.

•

Perancangan Model Dinamis, meliputi perancangan diagram sebab-akibat, diagram stok dan aliran, pembuatan model dinamis pada program simulasi dinamis, serta proses verifikasi dan validasi dari model.

•

Analisis, meliputi analisis kualitatif dan kuantitatif terhadap hasil keluaran simulasi.


•

Kesimpulan, meliputi hasil analisis penelitian yang dirangkum menjadi halhal penting yang dapat ditindaklanjuti.

1.7. Sistematika Penulisan Penulisan laporan penelitian ini dibagi menjadi 7 bagian yang dapat dipaparkan sebagai berikut: Bab 1. Pendahuluan, membahas dasar serta arah dari penelitian yang dilakukan. Terdiri atas latar belakang penelitian, diagram keterkaitan permasalahan, perumusan permasalahan, tujuan penelitian, ruang lingkup penelitian, metodologi penelitian, dan sistematika penulisan. Bab 2. Tinjauan Literatur, membahas konsep-konsep yang menjadi dasar legitimasi penelitian yang dilakukan. Terbagi atas empat bagian utama yang disusun agar mengalir dan mudah dipahami, yaitu konsep produk saham, konsep risiko, konsep sistem dinamik, dan konsep statistik. Bab 3. Pengumpulan dan Pengolahan Data, membahas pengidentifikasian karakteristik data, analisis finansial perusahaan, serta proses penentuan data-data masukan (input) simulasi, seperti standar deviasi, korelasi, dan pembagian interval tingkat pengembalian yang dibutuhkan untuk melakukan analisis VaR melalui pendekatan chaos theory. Bab 4. Perancangan Model Dinamis, membahas proses pembuatan simulasi dinamis yang digunakan untuk pengambilan keputusan otomatis berdasarkan langkah-langkah yang ditetapkan serta menggambarkan kondisi yang diakibatkan keputusan tersebut. Selain itu, bagian ini juga membahas proses verifikasi dan validasi dari simulasi dinamis yang dibuat. Bab 5. Pengolahan Data Keluaran Simulasi, membahas proses pengolahan datadata keluaran (output) simulasi dinamis – atau dengan kata lain melakukan proses descriptive statistics – agar data keluaran simulasi ebih mudah diinterpretasikan dan dipahami persamaan dan perbedaannya. Bab 6. Analisis, membahas proses inferential statistics dengan teknik analysis of variance (ANOVA) yang dilakukan untuk membuktikan secara statistik bagaimana sebuah metode atau pendekatan perhitungan mempengaruhi hasil dari sistem manajemen portofolio melalui pendekatan analisis VaR. Selain itu, bab ini


juga membahas analisis kualitatif berbagai skenario untuk melengkapi pemahaman terhadap strategi dan metode yang digunakan. Bab 7. Kesimpulan, merangkum hasil penelitian yang dicapai dan saran yang dapat diberikan untuk pengembangan penelitian serupa di masa depan.


2. TINJAUAN LITERATUR

Bab ini membahas dasar-dasar teori dan referensi yang digunakan dalam melakukan penelitian. Secara prosedural, bab ini dapat dibagi menjadi empat bagian utama, yaitu konsep produk saham dan manajemen portofolio, konsep manajemen risiko dan Value at Risk, konsep pemodelan dan system dynamics, serta konsep analisis statistik. Keempat konsep tersebut disusun mengalir agar mudah lebih mudah dimengerti. 2.1. Value at Risk (VaR) Value at Risk merupakan istilah yang dikenal dalam konsep manajemen risiko sebagai salah indikator risiko finansial. VaR sudah sangat dikenal di kalangan praktisi manajemen risiko dan telah berkembang dalam beberapa bidang yang sebelumnya tidak pernah terpikirkan untuk diaplikasikan, salah satunya risiko operasional. Untuk mengenal dan mendalami konsep VaR, pertama-tama penulis bahas terlebih dahulu konsep risiko dan manajemen risiko yang menaungi konsep VaR. 2.1.1. Pengertian dan Struktur Risiko Risiko adalah “the likelihood that something will actually cause harm or injury”(Jacqueline Jaynes, 2002, p. ix). Risiko adalah kemungkinan bahwa dapat sesuatu berjalan dengan salah atau mengakibatkan kerugian. Dalam bukunya Investment Risk Management Yen Yee Chong (2004) mengklasifikasikan struktur dari risiko menjadi tiga bagian, yaitu hazard (potensi risiko), risk catalyst (pemicu risiko), dan risk result (kejadian). Ia mengambil salah satu contoh deskripsi risiko yang cukup populer di USA yaitu serangan ikan hiu. Potensi kematian yang diakibatkan oleh serangan hiu merupakan potensi risiko. Gangguan terhadap habitat ikan hiu merupakan pemicu risiko. Artinya selama manusia berada di pantai yang dihuni ikan hiu, ia berada dalam terbuka terhadap risiko (risk exposure). Hasil dari risiko atau kejadian yang mungkin


terjadi adalah kematian yang diakibatkan serangan hiu. Karena angka kematian dianggap kecil, maka risiko serangan ikan hiu dianggap berfrekuensi rendah dengan konsekuensi atau akibat yang tinggi (low-frequency and high-impact risk). Namun, Chong menambahkan, kematian akibat serangan ikan hiu jauh lebih sedikit dibandingkan dengan kematian-kematian lain. Lebah, tawon, dan ular bertanggung jawab terhadap lebih banyak kematian. Kemungkinan kematian akibat sengatan petir tiga puluh kali lipat lebih besar dibandingkan kematian akibat serangan hiu. Museum Nasional Florida (2002) mencatat lebih banyak kematian dalam perjalanan dari dan ke pantai daripada akibat serangan hiu. Permasalahan yang ingin disampaikan adalah seringkali investor salah membaca risiko hanya berdasarkan potensi risiko dan frekuensi kemunculannya ketimbang

melihatnya

secara

keseluruhan.

Chong

mengungkapkan,

mendefinisikan kejadian yang berisiko dan mengkategorikannya dalam matrix frekuensi-akibat (frequency-impact matrix) merupakan langkah pertama. Saat itu penulis bisa melihat bagaimana sebuah kerugian terjadi. Langkah berikutnya memahami kerugian tersebut dalam proses tiga langkah, dimulai dengan mengenali potensi risiko (hazard), kemudian mencari pemicu risiko (risk catalyst) dan kejadian berisiko (risk event) itu sendiri, kemudian mencari kerugian atau kejadian lain yang dapat terjadi berbarengan dengan terjadinya sebuah kejadian berisiko.

Gambar 2. 1 Struktur Risiko (Sumber: Investment Risk Management oleh Yen Yee Chong, 2004, p. 6) Chong juga mengungkapkan bahwa kejahatan kerah putih merupakan bisnis yang sangat menguntungkan dan sangat kecil kemungkinannya tertangkap dan berhasil diadili. Kejahatan kerah putih merupakan salah satu potensi risiko


yang wajib dipertimbangkan dalam berinvestasi. “Menteri Negara/Ketua Badan Perencanaan Pembangunan Nasional (Bappenas), Kwik Kian Gie mengatakan, kejahatan kerah putih di seluruh wilayah Indonesia, telah merugikan keuangan negara paling tidak mencapai Rp 305 triliun/tahun” (Sinar Harapan, 2004). Jika kejahatan kerah putih penulis definisikan sebagai potensi risiko, maka baik pemicu risikonya (risk catalyst) dan kejadian risikonya (risk event) banyak sekali, terutama di Indonesia. Salah satu alasannya adalah kenyataan bahwa kejahatan kerah putih merupakan kejahatan yang berlangsung dalam rentang waktu yang lama, lebih dari satu tahun. Kejahatan ini sangat sulit untuk dibongkar karena orang-orang yang terlibat pun terdiri dari berbagai lapisan (rejim) yang saling melindungi. Seperti yang penulis ketahui, budaya seperti itu sangat kental di negara ini. Hingga beberapa tahun terakhir, Indonesia tidak beranjak dari papan atas negara terkorup di dunia. Oleh karena itu, banyak sekali pemicu risiko dan kejadian risiko yang bisa terjadi. Dengan kata lain, tidak salah jika kejahatan kerah putih dapat didefinisikan sebagai risiko berfrekuensi dan akibat tinggi. Suatu kenyataan yang pahit. Struktur berikutnya merupakan inti dari pembahasan ini, upaya untuk membendung ketiga struktur risiko yang telah disebutkan sebelumnya, yaitu manajemen risiko. Setelah memahami potensi risiko, pemicunya, dan kejadiankejadian yang dapat terjadi, langkah berikutnya adalah melakukan usaha pengurangan atau pengeliminasian hal-hal tersebut sehingga dapat mengurangi kemungkinan terjadinya sebuah kerugian. 2.1.2. Jenis-Jenis Risiko Setelah memahami bagaimana sebuah risiko tersusun dengan dibantu ilustrasi berupa contoh-contoh di atas, langkah berikutnya adalah mengenali jenisjenis risiko. Chong (2004) dalam bukunya menjelaskan beberapa jenis risiko utama, yaitu reputation risk, market risk, credit risk, dan operational risk. Ketiga jenis risiko terakhir juga dianggap sebagai jenis risiko utama oleh Komite Basle dalam regulasinya Basle II (2001). a.

Reputation risk. Satu jenis penangkalan risiko yang paling tua dan paling sering digunakan di berbagai organisasi atau instansi di seluruh dunia


adalah “diam” atau mencari jalan memanfaatkan “nama baik” organisasi lain untuk menyelamatkan reputasinya. Hal ini berdasarkan rule of thumb bahwa reputasi yang baik sama dengan pelayanan yang baik. Oleh karena itu, seringkali sebuah perusahaan menyewa analis “terbaik” dengan reputasi yang tidak kalah hebat demi mengurangi risiko karena dengan cara tersebut mereka dianggap “aman”. b.

Credit risk. Risiko kredit merupakan risiko terjadinya kegagalan pembayaran pengembalian atas pinjaman yang telah diberikan oleh partner investasi. Chong juga mengklasifikasikan risiko pihak ketiga dan negara sebagai risiko kredit. Contohnya antara lain krisis ekonomi di Rusia dan Indonesia pada tahun 1998 dan krisis utang di Argentina pada tahun 2002.

c.

Market risk. Risiko pasar merupakan risiko kerugian pada portofolio yang dimiliki oleh bank atau investor yang disebabkan karena perubahan harga (faktor harga). Nilai mata uang, nilai suku bunga, level harga ekuiti, level volatilitas adalah perubahan yang berpengaruh langsung kepada jenis risiko ini. Sebagai contoh, perdagangan mata uang yang besar dapat mengakibatkan perubahan selera investasi pelaku pasar yang terlibat dalam perdagangan. Hal tersebut secara langsung berefek pada perubahan harga sebuah portofolio. Mereka yang mampu memprediksi arah perubahan tersebut akan mendapatkan keuntungan, sedangkan yang gagal akan mengalami kerugian.

d.

Operational

risk.

Merupakan

sebuah

istilah

yang

luas

yang

menggambarkan risiko kerugian yang diakibatkan sistem bisnis atau kesalahan dalam proses. Risiko ini dapat berupa kesalahan mesin dan manusia, kesalahan dalam prosedural, atau kesalahan fungsi sistem. Komite Basle memberikan definisi yang lebih sempit: ”…risk of loss resulting from inadequate or failed internal process, people, and systems or from external process” (Basle Committee, 2002). Risiko ini termasuk berbagai proses legal dalam bisnis yang memiliki kemungkinan untuk mengakibatkan kerugian yang tidak termasuk dalam jenis risiko-risiko yang telah disebutkan sebelumnya: dari kejahatan kerah putih yang telah dijabarkan sebelumnya hingga kerusakan pada sistem teknologi informasi dan


pengaruh dari faktor eksternal seperti bencana alam. Risiko strategi, sistem, dan reputasi tidak termasuk dalam risiko ini. Risiko operasional merupakan risiko yang paling susah untuk diprediksi dan digambarkan dalam sebuah model secanggih apapun – karena terdapat sisi manusia. Sisi manusia inilah yang membuat manajemen risiko investasi lebih berupa sebuah seni daripada ilmu pengetahuan. Gambar 2.2 di bawah ini menjelaskan perbedaan antara risiko operasional dengan risiko strategis dalam hubungannya dengan asal risiko dan efek yang menimpa perusahaan.

Gambar 2. 2 Risiko dari dalam dan dari luar perusahaan (Sumber: Investment Risk Management oleh Yen Yee Chong, 2004, p.17) 2.1.3. Manajemen Risiko Kerzner (2003) mendefinisikan manajemen risiko sebagai tindakan atau persiapan dalam menghadapi risiko. Manajemen risiko mencakup kegiatankegiatan perencanaan dalam menghadapi risiko, assessing (identifikasi dan analisis) isu-isu risiko, pengembangan strategi penanganan risiko, dan pengamatan bagimana risiko-risiko tersebut berubah. Chong (2004) mendefinisikan perkembangan manajemen risiko menjadi beberapa tahapan sebagai berikut.


a.

Pertama, periode filosofi bisnis fatalistic. Inti dari konsep ini adalah bahwa kejadian risiko merupakan hal yang tidak dapat dihindari. Jadi, yang perlu dilakukan adalah mempersiapkan segala hal yang dibutuhkan apabila kejadian tersebut benar-benar terjadi.

b.

Kedua, periode technological. Konsep ini menganggap bahwa penulis memiliki kemajuan matematika dan teknologi untuk dapat memahami sebuah kejadian risiko. Oleh karena itu, tindakan harus dilakukan lebih awal untuk mengurangi efek dari kejadian tersebut.

c.

Ketiga, periode watcher. Konsep ini menganggap bahwa pengawasan terhadap manusia yang terlibat dalam sistem sangat diperlukan. Kemajuan teknologi dapat memberikan gambaran mengenai keadaan lengkap sebuah sistem, namun kebanyakan hal itu hanya mengaburkan dari pandangan yang sebenarnya. Kebanyakan kesalahan merupakan akibat dari humanerror. Karena itu konsep ini mengutamakan pengawasan terhadap orangorang yang memiliki kemungkinan besar melakukan kesalahan yang berakibat besar.

d.

Keempat, periode organic risk management. Konsep ini menekankan adanya kebutuhan untuk menyatukan berbagai keputusan atau rencana demi menghadapi berbagai kejadian risiko atau kesalahan yang diakibatkan oleh manusia, sehingga akan lebih baik jika mengintegrasikannya menjadi suatu pemikiran terpusat (join-up thinking). Oleh karena itu, pemahaman akan perilaku karyawan manusia atau integrasi teknologi tinggi akan menyempit. Integrasi dari berbagai kemajuan teknologi manajemen risiko dan pengetahuan akan perilaku investor dianggap akan memajukan organisasi.

e.

Kelima, periode methodology. Konsep ini menyatukan proses bisnis dan tindakan menjadi sebuah metodologi. (Lihat Gambar 2. 3)


Gambar 2. 3 Manajemen Risiko dalam Sebuah Proyek Investasi (Sumber: Investment Risk Management oleh Yen Yee Chong, 2004, p. 11) Sementara itu Kerzner (2003) memberikan langkah-langkah manajemen risiko secara umum sebagai berikut. •

Risk Identification: ini merupakan proses memeriksa suatu kondisi, mengidentifikasi, dan mengklasifikasi area potensial risiko.

•

Risk Quantification: memerlukan analisis probabilitas suatu peristiwa dan konsekuensi akibat terjadinya peristiwa tersebut. Tujuan analisis risiko ini adalah untuk mengetahui penyebab, efek, besarnya risiko untuk membuat atau merancang alternatif yang berguna menanggulangi risiko tersebut.

•

Risk Response: meliputi teknik dan metode yang dirancang untuk mereduksi atau mengontrol risiko. Bukan manajemen risiko apabila tidak ada tindak lanjut dari identifikasi dan kuantifikasi risiko.


•

Risk

Control

or

Lessons

Learned:

meliputi

pendokumentasian

pembelajaran dari manajemen risiko untuk digunakan oleh manajer lain di masa depan. Keahlian manajemen risiko merupakan kombinasi antara kemampuan analisa finansial dengan kemampuan intuitif untuk mengenali gejala-gejala yang mengindikasikan kesempatan yang menguntungkan. Kemampuan matematis saja dianggap kurang memenuhi syarat bagi seorang manajer risiko. Untuk melengkapinya dibutuhkan insting dan pengalaman, daripada kualifikasi di atas kertas. Chong (2004) memberikan contoh kasus perusahaan Andersen-EnronWorldcom (AEW) sebagai penegasannya. Ketiga kasus tersebut menunjukkan bahwa keahlian menganalisa secara subjektif untuk mengenali bahaya atau risiko yang meliputi sebuah investasi juga dibutuhkan. Chong menambahkan fakta telah membuktikan bahwa walaupun langkahlangkah pengamanan risiko terdokumentasi dengan baik karena didorong oleh peraturan finansial, kerugian-kerugian lebih sedikit terdokumentasi. Hal ini berarti seringkali kenyataan tidak seperti yang terlihat. Hubungan komunikasi yang tidak lengkap ini mengakibatkan persepsi investor atas risiko lebih sedikit mendekati akibat yang bisa dihasilkannya. Industri finansil selama bertahun-tahun bertahan pada mentalitas “jika tidak rusak, tidak perlu diperbaiki”. Kerugian sering diakibatkan ketidakmampuan perusahaan untuk merencanakan skenario kejadian ekstrem. Oleh karena itu, penting sekali bagi setiap perusahaan untuk mendefinisikan risiko dengan tepat mempertimbangkan berbagai faktor.


Gambar 2. 4 Risk Register (frekuensi vs akibat) (Sumber: Investment Risk Management oleh Yen Yee Chong, 2004, p.18) Setiap jenis risiko perlu direncanakan dan dihadapi oleh orang dengan keahlian yang berbeda. Hal ini berbeda dari perusahaan ke perusahaan, dari budaya ke budaya. Saat kerugian benar-benar terjadi, data dimasukkan ke dalam database kerugian (risiko). Chong (2004) mengungkapkan hal itu pun berlaku bagi perusahaan asuransi atau perusahaan investasi yang membentuk suatu sistem pencari risiko yang terorganisasi dengan baik, yang berusaha mengatur agar risiko yang diambil dalam sebuah investasi tidak melampaui kemampuan perusahaan. Kedua perusahaan tersebut masih memiliki kemungkinan mengalami ketidakmampuan membayar utangnya saat portofolionya mengalami kegagalan. Karena bank, perusahaan asuransi, dan manajemen investasi memiliki potongan kapitalisasi terbesar di pasar, ketidakmampuan tersebut akan mendorong mereka untuk menjual saham dalam portofolio mereka. “…this can create a systemic or procyclical rick where continued selling destroy the share values” (Basel Committee,


Januari 2001). Aktivitas mereka dapat mempengaruhi pasar sehingga depresiasi saham pun terjadi. Untuk gambaran lebih lanjut lihat Gambar 2.5.

Gambar 2. 5 Risiko pada Perusahaan Asuransi atau Dana Pensiun (Sumber: Investment Risk Management oleh Yen Yee Chong, 2004, p.19) Seperti yang penulis ketahui, risiko pada akhirnya ditanggung oleh investor. Saat penulis mencoba perlindungan hukum dalam investasi, terdapat lubang-lubang dalam sistem legal akuntansi maupun asuransi. Validitas audit dapat dipertanyakan, apakah memberikan gambaran yang sesuai. Diagnosa bisnis yang terburu-buru tidak memberikan hal baru, dan kemampuannya untuk mendefinisikan kesimpulan terbatas. Hal itu mengurangi efektivitas dari pendekatan yang dianjurkan manajemen risiko tradisional. Investor kini kini menganggap mencegah lebih baik daripada mengobati, dan lebih murah tentunya. Untuk menanggulangi hal tersebut Chong menganjurkan investor untuk mengkompilasikan beberapa informasi berguna dari sebuah perusahaan. Kompilasi informasi tersebut terdiri antara lain atas: •

Informasi tradisional mengenai kegiatan perusahaan dengan jangkauan terbaru

•

Studi kasus atas kegiatan dan pengalaman perusahaan yang relevan bersumber dari media untuk membuat sendiri risk register perusahaan tersebut


•

Investigasi akuntansi yang lebih mendalam atas kemampuan kerja karyawan, partner perusahaan dan pihak ketiga yang berhubungan dengan perusahaan

•

Catatan perusahaan tambahan berdasarkan peraturan baru Basle

•

Prosedur untuk peringatan dini AEW (Andersen-Enron-Worldcom)

2.1.4. Pengertian VaR VaR (Value at Risk) adalah ukuran ringkas dari risiko, yang dapat diekspresikan dalam mata uang. Sebuah definisi umum dari VaR adalah “VaR is the maximum loss over a target horizon such there is a low, prespecified probability that the actual loss will be larger”(Jorion, 2003, p.246). Dari pengertian tersebut dapat penulis artikan bahwa VaR adalah kerugian maksimum yang dapat terjadi dimana terdapat probabilitas rendah bahwa kerugian sebenarnya akan lebih besar. Sedangkan definisi lain yang lain adalah “VaR summarizes the worst loss over a target horizon with a given level of confidence” (Jorion, 1997, p.22) yang dapat diartikan bahwa VaR merupakan ringkasan kerugian terburuk dari suatu rentang waktu dengan tingkat kepercayaan tertentu. Lebih tepatnya, VaR adalah kuantil dari distribusi keuntungan dan kerugian dari rentang waktu tertentu. Jika c adalah tingkat kepercayaan, VaR berhubungan dengan 1-c yaitu lower tail level. Sebagai contoh, jika dengan tingkat kepercayaan 95 persen, VaR adalah yang melebihi 5 persen dari jumlah angka observasi dalam distribusi. Dalam portofolio, secara matematis VaR dapat dirumuskan sebagai berikut :

Dimana N adalah rentang waktu dalam hari, n adalah jumlah aset dalam portofolio, V adalah nilai pasar sebuah aset, i jumlah aset ditahan dalam portofolio, σp volatilitas perubahan harga dalam portofolio sejumlah n asset, dan CF adalah

nilai z distribusi normal tingkat kepercayaan tertentu. Butler (1999) dalam bukunya Mastering Value at Risk menyatakan bahwa VaR mengukur kerugian terburuk yang diharapkan dapat diderita suatu institusi


pada rentang waktu tertentu dengan kondisi pasar normal pada tingkat kepercayaan tertentu. 2.1.5. Ilustrasi VaR Untuk mengilustrasikan

perhitungan VaR penulis dapat mengambil

contoh seorang investor yang berinvestasi di bursa sebesar 100 juta rupiah. Berapa besar kerugian yang bisa dialami dalam sebulan? Untuk menjawab pertanyaan ini, penulis simulasikan return 1 bulan dari investasi ini berdasarkan data historis, gunakan hanya pergerakan harga. Gambar 2.6 dibawah ini adalah gambar simulasi return investasi bulanan selama 5 tahun dalam persen.

Gambar 2. 6 Return Investasi Bulanan (Sumber : Value at Risk : The New Benchmark for Managing Financial Risk, Philippe Jorion, p.23) Kemudian return bulanan tersebut dipetakan dalam distribusi frekuensi atau yang lebih umum disebut sebagai histogram seperti pada gambar 2.8 dibawah ini :


Gambar 2. 7 Histogram Return Bulanan (Sumber : Value at Risk : The New Benchmark for Managing Financial Risk, Philippe Jorion, p.24) Kemudian dipilihlah suatu tingkat kepercayaan tertentu, misalnya tingkat kepercayaan 95 persen. Artinya penulis akan mencari loss yang tidak akan melebihi 95 persen seluruh kejadian, yaitu 5 persen dari total observasi adalah 27 dari total 552 kejadian. Dari gambar 2.8 maka angka ini adalah sepenulisr 2.5 persen. Sekarang VaR dari investasi 100 juta rupiah tadi siap dihitung. Berdasarkan analisa sebelumnya penulis yakin 95 persen bahwa investasi tidak akan jatuh lebih dari 100 juta rupiah kali 2.5 persen atau 2.5 juta rupiah per bulan. Maka nilai VaRnya adalah sepenulisr 2.5 juta rupiah. Hasil yang sama juga bisa didapatkan dengan mengambil standar deviasi dari data historis, yaitu dalm kasus ini 1.5 persen, dan mengalikannya dengan 95 persentil dari distribusi normal, yaitu 1.645. Hasil dari perhitungan ini adalah dekat dengan hasil sebelumnya, yaitu 2.4 juta rupiah. Risiko pasar dari investasi ini sekarang dapat dikomunikasikan secara efektif ke khalayak umum dengan pernyataan sebagai berikut : dalam kondisi pasar normal, kerugian terburuk pada investasi yang dapat terjadi dalam sebulan adalah sepenulisr 2.5 juta rupiah pada tingkat kepercayaan 95 persen.


2.1.6. Metode Perhitungan VaR Buttler (1999) mendefiniskan tiga jenis metode yang umum digunakan dalam menghitung VaR portofolio. Tiga metode tersebut adalah metode variance covariance, metode data historis, dan monte carlo simulation. a.

Metode Variance Covariance Metode ini adalah metode paling sederhana dalam menghitung nilai VaR.

Pendekatan metode ini meliputi penggunaan informasi yang di publikasikan mengenai volatilitas dan korelasi yang kemudian dibuat menjadi matriks pembobotan. Metode ini merupakan metode yang paling popular karena metode ini merupakan yang paling sederhana dan paling mudah untuk diterapkan. Pada portofolio instrumen lebih dari dua instrumen/aset investasi, metode ini menggunakan matriks dalam perhitungan standar deviasi portofolionya. Perhitungan standar deviasi portofolio dengan matriks dijabarkan pada rumus :

Dimana W adalah matriks weight yaitu matriks pembobotan alokasi dana kedalam masing-masing aset. Katakanlah penulis punya 3 aset dalam portofolio, maka matriksnya berukuran 1 x 3. Kemudian V adalah matriks volatilitas yang tersusun dari standar deviasi masing-masing aset yang ada dalam portofolio tersebut. Katakanlah penulis punya 3 aset dalam portofolio, maka matriks yang terbentuk adalah matriks 3 x 3 dimana standar deviasi masing-masing aset portofolio berada pada diagonal matriksnya dan nilai nol pada elemen lainnnya Sedangkan C adalah matriks korelasi antara 3 aset dalam portofolio. Matriks ini juga berukuran 3 x 3. Yang terakhir adalah matriks W’ yang mana matriks ini adalah matriks transpose dari matriks W. Urutan perkalian dari matriks ini harus sesuai rumus matriksnya yaitu dimana dihitung terlebih dulu matriks variance covariance-nya (VCV matrix), lalu baru dikalikan dengan matriks bobotnya (W) dan matriks transpose bobot. Hasilnya adalah varians dari portofolio dimana diakarkuadratkan sehingga menghasilkan standar deviasi portofolio. Setelah didapat standar deviasi portofolionya, maka mempermudah perhitungan VaR untuk portofolionya. Sesuai konsep VaR bahwa nilai VaR


adalah nilai Z tingkat kepercayaan tertentu dikalikan dengan volatilitas(dalam hal ini adalah standar deviasi) dikalikan nilai pasarnya atau dalam portofolio adalah nilai dana total yang dialokasikan, maka dadapatkan nilai VaR untuk portofolio tersebut. Pendekatan perhitungan VaR ini mengandalkan matriks dalam perhitungannya dimana pendekatan perhitungan ini menangkap efek diversifikasi pada aset-aset dalam portofolio sehingga akan menghasilkan nilai VaR yang lebih rendah daripada yang tidak terdiversifikasi. Dalam metode variance covariance ini diasumsikan bahwa korelasi antar aset adalah stabil. Padahal seperti yang diketahui bahwa hal ini mungkin belum tentu benar dimana ada kejadian-kejadian besar seperti saat pasar saham jatuh. Kelemahan lain adalah metode perhitungan ini bertumpu pada distribusi normal, dan seperti yang penulis ketahui bahwa return aset belum tentu terdistribusi normal membuat hasil perhitungannya dapat menjadi bias. Namun, terlepas dari kelemahannya, metode perhitungan ini adalah yang paling mudah dan paling banyak diaplikasikan terutama menghadapi portofolio dengan aset berjumlah banyak. Terkadang menjadi masuk akal daripada menggunakan model perhitungan yang canggih dan rumit, digunakan model yang secara intuitif lebih mudah dimengerti dan mudah diaplikasikan seperti metode variance covariance ini. Model inilah yang dipakai penulis dalam skripsi ini dikombinasikan dengan data historis dan simulasi. b.

Metode Historis Seperti metode variance covariance di atas, metode ini secara intuitif

mudah dimengerti. Seorang risk manager cukup menyimpan data historis tentang profit harian dan kerugian harian dari portofolio dan kemudian menghitung persentil kelima pada tingkat kepercayaan 95% atau 1 persen untuk 99% VaR. Selain sederhana, pendekatan metode historis ini lebih realistis dibandingkan metode sebelumnya. Metode variance covariance adalah metode dimana volatilitas dan korelasinya adalah bukan figur yang sebenarnya, tetapi adalah sebuah estimasi rata-rata dari rentang waktu tertentu dimana dalam kondisi ekstrim,rata-rata ini tidak mampu mengatasinya. Kemudian kelebihan lainnya adalah metode ini tidak memerlukan “pemetaan” seperti metode sebelumnya dimana harus membentuk matriks bobot. Namun, kelemahan utama dari metode


historis ini adalah tidak cocok jika diterapkan pada portofolio yang bobot alokasi asetnya berubah-ubah. Artinya adalah komposisi asetnya berubah sesuai jalannya waktu. Metode ini tidak mampu mengatasi hal tersebut. c.

Metode Stokastik atau Simulasi Monte Carlo Metode ini melibatkan komputer untuk menghasilkan rangkaian harga

saham/aset menggunakan pendekatan “random walk”. Prosedurnya bisa cukup kompleks dan rumit walaupun dalam hal presisi adalah yang paling efektif, namun kelemahannya adalah sangat memakan waktu dan membutuhkan sumber daya komputer yang tinggi. Simulasi stokastik ini sangat efektif dalam mengatasi portofolio yang sangat kompleks dan terdiri dari banyak aset. 2.1.7. Operational VaR Sampai dengan sekarang, industri telah mengembangkan standar metode untuk mengukur dan mengelola risiko pasar dan risiko kredit terutama di bidang financial. Langkah selanjutnya sekarang industri mulai mengembangkan metode untuk mengukur dan mengelola risiko operasional terutama pada bidang nonfinancial. Risiko operasional sampai dengan sekarang belum mempunyai definisi yang standar dan masih terbuka untuk didiskusikan. Namun salah satu definisi umum menyatakan bahwa risiko operasional adalah risiko kerugian yang dihasilkan dari ketidaksesuaian atau kegagalan dari proses internal, manusia, dan sistem, atau dari kejadian eksternal (Jorion, 2003, p.547). Dalam konsep VaR sendiri, mulai dikenal suatu metode pengukuran risiko operasional yang disebut operational VaR. Operational VaR adalah suatu metode pengukuran risiko operasional yang berdasarkan model aktuaria. Model aktuaria mengestimasi objek distribusi kerugian berdasarkan data historis dan biasanya digunakan di industri asuransi. Model ini mengkombinasikan dua tipe distribusi, yaitu frekuensi kerugian(loss frequencies) dan besarnya kerugian (loss severities). Distribusi loss frequencies menggambarkan jumlah kejadian kerugian (loss event) dalam rentang waktu tertentu. Distribusi loss severity menggambarkan ukuran besarnya kerugian ketika kerugian terjadi. Kedua tipe distribusi ini kemudian digabungkan menjadi distribusi kerugian agregat (distribution of aggregate loss) melalui proses yang disebut convolution. Convolution dapat diimplementasikan


melalui tabulasi. Tabulasi terdiri dari pencatatan secara sistematis semua kemungkinan kombinasi dengan probabilitasnya. Berikut ini adalah contoh loss distribution untuk operational VaR :

Gambar 2. 8 Loss Distribution Perhitungan Operational VaR (Sumber: Financial Risk Manager Handbook 2nd Ed., Philippe Jorion, p.544) Tulisan pada sub bab ini hanya memperkenalkan konsep operational VaR sebagai metode bagaimana konsep VaR dapat diaplikasikan pada risiko operasional. Lebih jelas mengenai operational VaR dapat mengacu pada buku Financial Risk Manager Handbook Second Edition karya Philippe Jorion halaman 533. Selain itu, dalam bidang lain, konsep VaR juga digunakan untuk portofolio energi, manajemen fluktuasi harga energi, dan manajemen penyediaan energi (Shebl’e & Berleant). 2.2. Manajemen Portofolio Sesuai dengan kata-kata yang menyusunnya, istilah ini berkenaan dengan usahah-usaha mengatur kumpulan investasi (portofolio) agar menghasilkan keuntungan yang sebesar-besarnya sembari mengelola risiko yang ditanggung dari setiap keputusan yang dibuat. Untuk mengenal lebih dalam mengenai konsep manajemen portofolio, terlebih dahulu penulis paparkan sedikit pengetahuan mengenai pasar finansial dan produknya.


Berikut ini merupakan artikel pembelajaran yang diunduh dari website resmi BEI “Mengenal Pasar Modal”, “Mengenal Saham”, “Mekanisme Perdagangan”, dan “Indeks Harga Saham dan Obligasi” pada tanggal 17 Juni 2008. 2.2.1. Mengenal Pasar Modal Pasar modal (capital market) merupakan pasar untuk berbagai instrumen keuangan jangka panjang yang bisa diperjualbelikan, baik surat utang (obligasi), ekuiti (saham), reksa dana, instrumen derivatif maupun instrumen lainnya. Pasar modal merupakan sarana pendanaan bagi perusahaan maupun institusi lain (misalnya pemerintah), dan sebagai sarana bagi kegiatan berinvestasi. Dengan demikian, pasar modal memfasilitasi berbagai sarana dan prasarana kegiatan jual beli dan kegiatan terkait lainnya. Instrumen keuangan yang diperdagangkan di pasar modal merupakan instrumen jangka panjang (jangka waktu lebih dari 1 tahun) seperti saham, obligasi, waran, right, reksa dana, dan berbagai instrumen derivatif seperti option, futures, dan lain-lain. Undang-Undang Pasar Modal No. 8 tahun 1995 tentang Pasar Modal mendefinisikan pasar modal sebagai “kegiatan yang bersangkutan dengan Penawaran Umum dan perdagangan Efek, Perusahaan Publik yang berkaitan dengan Efek yang diterbitkannya, serta lembaga dan profesi yang berkaitan dengan Efek”. Pasar Modal memiliki peran penting bagi perekonomian suatu negara karena pasar modal menjalankan dua fungsi, yaitu pertama sebagai sarana bagi pendanaan usaha atau sebagai sarana bagi perusahaan untuk mendapatkan dana dari masyarakat pemodal (investor). Dana yang diperoleh dari pasar modal dapat digunakan untuk pengembangan usaha, ekspansi, penambahan modal kerja dan lain-lain, kedua pasar modal menjadi sarana bagi masyarakat untuk berinvestasi pada instrument keuangan seperti saham, obligasi, reksa dana, dan lain-lain. Dengan demikian, masyarakat dapat menempatkan dana yang dimilikinya sesuai dengan karakteristik keuntungan dan risiko masing-masing instrument.


2.2.2. Mengenal Saham Saham (stock) merupakan salah satu instrumen pasar keuangan yang paling populer. Menerbitkan saham merupakan salah satu pilihan perusahaan ketika memutuskan untuk pendanaan perusahaan. Pada sisi yang lain, saham merupakan instrument investasi yang banyak dipilih para investor karena saham mampu memberikan tingkat keuntungan yang menarik. Saham dapat didefinisikan sebagai tanda penyertaan modal seseorang atau pihak (badan usaha) dalam suatu perusahaan atau perseroan terbatas. Dengan menyertakan modal tersebut, maka pihak tersebut memiliki klaim atas pendapatan perusahaan, klaim atas asset perusahaan, dan berhak hadir dalam Rapat Umum Pemegang Saham (RUPS). Pada dasarnya, ada dua keuntungan yang diperoleh investor dengan membeli atau memiliki saham, yaitu: •

Dividen, merupakan pembagian keuntungan yang diberikan perusahaan dan berasal dari keuntungan yang dihasilkan perusahaan. Dividen diberikan setelah mendapat persetujuan dari pemegang saham dalam RUPS. Jika seorang pemodal ingin mendapatkan dividen, maka pemodal tersebut harus memegang saham tersebut dalam kurun waktu yang relatif lama yaitu hingga kepemilikan saham tersebut berada dalam periode dimana diakui sebagai

pemegang

saham

yang

berhak

mendapatkan

dividen.

Dividen yang dibagikan perusahaan dapat berupa dividen tunai – artinya kepada setiap pemegang saham diberikan dividen berupa uang tunai dalam jumlah rupiah tertentu untuk setiap saham - atau dapat pula berupa dividen saham yang berarti kepada setiap pemegang saham diberikan dividen sejumlah saham sehingga jumlah saham yang dimiliki seorang pemodal akan bertambah dengan adanya pembagian dividen saham tersebut. •

Capital gain, merupakan selisih antara harga beli dan harga jual. Capital gain terbentuk dengan adanya aktivitas perdagangan saham di pasar sekunder. Misalnya Investor membeli saham ABC dengan harga per saham Rp 3.000 kemudian menjualnya dengan harga Rp 3.500 per saham yang berarti pemodal tersebut mendapatkan capital gain sebesar Rp 500 untuk setiap saham yang dijualnya.

Sebagai instrument investasi, saham memiliki risiko, antara lain:


•

Capital loss, merupakan kebalikan dari Capital gain, yaitu suatu kondisi dimana investor menjual saham lebih rendah dari harga beli. Misalnya saham PT. XYZ yang di beli dengan harga Rp 2.000,- per saham, kemudian harga saham tersebut terus mengalami penurunan hingga mencapai Rp 1.400,- per saham.Karena takut harga saham tersebut akan terus turun, investor menjual pada harga Rp 1.400,- tersebut sehingga mengalami kerugian sebesar Rp 600,- per saham.

•

Risiko likuidasi, perusahaan yang sahamnya dimiliki, dinyatakan bangkrut oleh Pengadilan, atau perusahaan tersebut dibubarkan. Dalam hal ini hak klaim dari pemegang saham mendapat prioritas terakhir setelah seluruh kewajiban perusahaan dapat dilunasi (dari hasil penjualan kekayaan perusahaan). Jika masih terdapat sisa dari hasil penjualan kekayaan perusahaan tersebut, maka sisa tersebut dibagi secara proporsional kepada seluruh pemegang saham. Namun jika tidak terdapat sisa kekayaan perusahaan, maka pemegang saham tidak akan memperoleh hasil dari likuidasi tersebut. Kondisi ini merupakan risiko yang terberat dari pemegang saham. Untuk itu seorang pemegang saham dituntut untuk secara terus menerus mengikuti perkembangan perusahaan. Di pasar sekunder atau dalam aktivitas perdagangan saham sehari-hari,

harga-harga saham mengalami fluktuasi baik berupa kenaikan maupun penurunan. Pembentukan harga saham terjadi karena adanya permintaan dan penawaran atas saham tersebut. Dengan kata lain harga saham terbentuk oleh supply dan demand atas saham tersebut. Supply dan demand tersebut terjadi karena adanya banyak faktor, baik yang sifatnya spesifik atas saham tersebut (kinerja perusahaan dan industri dimana perusahaan tersebut bergerak) maupun faktor yang sifatnya makro seperti tingkat suku bunga, inflasi, nilai tukar dan faktor-faktor non ekonomi seperti kondisi sosial dan politik, dan faktor lainnya. 2.2.3. Indeks Harga Saham Indeks harga saham adalah suatu indikator yang menunjukkan pergerakan harga saham. Indeks berfungsi sebagai indikator trend pasar, artinya pergerakan


indeks menggambarkan kondisi pasar pada suatu saat, apakah pasar sedang aktif atau lesu. Dengan adanya indeks, penulis dapat mengetahui trend pergerakan harga saham saat ini; apakah sedang naik, stabil atau turun. Misal, jika di awal bulan nilai indeks 300 dan saat ini di akhir bulan menjadi 360, maka penulis dapat mengatakan bahwa secara rata-rata harga saham mengalami peningkatan sebesar 20%. Pergerakan indeks menjadi indikator penting bagi para investor untuk menentukan apakah mereka akan menjual, menahan atau membeli suatu atau beberapa saham. Karena harga-harga saham bergerak dalam hitungan detik dan menit, maka nilai indeks pun bergerak turun naik dalam hitungan waktu yang cepat pula. Di Bursa Efek Indonesia terdapat 6 (enam) jenis indeks, antara lain: a.

Indeks Individual, menggunakan indeks harga masing-masing saham terhadap harga dasarnya, atau indeks masing-masing saham yang tercatat di BEI.

b.

Indeks Harga Saham Sektoral, menggunakan semua saham yang termasuk dalam masing-masing sektor, misalnya sektor keuangan, pertambangan, dan lain-lain. Di BEI indeks sektoral terbagi atas sembilan sektor yaitu: pertanian, pertambangan, industri dasar, aneka industri, konsumsi, properti, infrastruktur, keuangan, perdagangan dan jasa, dan manufaktur.

c.

Indeks Harga Saham Gabungan atau IHSG (Composite Stock Price Index), menggunakan semua saham yang tercatat sebagai komponen penghitungan indeks.

d.

Indeks LQ 45, yaitu indeks yang terdiri 45 saham pilihan dengan mengacu kepada 2 variabel yaitu likuiditas perdagangan dan kapitalisasi pasar. Setiap 6 bulan terdapat saham-saham baru yang masuk kedalam LQ 45 tersebut.

e.

Indeks Syariah atau JII (Jakarta Islamic Index). JII merupakan indeks yang terdiri 30 saham mengakomodasi syariat investasi dalam Islam atau Indeks yang berdasarkan syariah Islam. Dengan kata lain, dalam Indeks ini dimasukkan saham-saham yang memenuhi kriteria investasi dalam syariat Islam. Saham-saham yang masuk dalam Indeks Syariah adalah emiten yang


kegiatan usahanya tidak bertentangan dengan syariah seperti (1) usaha perjudian dan permainan yang tergolong judi atau perdagangan yang dilarang; (2) usaha lembaga keuangan konvensional (ribawi) termasuk perbankan dan asuransi konvensional; (3) usaha yang memproduksi, mendistribusi serta memperdagangkan makanan dan minuman yang tergolong haram; (4) usaha yang memproduksi, mendistribusi dan/atau menyediakan barang-barang ataupun jasa yang merusak moral dan bersifat mudarat f.

Indeks Papan Utama dan Papan Pengembangan. Yaitu indeks harga saham yang secara khusus didasarkan pada kelompok saham yang tercatat di BEI yaitu kelompok Papan Utama dan Papan Pengembangan.

g.

Indeks KOMPAS 100. merupakan Indeks Harga Saham hasil kerjasama Bursa Efek Indonesia dengan harian KOMPAS.

2.2.4. Mekanisme Perdagangan Sebelum dapat melakukan transaksi, terlebih dahulu investor harus menjadi nasabah di perusahaan Efek atau kantor broker. Di BEI terdapat sepenulisr 120 perusahaan Efek yang menjadi anggota BEI. Pertama kali investor melakukan pembukaan rekening dengan mengisi dokumen pembukaan rekening. Di dalam dokumen pembukaan rekening tersebut memuat identitas nasabah lengkap (termasuk tujuan investasi dan keadaan keuangan) serta keterangan tentang investasi yang akan dilakukan. Nasabah atau investor dapat melakukan order jual atau beli setelah investor disetujui untuk menjadi nasabah di perusahaan Efek yang bersangkutan. Umumnya setiap perusahaan Efek mewajibkan kepada nasabahnya untuk mendepositkan sejumlah uang tertentu sebagai jaminan bahwa nasabah tersebut layak melakukan jual beli saham. Jumlah deposit yang diwajibkan bervariasi; misalnya ada yang mewajibkan sebesar Rp 25 juta, sementara yang lain mewajibkan sebesar Rp 15 juta dan seterusnya. Pada dasarnya tidak ada batasan minimal dan jumlah dana untuk membeli saham. Dalam perdagangan saham, jumlah saham yang dijual-belikan dilakukan dalam satuan perdagangan yang disebut dengan lot. Di Bursa Efek Indonesia, satu


lot berarti 500 saham dan itulah batas minimal pembelian saham. Lalu dana yang dibutuhkan menjadi bervariasi karena beragamnya harga saham yang tercatat di Bursa. Misalnya harga saham XYZ Rp 1.000, maka dana minimal yang dibutuhkan untuk membeli satu lot saham tersebut menjadi ( 500 dikali Rp 1.000) sejumlah Rp 500.000. Sebagai ilustrasi lain, jika saham ABC harga per sahamnya Rp 2.500 maka dana minimal untuk membeli saham tersebut berarti ( 500 dikali Rp 2.500) sebesar Rp 1.250.000,-. Di BEI, transaksi dilakukan pada hari-hari tertentu yang disebut Hari Bursa, yaitu: Tabel 2. 1 Sesi Perdagangan di Bursa Efek Indonesia

(Sumber: Situs BEI, www.idx.co.id) Dilihat dari prosesnya, maka urutan perdagangan saham atau Efek lainnya dapat dijelaskan sebagai berikut: a.

Menjadi Nasabah di Perusahaan Efek. Pada bagian ini, seseorang yang akan menjadi investor terlebih dahulu menjadi nasabah atau membuka rekening di salah satu broker atau Perusahaan Efek. Setelah resmi terdaftar menjadi nasabah, maka investor dapat melakuka kegiatan transaksi.

b.

Order dari nasabah. Kegiatan jual beli saham diawali dengan instruksi yang disampaikan investor kepada broker. Pada tahap ini, perintah atau order dapat dilakukan secara langsung dimana investor datang ke kantor broker atau order disampaikan melalui sarana komunikasi seperti telpon atau sarana komunikasi lainnya.

c.

Diteruskan ke Floor Trader. Setiap order yang masuk ke broker selanjutnya akan diteruskan ke petugas broker tersebut yang berada di lantai bursa atau yang sering disebut floor trader.


d.

Masukkan order ke JATS. Floor trader akan memasukkan (entry) semua order yang diterimanya kedalam sistem komputer JATS. Di lantai bursa, terdapat ratusan terminal JATS yang menjadi sarana entry order-order dari nasabah. Seluruh order yang masuk ke sistem JATS dapat dipantau baik oleh floor trader, petugas di kantor broker dan investor. Dalam tahap ini, terdapat komunikasi antara pihak broker dengan investor agar dapat terpenuhi tujuan order yang disampaikan investor baik untuk beli maupun jual. Termasuk pada tahap ini, berdasarkan perintah investor, floor trader melakukan beberapa perubahan order, seperti perubahan harga penawaran, dan beberapa perubahan lainnya.

e.

Transaksi Terjadi (matched). Pada tahap ini order yang dimasukkan ke sistem JATS bertemu dengan harga yang sesuai dan tercatat di sistem JATS sebagai transaksi yang telah terjadi (done), dalam arti sebuah order beli atau jual telah bertemu dengan harga yang cocok. Pada tahap ini pihak floor trader atau petugas di kantor broker akan memberikan informasi kepada investor bahwa order yang disampaikan telah terpenuhi.

f.

Penyelesaian Transaksi (settlement). Tahap akhir dari sebuah siklus transaksi adalah penyelesaian transaksi atau sering disebut settlement. Investor tidak otomatis mendapatkan hak-haknya karena pada tahap ini dibutuhkan beberapa proses seperti kliring, pemindahbukuan, dan lain-lain hingga akhirnya hak-hak investor terpenuhi, seperti investor yang menjual saham akan mendapatkan uang, sementara investor yang melakukan pembelian saham akan mendapatkan saham. Di BEI, proses penyelesaian transaksi berlangsung selama 3 hari bursa. Artinya jika melakukan transaksi hari ini (T), maka hak-hak penulis akan dipenuhi selama 3 hari bursa berikutnya, atau dikenal dengan istilah T + 3.

2.2.5. Pengertian Manajemen Portofolio Manajemen portofolio dapat diartikan sebagai usaha yang dilakukan untuk menigkatkan keuntungan yang dihasilkan oleh sebuah kumpulan investasi. Seringkali diasumsikan bahwa penulis dapat membangun portofolio yang optimal dengan menggunakan data yang diberikan.


Dasar dari usaha tersebut banyak dibangun pada tahun 1952 oleh Harry Markowitz. Pertama-tama penulis asumsikan bahwa pasar modal memiliki kompetisi penuh, dan penulis mereka semua berpartisipasi secara rasional, dan memiliki informasi yang cukup. Pasar seperti itu disebut sebagai pasar yang “efisien”. Setiap surat berharga dikenali dan dipahami sehingga pengembalian sejalan dengan risiko. Risiko dihitung berdasarkan sensitivitas harga pasar yang disebut beta ( ). Saat harga suatu produk finansial memiliki beta 1.00 maka kenaikan harga produk tersebut sangat berhubungan atau sejalan dengan kenaikan harga pasar. Jadi, jika suatu aset memiliki beta lebih dari satu, aset tersebut memperkuat pergerakan pasar. Volatilitas ini seringkali dianggap berisiko. Maka dari itu penulis menanam dana penulis pada aset lain yang memiliki nilai beta -1.00 untuk nilai bersih aset. Langkah ini merupakan langkah populer untuk melindungi nilai bersih aset. Investor dapat menggunakan pengetahuan lengkap mereka tentang keadaan pasar untuk membangun portofolio yang efisien dan memaksimalkan profit. Oleh karena itu, penulis dapat menghasilkan pengembalian yang optimal untuk setiap investor. Membuat titik optimum pengembalian dalam kurva pilihan dapat memberikan penulis “investasi terbaik” untuk pemain pasar. Teori ini biasa disebut sebagai capital asset pricing model (CAPM), dan menjadi dasar bagi berbagai teori investasi. Lihat Gambar 2.9.

Gambar 2. 9 Model Portofolio CAPM


(Sumber: Investment Risk Management, Yen Yee Chong, 2004, p. 23) Gambar di bawah menggambarkan pilihan yang dimiliki oleh investor: mengambil risiko yang besar atau menguranginya dengan membagi dana pada kedua aset.

Gambar 2. 10 Dua Pilihan Aset Portofolio (Sumber: Investment Risk Management, Yen Yee Chong, 2004, p.24) Intinya dalam manajemen portofolio, terdapat dua hal yang menjadi tujuan utama, yaitu (1) memaksimalkan tingkat pengembalian aset (2) mengurangi risiko dalam tingkatan yang bisa ditanggung. 2.2.6. Rasio Finansial Dalam menentukan perusahaan yang akan digunakan sebagai tempat penanaman investasi saham, terlebih dahulu seorang investor dianjurkan memiliki data-data kinerja perusahaan. Kinerja perusahaan secara sederhana dapat diwakili dengan rasio finansial yang dimiliki oleh perusahaan tersebut. Berikut ini merupakan jenis-jenis rasio finansial yang dapat dijadikan bahan pertimbangan dalam menggambarkan kinerja perusahaan. •

Rasio laba penjualan, laba operasi dibagi dengan total penjualan bersih. Rasio ini mengukur tingkat keuntungan dari perusahaan (profitabilitas).

•

Rasio laba atas dana operasi, laba operasi dibagi dengan total aset. Rasio ini mengukur tingkat pengembalian atas aset yang dimiliki oleh perusahaan.


•

Rasio lancar, harta lancar dibagi dengan utang lancar. Rasio ini mengukur nilai koefisien dari likuiditas perusahaan. Semakin tinggi nilainya semakin baik tingkat likuiditas perusahaan.

•

Rasio cair, harta lancar ditambah inventori dibagi dengan utang lancar.

•

Rasio kas, kas dibagi dengan penjumlahan antara dana di bank dengan utang lancar.

•

Rasio perputaran dana operasi, total penjualan bersih dibagi dengan total aset.

•

Rasio perputaran modal kerja, total penjualan bersih dibagi dengan selisih antara harta lancar dengan utang lancar.

•

Rasio perputaran harta tetap, total penjualan bersih dibagi dengan harta tetap.

•

Rasio jangka pengumpulan piutang, total piutang dibagi dengan penjualan bersih.

•

Rasio utang, total utang dibagi dengan total aset.

•

Rasio utang terhadap ekuitas, total utang dibagi dengan total ekuitas.

•

Rasio biaya operasi, biaya operasi dibagi dengan total penjualan bersih.

•

Rasio biaya penjualan, biaya penjualan dibagi dengan total penjualan bersih.

•

Rasio biaya administrasi, biaya administrasi dibagi dengan total penjualan bersih.

2.2.7. Aplikasi Chaos Theory dalam Manajemen Portofolio "Chaos theory is the qualitative study of unstable aperiodic behavior in deterministic nonlinear dynamical systems" (Kellert, 1993). Dari definisi tersebut Valle (2000) menyimpulkan beberapa karakteristik dari chaos. Pertama, sistem tersebut bersifat dinamis, berubah sejalan dengan waktu. Kedua, perilaku sistem aperiodik dan tidak stabil yang berarti bahwa perilaku tersebut tidak berulang. Ketiga, walaupun perilaku chaos sangatlah kompleks, perilaku tersebut bisa memiliki alasan yang sederhana. Keempat, karena sistem tersebut nonlinear, maka sensitif terhadap kondisi awal (initial condition). Williams (1997) mendefinisikan kenonlinearan sebagai sistem yang memiliki keluaran tidak proporsional terhadap masukan dan sistem tersebut tidak sesuai dengan prinsip penambahan, misalnya


sistem itu dapat melibatkan reaksi sinergis dimana jumlah keseluruhan bukan merupakan penjumlahan dari bagian-bagiannya). Kelima, karena sistem chaos bersifat deterministik, maka perilaku chaos bukan peristiwa acak walaupun sifatnya yang aperiodik dan tidak dapat diprediksi membuatnya terlihat seperti itu. Di sisi lain, karena ketidakstabilannya, sifatnya yang aperiodik dan sensitif terhadap kondisi awal, perilaku sistem chaos tidak dapat diprediksi walaupun bersifat deterministik. Ketujuh, walaupun tidak termasuk dalam definisi di atas, adalah iterasi atau umpan balik, dimana keluaran dari sebuah sistem digunakan sebagai masukan pada perhitungan selanjutnya. Indrayadi (2005) dalam karya tulisnya yang berjudul Application of Chaos Theory in Managing Market Risk of a Stocks Portfolio memaparkan aplikasi perhitungan risiko yang terinspirasi dari konsep chaos theory. Ia menawarkan metode baru pengembangan perhitungan value at risk yang dikaitkan dengan sifat chaotic pada perubahan harga sekuriti. Indrayadi

mengungkapkan

bahwa

terdapat

beberapa

hal

yang

mengggambarkan perilaku chaotic, antara lain sensitif terhadap kondisi awal, kecenderungan untuk terbagi menjadi dua (bifurcate) sebelum mencapai kondisi chaos, dan kecenderungan untuk memiliki strange attractors. Untuk mengenali strange attractors tersebut, langkah yang dilakukan adalah dengan memplot tingkat pengembalian aset pada waktu n dengan tingkat pengembalian saat n+1 serta membagi tingkat pengembalian dari portofolio menjadi beberapa level tingkat pengembalian. Hal ini dengan pertimbangan bahwa kondisi tingkat pengembalian aset pada satu hari dipengaruhi oleh kondisi awal aset pada hari sebelumnya (initial condition). Suatu konsep yang berlawanan dengan perhitungan VaR konvensional berlandaskan random walk hypothesis yang menganggap hal tersebut tidak saling berhubungan. Gambar 2.11 menunjukkan peta tingkat pengembalian aset ASII dari 2 Agustus 1991 hingga 19 Agustus 2004. Sumbu x pada gambar tersebut menggambarkan tingkat pengembalian pada saat n, sedangkan sumbu y menggambarkan tingkat pengembalian saat n+1. Indrayadi (2005) menambahkan, dari gambar tersebut dapat penulis lihat bahwa tingkat pengembalian berkumpul di kisaran -10% hingga 10%. Bentuk


yang terlihat tidak bulat tetapi lebih menyerupai trapesium. Hal ini membuktikan bahwa terdapat perilaku chaotic daripada random dalam pola persebaran tingkat pengembalian aset.

Gambar 2. 11 Peta Tingkat Pengembalian Saham PT. Astra Internasional (Sumber: Indrayadi, 2005) Standar deviasi yang digunakan dalam aplikasi ini didapat dengan membagi tingkat pengembalian aset menjadi beberapa zona interval tingkat pengembalian. Misalnya, interval 0%-1%. Kemudian masing-masing data dalam interval tersebut diasumsikan terdistribusi secara normal dan maka dari itu standar deviasi tersebut merepresentasikan distribusi normal. Asumsi tersebut memang agak kontradiksi dengan prinsip perilaku chaotic, namun dengan membagi interval zona dalam bagian-bagian yang kecil dapat meminimalisasi pengumpulan dalam poin-poin tersebut atau dengan kata lain nilai tingkat pengembalian akan cenderung terdistribusi dengan acak dalam interval tersebut seolah-olah bersifat random.


2.3. Pemodelan Sistem 2.3.1. Pengertian System Dynamics System dynamics merupakan sebuah bidang ilmu yang pertama kali diperkenalkan dan dikembangkan oleh Jay W. Forrester. Powersim Computer Software (2003, p.32) perusahaan pembuat model bisnis terkemuka dari Norwegia dalam petunjuk penggunaan produk simulasinya mendefinisikan system dynamics sebagai berikut: “System dynamics is a computer based simulation modeling methodology developed at the Massachusetts Institute of Technology (MIT) in the 1950s as a tool for managers to analyze complex problems”. Definisi tersebut bagaikan “pucuk yang dicinta ulam tiba“ bagi masalah ke-kompleks-an dan kerumitan risiko yang menghantui perancangan sistem saat ini. System dynamics sangat dibutuhkan bagi setiap orang yang belajar atau menekuni teknik industri. Powersim Computer Software (2003, p.32) mengungkapkan bahwa katakata system dynamics berpusat pada kata dynamic yang mengacu pada perubahan yang terjadi terus-menerus, sesuatu yang benar-benar dilakukan oleh sebuah sistem yang dinamis, yaitu berubah sejalan dengan waktu. Dengan menggunakan simulasi dinamis, penulis tidak hanya mampu melihat kejadian-kejadian tertentu tetapi juga pola perilaku sejalan dengan waktu. Perilaku sebuah sistem seringkali berasal dari struktur dari sistem tersebut dan perilaku tersebut berubah sejalan dengan waktu. Simulasi dapat dilakukan dengan melihat ke belakang, dengan menggunakan data historis maupun melihat ke depan dengan memperkirakan hasil di masa depan. Memahami pola perilaku, dibandingkan dengan memfokuskan pada kejadian dari hari ke hari, dapat memberikan perubahan perspektif yang radikal. Hal itu dapat menunjukkan bagaimana struktur sebuah sistem menjadi sumber kesuksesan atau kegagalannya. Struktur tersebut direpresentasikan dengan runtutan hubungan sebab-akibat. Implikasinya adalah setiap keputusan yang dibuat oleh sebuah organisasi memiliki konsekuensinya masing-masing, beberapa disengaja dan beberapa tidak. Beberapa konsekuensi dapat dilihat segera setelah keputusan dibuat, sementara yang lain membutuhkan beberapa tahun untuk terlihat.


Simulasi

system

dynamics

merupakan

alat

yang

baik

untuk

mengkomunikasikan tidak hanya apa yang akan terjadi, tetapi juga alasannya. Hal ini dikarenakan simulasi system dynamics didesain untuk mengungkapkan apa yang terjadi atau mungkin terjadi dalam dunia yang sebenarnya. Untuk memahami konsep system dynamics, berikut ini merupakan kutipan tidak langsung dari Powersim Computer Software (2003, p.32) yang menjelaskan konsep tersebut dengan lebih sederhana. Saat menghadapi masalah atau situasi yang baru, penulis dapat bereaksi dengan beberapa cara yang berbeda. Pendekatan yang penulis pilih biasanya berdasarkan pengalaman dan pengetahuan terhadap masalah yang dihadapi. Sebagai manusia, pendekatan yang paling biasa dalam menghadapi masalah atau situasi yang baru adalah dengan memecahnya menjadi beberapa bagian dan memeriksanya satu-persatu. Penulis melakukan hal ini dengan harapan bahwa dengan memahami bagian dari sesuatu penulis dapat memahami keseluruhan masalah yang saat itu sedang penulis hadapi. Penulis diajarkan metode ini dalam masa muda dan terus-menerus diingatkan hampir setiap hari. Pendekatan ini memungkinkan penulis mengatur data yang berlebihan, tekanan, masalah, dan kekacauan yang menyerang penulis setiap hari. Jika penulis tidak memiliki kemampuan ini, setiap masalah yang kecil akan kelihatan sangat besar. Walaupun metode ini merupakan pendekatan yang baik dalam beberapa situasi, metode ini tidak cocok atau bahkan berbahaya jika digunakan pada beberapa situasi lain. Pendekatan lain yang lebih canggih biasanya dibutuhkan untuk menhadapi masalah perusahaan. Jika sebuah perusahaan mengalami ancaman serius terhadap eksistensinya, contohnya mengecilnya pasar atau konflik dengan persatuan pekerja, maka sumber daya akan digunakan untuk menghadapi masalah tersebut. Perusahaan mungkin sudah dibagi menjadi “bagian”, seperti departemen keuangan, departemen pemasaran, dan lain-lain. Masalah yang mempengaruhi seluruh perusahaan seringkali dikambinghitamkan pada satu departemen, seperti saat mengecilnya pasar menyebabkan eksekutif menghukum atau menyelidiki departemen pemasaran. Titik permasalahan mungkin terlihat jelas. Perusahaan pasti kehilangan pasar karena karyawan departemen pemasaran tidak menjual barang. Yang seringkali terlupakan adalah fakta bahwa departemen


pemasaran bergantung pada departemen lain dalam menjalankan tugasnya. Kesalahan mungkin terjadi pada salah satu atau semua departemen. Mungkin saja departemen servis informasi manajemen belum memberikan para karyawan pemasaran dukungan komputer yang mereka butuhkan. Atau mungkin departemen produksi mengalami penjadwalan yang berantakan atau backlog. Hal ini tentu saja mempersulit mereka untuk dapat menjual produk dan segera mengantarkannya ke konsumen. Berbagai faktor bisa saja jadi penyebabnya. Hal itu bisa terlihat jika interaksi di antara bagian dari perusahaan, tidak hanya bagian tertentu, diperiksa. Sementara itu Forrester (1991, p.5) dalam sebuah tulisannya yang berjudul System Dynamics and 35 Years of Experience juga mengemukakan sisi lain pengertian system dynamics: “System dynamics combines the theory, methods, and philosophy needed to analyze the behavior of systems in not only management, but also in environmental change, politics, economic behavior, medicine, engineering, and other fields”. Hal tersebut sejalan dengan berbagai hal yang dihadapi oleh sang penggagas konsep selama hidupnya sebelumnya menciptakan konsep ini. Forrester (1989) mengemukakan dalam sebuah perbincangan jamuan makan pada pertemuan internasional System Dynamics Society bahwa bidang keilmuan ini seolah telah terbentuk semenjak ia kecil. Berkat masa kecilnya yang ia habiskan di peternakan, konsep-konsep ekonomi seperti penawaran dan permintaan, perubahan harga dan biaya, dan tekanan perekonomian dunia pertanian menjadi pengalaman yang merasuk dalam jiwanya. Singkatnya, berbagai pengalaman yang diperolehnya dengan melakukan banyak proyek di berbagai bidang, dari teknologi rendah hingga teknologi tinggi mendorongnya untuk menggabungkan kedua konsep tersebut, yaitu kekompleksan dan dinamika sistem dengan komputer. 2.3.2. Systems Thinking vs System Dynamics Jika menilik dari perkembangan sejarah keilmuan systemic, jauh sebelum system dynamics mulai dikembangkan, pada tahun 1920 para peneliti mulai menemukan kesamaan perilaku permasalahan dari berbagai bidang. Bidang tersebut yang masih terbilang baru pada waktu itu, teori sistem umum,


dikembangkan berdasarkan gagasan bahwa tidak perduli bagaimana bagian sebuah sistem berbeda, mereka dibangun menjadi satu dengan peraturan yang sama. Teori sistem menganjurkan bahwa pengetahuan akan satu tipe sistem dapat diterapkan pada berbagai tipe lain. Dengan mempelajari interaksi dan koneksi antara bagian-bagian dalam sebuah sistem, penulis dapat mengambil pengetahuan yang berguna jika menghadapi masalah lain. Teori sistem kemudian berkembang menjadi dua bidang utama dalam pengetahuan manajemen, yaitu systems thinking dan system dynamics yang telah penulis bahas panjang lebar sebelumnya. Pembahasan dan ilustrasi pada subbab sebelumnya berlaku pada system dynamics maupun systems thinking. Powersim (2003) mengemukakan bahwa systems thinking merupakan sebuah perubahan paradigma tentang bagaimana dunia bekerja, bagaimana perusahaan berfungsi, dan pengaruh manusia pada kedua sistem tersebut. Dalam systems thinking penulis mencari hubungan saling mempenrauhi di antara bagian-bagian sistem. Penulis melakukan ini agar dapat menemukan solusi jangka panjang dari suatu masalah. Dengan melihat hubungan yang saling mempengaruhi penulis juga dapat menemukan leverage points – tempat dimana sedikit perubahan dapat menghasilkan efek yang besar – dari sebuah sistem. Dengan memiliki pemahaman tentang bagaimana sebuah sistem terbangun dan bagaimana sistem bekerja juga mencegah penulis dari solusi yang hanya menyelesaikan gejala dari masalah tanpa menyelesaikan masalah itu sendiri. System dynamics dan systems thinking bukanlah yang mengambil model – representasi dari dunia sesungguhnya – pertama kalinya. Model secara otomatis telah ada dalam segala hal yang penulis lakukan. Setiap orang tidak memiliki keluarga atau perusahaan dalam otaknya. Namun, setiap orang memiliki pengamatan dan asumsi yang membangun sebuah model dari sistem tersebut. Mental model itulah yang dijadikan basis segala tindakan yang penulis lakukan (Senge, 1990). Systems thinking sangatlah efektif karena membantu penulis melihat bagaimanakah mental model penulis dan bagaimana model tersebut membangun persepsi penulis terhadap dunia. Dalam berbagai kasus, sangat sulit bagi penulis untuk mengubah mental model penulis. Selalu saja ada beberapa keyakinan atau


cara pandang yang tidak ingin penulis ubah, tidak perduli dengan bukti yang mengatakan sebaliknya. Hal ini mengakibatkan perlawanan terhadap konsep baru. Masalah dapat muncul, tetapi saat sebuah mental model yang kaku menghalangi sebuah solusi yang mungkin dapat menyelesaikan masalah, hal itu sangat berbahaya bagi kesehatan organisasi. Powersim (2003) melanjutkan, penulis menggunakan mental model penulis setiap hari. Otak penulis tidak benar-benar terdiri dari sistem ekonomi atau sistem sosial, tetapi representasi – model – dari kenyataan. Penulis menggunakan model-model tersebut dalam segala aspek pengambilan keputusan. Dengan mengetahui mental model, penulis dapat memahami mengapa penulis mengambil suatu keputusan dan bagaimana penulis dapat meningkatkan proses pengambilan keputusan. Jika mental model setiap orang dikumpulkan dalam konteks sebuah organisasi, penulis dapat mulai melihat dimana, bagaimana, dan mengapa sebuah model menyimpang. Hal ini merupakan langkah pertama dalam membangun pemahaman yang sama dalam organisasi. Selama mental model disembunyikan, kesepahaman tidak akan terbangun. System dynamics sangat berhubungan dengan systems thinking. System dynamics ditemukan untuk memberikan para manajer sebuah alat untuk memahami

sistem

kompleks

yang

mereka

harus

kontrol.

Metodenya

menggunakan model simulasi komputer untuk menghubungkan struktur sebuah sistem dan hubungannya terhadap waktu. Dengan melihat dari sisi ini, system dynamics dapat memaparkan pemahaman terhadap systems thinking ke dalam model simulasi komputer. Dengan melakukan eksperimen dengan prototip tersebut, penulis dapat mendapatkan informasi mengenai sistem. System dynamics dapat memberikan sarana pembelajaran – laboratorium yang berlaku seperti sebuah sistem dalam dunia kecil. Bahkan jika membangun sebuah learning organization – sebuah organisasi yang memiliki tingkat tinggi kesepahaman dan pengetahuan akan bagaimana organisasi bekerja – bukan merupakan tujuannya, systems thinking dapat menjadi alat yang sangat berharga pada permulaan studi systems dynamic, dan membuatnya terlihat dengan jelas dan mendorong ide-ide baru serta dapat mendukung perubahan terhadap mental model. Agar perubahan dapat benar-benar


diimplementasikan, orang-orang harus mampu memotivasi dirinya untuk belajar dan berperilaku berdasarkan hal-hal yang telah mereka pelajari, dan mereka harus berada dalam lingkungan yang saling terbuka dan jujur. Systems thinking, dengan membantu orang-orang dalam organisasi untuk memahami masalah dan bagaimana mental model mereka berhubungan dengan masalah tersebut, juga menjadi awal mula dari kesuksesan sebuah studi system dynamics. Sebuah studi systems thinking biasanya dilakukan dengan membuat diagram sebab-akibat untuk menggambarkan struktur umpan balik dari sebuah sistem dan struktur utama sebuah sistem untuk mengambarkan perilaku umum. System dynamics mengambil informasi mengeai struktur sebuah sistem yang biasanya tersembunyi dan mengeluarkannya ke dalam model komputer. Perilaku yang dihasilkan oleh struktur tersebut terlihat saat simulasi dijalankan. Simulasi tersebut membangun sebuah alat yang efektif untuk memahami masalah yang kompleks. Daripada mencoba untuk menghubungkan potongan-potongan permasalahan ke dalam otak penulis, penulis dapat menggunakan simulasi komputer untuk menjabarkan ide-ide dan asumsi-asumsi dan mensimulasikannya sejalan dengan waktu. Hal itu merupakan kelebihan dan kekuatan dari sebuah model system dynamics. 2.3.3. Alat dan Aturan dalam System Dynamics Sebuah system dynamics dapat terdiri atas prinsip cause-effect, feedback, dan delay. Sebuah sistem yang sederhana mengandung dua prinsip pertama, sedangkan sistem yang lebih kompleks mengandung juga prinsip yang ketiga. a.

Cause-effect (sebab-akibat). Sebab-akibat merupakan sebuah konsep yang sangat sederhana. Inti dari konsep ini adalah bahwa setiap tindakan memiliki konsekuensi. Apabila penulis melakukan pengubahan pada salah satu elemen sistem, elemen sistem lain akan bereaksi terhadap perubahan tersebut. Pada sistem yang kompleks, hubungan sebab-akibat dapat menjadi terlalu sulit untuk dideteksi dan dipahami hanya menggunakan pikiran penulis. Penulis dapat menggambarkan hubungan sebab-akibat pada diagram sebab-akibat (cause-effect diagram). Terdapat dua jenis hubungan sebab-akibat, yaitu yang setara dan berlawanan. Hubungan setara terjadi


apabila peningkatan pada suatu elemen sistem mengarah pada peningkatan elemen lain dalam sistem. Sebaliknya. Hubungan berlawanan terjadi apabila elemen yang dipengaruhi justru menurun. Hubungan setara digambarkan dengan anak panah s (same direction) sedangkan hubungan berlawanan dengan anak panah o (opposite direction).

Gambar 2. 12 Diagram Sebab-Akibat Sederhana Menggambarkan Hubungan antara Harga, Penjualan, dengan Biaya Produksi (Sumber: Powersim User’s Guide oleh Powersim SA, 2003, p. 32) b.

Feedback (umpan balik). Konsep ini sering digambarkan sebagai pengeras suara dan mikropon. Saat seseorang mengeluarkan suara yang ditangkap oleh pengeras suara, mikropon akan mengeluarkan hasil penyulingan suara tersebut. Apabila mikropon tidak diatur dengan baik, suara hasil penyulingan akan masuk kembali ke dalam pengeras suara dan akan menambah besar kekuatan suara yang diucapkan hingga tidak bisa bertambah lagi. Hal ini juga terjadi pada sistem. Saat salah satu elemen sistem dirangsang untuk mengalami peningkatan, elemen tersebut akan mengalami efek dari perputaran konsekuensi dalam sistem. Hal ini merupakan dasar prinsip, bahwa terdapat rantai sebab-akibat yang saling berhubungan dan terjadi di mana-mana hanya saja seringkali orang-orang tidak menyadarinya. Gambar 2.12 menunjukkan bahwa peningkatan harga akan mengurangi penjualan yang juga akan meningkatkan biaya produksi per produk. Biaya produksi yang meningkat juga akan mendorong harga naik.

c.

Delay (penundaan). Konsep ini memiliki intisari bahwa hubungan sebabakibat tidak selalu terjadi secara beruntun. Dengan kata lain, saat penulis memberikan rangsangan kepada salah satu elemen dalam sistem, kadangkala elemen lain yang dipengaruhi oleh tindakan tersebut tidak


seketika bereaksi. Hal ini yang seringkali menambah kekompleksan sebuah sistem. 2.3.4. Pemodelan System Dynamics Tujuan model sistem dinamis adalah untuk mempelajari, mengenal, dan memahami struktur, kebijakan, dan delay suatu keputusan yang mempengaruhi perilaku sistem itu sendiri. Dalam kerangka berpikir sistem dinamik, permasalahan dalam suatu sistem dilihat tidak disebabkan oleh pengaruh luar (exogenous explanation) namun dianggap disebabkan oleh struktur internal sistem (endogenous explanation). Fokus utama dari metodologi sistem dinamis adalah memperoleh pemahaman atas suatu sistem, sehingga langkah-langkah pemecahan masalah memberikan umpan balik pada pemahaman sistem. Berikut adalah rangkaian proses dalam sistem dinamis yang dijelaskan oleh Jay Forrester (1994):

Gambar 2. 13 Proses Sistem Dinamis (Sumber Jay W. Forrester, 1994, hal.4) Dari gambar diatas, langkah pertama merupakan investigasi yang termotivasi oleh perilaku sistem yang tidak diinginkan yang ingin dimengerti dan diperbaiki. Langkah awal adalah mengerti, tetapi tujuan akhirnya adalah perbaikan. Pertama-tama adalah mendeskripsikan sistem yang relevan kemudian menghasilkan suatu hipotesis bagaimana sistem tersebut menghasilkan perilaku.


Langkah kedua adalah memulai memformulasikan suatu model simulasi. Deskripsi sistem dari langkah pertama diubah menjadi persamaan level dan rate dari suatu model sistem dinamis. Pembuatan model simulasi deskripsi yang jelas dari langkah pertama. Penulisan persamaan bisa memperlihatkan adanya gap dan ketidakkonsistenan yang harus di perbaiki di tahap sebelumnya (tahap deskripsi). Langkah ketiga dapat dimulai jika persamaan di langkah kedua telah memenuhi kriteria logis untuk sebuah model yang dapat dioperasikan (misal: variabel yang didefinisikan, tidak lebih dari satu definisi, tidak ada persamaan simultan, dan konsistensi unit pengukuran). Software sistem dinamis biasanya menyediakan cek logis untuk hal-hal seperti yang telah disebutkan. Tahap simulasi ini juga mengarahkan pada deskripsi masalah dan perbaikan persamaan kembali. Langkah ketiga ini harus menyesuaikan dengan elemen penting dalam praktek sistem dinamis yang baik, simulasi harus menggambarkan bagaimana pertimbangan kesulitan yang dicoba dilakukan di sistem yang nyata. Berbeda dengan metodologi yang berfokus pada kondisi masa depan ideal untuk suatu sistem, sistem dinamis hanya menyatakan bagaimana kondisi saat ini dan bagaimana mengarahkannya kepada suatu perbaikan. Simulasi pertama akan mengarahkan pada pertanyaan-pertanyaan dan pengulangan langkah pertama dan kedua, hingga model benar-benar dikatakan cukup untuk mencapai tujuan. Ingat bahwa ”kecukupan” bukan berarti pembuktian atau validasi. Tidak ada cara untuk membuktikan validasi dari isi suatu teori yang merepresentasikan perilaku dunia nyata. Yang mungkin dicapai hanyalah tingkat kepercayaan dari sebuah model yang terhadap kecukupan, waktu, serta biaya untuk melakukan perbaikan. Perbandingan utama dari sebuah model simulasi dan model lainnya (matematis misalnya) adalah model kompetitif adalah yang hampir selalu menggunakan mental model dari orang yang beroperasi (berhubungan langsung dengan sistem) di dunia nyata. Suatu model sistem dinamis membuat lebih banyak kejelasan dan kesatuan, jika dibandingkan dengan mental model sebelumnya, bahwa keputusan ”kecukupan” biasanya mengarah pada sedikit kontroversi diantara operator dunia nyata yang berada dibawah tekanan waktu dan uang untuk mencapai performa yang lebih baik. Namun, jika tidak ada kontroversi bukan berarti telah melewati tahap 5 dan 6.


Langkah keempat adalah mengidentifikasi

alternatif kebijakan untuk

pengujian. Uji simulasi digunakan untuk mencari kebijakan mana yang memberikan peluang aplikasi terbaik. Alternatif tersebut dapat berupa pengetahuan intuitif selama tiga langkah pertama, analis yang berpengalaman, permintaan orang-orang yang berada dalam sistem, atau berupa uji perubahan parameter secara otomatis yang lebih mendalam. Pencarian parameter secara otomatis akan sangat berguna. Pada sistem yang sangat kompleks, akan ada banyak kriteria kompetensi untuk mendefinisikan sukses, juga, akan banyak peaks dalam peta perilaku multi-dimensi sehingga performa yang dianggap paling disukai akan bergantung pada beberapa perubahan simultan dalam model. Ditambah lagi, alternatif perilaku terbaik seringkali datang dari perubahan struktur sistem. Langkah kelima melalui suatu konsensus untuk proses implementasi. Langkah kelima merepresentasikan tantangan terbesar terhadap kemampuan memimpin dan mengoordinasi. Tidak masalah berapa orang yang ikut andil dalam langkah pertama hingga keempat, karena semuanya akan terlibat dalam proses implementasi. Model akan memperlihatkan bagaimana sistem menyebabkan masalah yang sedang mereka dihadapi. Hampir selalu, alasannya adalah pada kebijakan yang mereka ketahui, ikuti, dan percaya akan mengarahkan pada solusi terhadap masalah tadi. Implementasi terkadang menyangkut kemunduran terhadap kebijakan dan mengarahkan pada kepercayaan emosional yang kuat. Ini bukanlah masalah setuju atau tidak setuju terhadap suatu tujuan, melainkan bagaimana mencapainya. Bahkan dengan persetujuan intelektual yang meluas dengan suatu model

sistem

dinamis

dan

rekomendasi

perbaikan

kebijakan,

masih

memungkinkan adanya ketidaknyamanan (resistensi) terhadap prospek perubahan dari tindakan tradisional. Untuk melalui resistensi aktif dan pasif tersebut, diperlukan waktu yang cukup dan pendidikan dan argumen yang intens untuk menghilangkan praktek tradisional. Pertanyaan-pertanyaan akan muncul dan memerlukan pengulangan langkah pertama hingga kelima. Langkah keenam adalah implementasi kebijakan baru. Kesulitan dari langkah ini kebanyakan berasal dari ketidakcukupan langkah sebelumnya. Jika modelnya relevan dan persuasif, dan pendidikan di langkah kelima telah cukup,


maka langkah keenam akan berjalan dengan baik. Walaupun demikian, implementasi memerlukan waktu yang sangat panjang. Kebijakan lama harus benar-benar dihilangkan, dan kebijakan baru akan memerlukan sumber informasi baru dan training.

2.3.5. Stock and Flow Diagram Diagram loop sebab akibat memiliki beberapa keterbatasan dan dengan mudah dapat disalahgunakan. Salah satu keterbatasan yang paling penting dari diagram sebab akibat adalah ketidakmampuannya untuk menangkap struktur stok dan aliran (stock and flow) dari sistem. Stok dan aliran, bersama dengan umpan balik, merupakan dua konsep utama dari teori sistem dinamik. Stok adalah akumulasi. Stok menggolongkan keadaan sistem dan membentuk informasi pada keputusan dan tindakan. Stok memberi sistem kekuatan untuk bergerak dan melengkapinya dengan memori. Stok menciptakan penundaan dengan mengakumulasikan perbedaan antara aliran masuk menuju proses dan aliran keluarnya. Dengan memisahkan tingkat aliran, stok merupakan sumber ketidakseimbangan dalam sistem.


Gambar 2. 14 Cara Penulisan Diagram Alir (Sumber : John D. Sterman, 2000, hal. 193) Gambar diatas merupakan cara-cara penulisan diagram alir dalam sistem dinamis, berikut penjelasannya: Stok diwakili oleh persegi empat. Aliran masuk diwakili oleh pipa dengan tanda panah yang mengarah pada stok yang berarti menambah stok. Aliran keluar diwakili oleh pipa yang mengarah keluar stok dan berarti mengurangi stok. Katup yang mengendalikan aliran. Awan mewakili sumber dan penampungan aliran. Sumber menggambarkan darimana stok berasal dan dimana aliran yang mula-mula berada diluar batasan model muncul. Sementara, penampungan menggambarkan kemana stok menuju dimana aliran yang meninggalkan batasan model keluar. Sumber dan penampungan diasumsikan memiliki kapasitas yang tidak terhingga dan tidak pernah dapat membatasi aliran.


Kaidah diagram alir didasari oleh analogi hidrolik, yang merupakan aliran air menuju dan keluar tempat penampungan air. Memang sangat membantu jika menggambarkan stok sebagai bak air. Kuantitas air di dalam bak pada suatu waktu adalah akumulasi dari air yang mengalir masuk melalui keran dikurang air yang mengalir keluar melalui saluran pipa dengan asumsi tidak ada percikan dan penguapan.

Gambar 2. 15 Analogi Hidrolik (Sumber: John D. Sterman, 2002, hal. 508.) Melalui cara yang sama, kuantitas material dalam stok apapun merupakan akumulasi dari aliran material yang masuk dikurang aliran material yang keluar. Analogi ini memiliki pengertian matematis yang tepat dan tidak ambigu. Stok mengakumulasikan atau mengintegrasikan alirannya; aliran menuju stok adalah tingkat perubahan dari stok. Oleh karena itu, struktur yang digambarkan dalam gambar 2.10 di atas sesuai dengan persamaan integral berikut ini : t

Stok (t ) = [Aliran masuk ( s) − Aliran keluar ( s )] ds + Stok (t 0 ) (2 − 3) t0 dimana aliran masuk (s) mewakili nilai dari aliran masuk pada waktu s antara waktu awal t0 dan waktu sekarang t. Dengan persamaan yang sama, tingkat perubahan stok adalah aliran masuk dikurangi aliran keluar, yang didefinisikan dengan persamaan diferensial

d (stock) / dt = aliranmasuk(t ) − alirankeluar(t )

(2 − 4)

Secara umum, aliran akan menjadi fungsi dari stok serta variabel-variabel dan parameter-parameter kondisi yang lain. Gambar berikut menunjukkan empat representasi yang sama dari diagram alir secara umum. Dari suatu sistem


persamaan integral dan diferensial penulis dapat membuat peta stok dan aliran yang sesuai:

Gambar 2. 16 Empat Representasi Struktur Diagram Alir (Sumber : John D. Sterman, 2000, hal. 194)

2.3.6. Struktur dan Perilaku System Dynamics Perilaku dari sebuah sistem muncul dari strukturnya. Di mana sebuah struktur terdiri dari loop umpan balik, stok dan aliran, serta kenonlinieran yang diciptakan oleh interaksi dari struktur fisik dan institusional sistem dengan proses pengambilan keputusan dari agen-agen yang bertindak di dalamnya. Perubahan mengambil banyak bentuk, dan variasi dari kedinamisan di sepenulisr penulis sangat mengejutkan. Dapat dibayangkan bahwa ada banyak


sekali variasi yang sesuai dari struktur umpan balik yang berbeda-beda untuk menghitung susunan kedinamisan yang bermacam-macam. Pada kenyataanya kedinamisan merupakan contoh kecil dari pola perilaku yang berbeda, seperti pertumbuhan ekponensial (exponential growth) atau osilasi (oscillation). Gambar berikut menunjukkan model perilaku secara umum.

Gambar 2. 17 Model Perilaku secara Umum (Sumber : John D. Sterman, 2000, hal. 108) Tiga bentuk dasar dari perilaku sistem dinamik adalah pertumbuhan eksponensial (exponential growth), pencapaian tujuan (goal seeking), dan osilasi (oscillation). Masing-masing dari ketiga perilaku ini dibentuk oleh struktur umpan balik yang sederhana, yaitu: pertumbuhan muncul dari umpan balik positif, pencapaian tujuan muncul dari umpan balik negatif, dan osilasi muncul dari umpan balik negatif dengan penundaan waktu dalam loop. Bentuk umum perilaku lainnya yang muncul dari interaksi nonlinier antara struktur-struktur umpan balik dasar meliputi pertumbuhan bentuk S (S-shaped growth), pertumbuhan bentuk S dengan overshoot dan osilasi, dan overshoot dan jatuh (collapse).


2.3.7. Validasi Model Banyak pemodel yang membicarakan masalah ”validasi” atau mengklaim bahwa mereka memiliki model yang telah di ”verifikasi”. Pada kenyataannya, validasi serta verifikasi tidaklah mungkin. Verifikasi berasal dari bahasa latin

”verus”

yang

berarti

kebenaran

sedangkan

valid

didefinisikan

sebagai ”memiliki satu kesimpulan yang benar yang diturunkan dari premispremisnya ... dan secara tersirat didukung oleh kebenaran objektif” (Sterman, 2000). Dengan definisi ini, tidak ada model yang dapat divalidasi atau diverifikasi. Mengapa? Karena semua model adalah salah. Setiap model dibatasi, representasi yang disederhanakan dari dunia nyata. Model berbeda dengan dunia nyata dalam besar dan kecil, angka yang tidak terbatas, berikut cara melakukan validasi model menurut Sterman.

Tabel 2. 2 Beberapa Validasi Model Menurut Sterman No

Tipe Tes

Tujuan dari Tes

Alat dan Prosedur

gunakan grafik batasan, diagram sub-sistem, menentukan batasan masalah diagram sebab akibat, peta stock and flow, dan yang dianggap endogenous pemeriksaan persamaan model secara langsung

1

Kecukupan batasan

apakah perilaku model berubah secara signifikan ketika batasan masalah diubah?

gunakan interview, workshop untuk mendapatkan opini para ahli, bahan-bahan utama, literatur, partisipasi langsung pada proses sistem

modifikasi model untuk mendapatkan struktur apakah rekomendasi tambahan yang mungkin, membuat konstanta kebijakan akan berubah ketika dan variabel eksogenous dan endogenous, lalu batasan model diperluas? ulangi analisa kebijakan dan sensitivitas

Tabel 2.2 Beberapa Validasi Model Menurut Sterman (Lanjutan)


No

2

3

4

5

6

7

Tipe Tes

Tujuan dari Tes Alat dan Prosedur apakah struktur model gunakan diagram struktur kebijakan, diagram konsisten dengan sebab-akibat, peta stock and flow , pemeriksaan pengetahuan deskriptif yang persamaan model secara langsung relevan dari suatu sistem? gunakan interview, workshop untuk apakah tingkat agregasinya mendapatkan opini para ahli, bahan-bahan mencukupi? utama, literatur, partisipasi langsung pada proses sistem Penilaian adakan tes model secara parsial denga struktur apakah model tersebut kebijakan yang diinginkan menyesuaikan dengan hukum adakan percobaan laboratorium untuk perlindungan alam? mendapatkan mental model dan kendali kebijakan dari partisipan bangun sub-model parsial dan bandingkan apakah kebijakan perilakunya terhadap perilaku secara mengendalikan perilaku keseluruhan sistem? pehatikan beberapa variabel kemudian ulangi analisa kebijakan dan sensitivitas apakah tiap persamaan sudah gunakan software analisa dimensi, periksa konsisten, tanpa Konsistensi menggunakan parameter yang persamaan model di variabel-variabel tertentu dimensi tidak perlu? gunakan metode statistik untuk memperkirakan apakah parameter nilai telah parameter sesuai dengan pengetahuan gunakan tes model secara parsial untuk deskriptif dan numerik sistem? mengkalibrasi subsistem Penilaian parameter

Kondisi Ekstrim

apakah setiap parameter memiliki imbangan di dunia nyata?

apakah model tersebut masih sesuai jika inputnya ditaruh sebagai kondisi ekstrim?

apakah model memungkinkan merespon kebijakan, gangguan, dan parameter ekstrim? apakah hasil simulasi sensitif Error dalam terhadap pemilihan time step integrasi atau metode integrasi numerik? apakah model menghasilkan perilaku penting dari sistem? apakag variabel endogenous menghasilkan gejala kesulitan pembelajaran? Reproduksi apakah model menghasilkan perilaku beberapa perilaku sederhana seperti pada dunia nyata? apakah frekuensi dan fase hubungan antar variabel sesuai dengan data?

gunakan metode penilaian berdasarkan interview, opini para ahli, grup fokus, bahan utama, pengalaman langsung, dan sebagainya. gunakan beberapa sub-model untuk memperkirakan hubungan dalam keseluruhan model periksa tiap persamaan; tes respon pada nilai ekstrim di tiap input, tiap bagian atau dalam kombinasi subjek model pada gangguan besar dan kondisi ekstrim. Gunakan tes sesuai dengan aturan dasar (misal: tidak ada inventori, tidak ada shipment , dll.)

gunakan setengah time step dan tes perubahan perilakunya. Gunakan metode integrasi berbeda dan tes perubahan perilakunya gunakan pengukuran statistik untuk melihat kesesuaian antara model dan data bandingkan keluaran model dengan data secara kualitatif, termasuk perilaku sederhana, ukuran variabel, asimetris, amplitudo dan fase relatif, kejadian yang tidak biasa

periksa respon model terhadap input tes, shock event , dan noise


Tabel 2.2 Beberapa Validasi Model Menurut Sterman (Lanjutan) No

Tipe Tes

8

Anomali perilaku

9

Anggota keluarga

10

Perilaku Mengejutkan

Tujuan dari Tes Alat dan Prosedur apakah ada anomali perilaku zero out key effect; gantikan asumsi equilibrium ketika asumsi model diubah dengan asumsi dengan struktur disequilibrium atau dihilangkan? bisakah model digunakan untuk melihat perilaku di kalibrasikan model pada range kemungkinan bagian lain dalam suatu yang lebih luas dari sistem yang berhubungan sistem? pertahankan kaurasi, kelengkapan, dan record apakah model menghasilkan data dari simulasi model. Gunakan meodel perilaku yang tak terduga? untuk mensimulasikan perilaku masa mendatang dari sistem apakah model bisa mengantisipasi respon sistem pada kondisi baru? sensitivitas numerik: lakukan perubahan nilai numerik secara signifikan … sensitivitas perilaku: lakukan perubahan perilaku sederhana model secara signifikan …

11

12

Analisa sensitivitas kebijakan: lakukan Sensitivitas perubahan implikasi kebijakan secara signifikan …

Perbaikan sistem

pisahkan semua ketidaksesuaian antara model dengan pengertianmu terhadap sistem nyata dokumentasikan pastisipan dan mental model klien sebelum memodelkannya gunakan analisa sensitivitas univariate dan multivariate; gunakan metode analitis (linier, lokal, dan analisa stabilitas global) buat batasan model dan daftar tes aggregat untuk tes diatas

gunakan metode optimasi untuk mendapatkan parameter dan kebijakan terbaik

… kapan asumsi terhadap parameter, batasan, dan agregasi bervariase pada range kemungkinan ketidakpastian?

gunakan metode optimasi untuk mendapatkan kombinasi parameter yang menghasilkan ketidakmungkinan atau reverse policy outcomes

apakah proses modeling membantu merubah sistem menjadi lebih baik?

desain instrument di awal untuk menilai impact dari proses modeling pada mental model, perilaku, dan hasil desain percobaan terkontrol dengan perlakuan dan kontrol grup, tugas acak, penilaian pre dan pasca intervensi

(Sumber : John D. Sterman, 2000, hal. 859) 2.3.8. Analisis Sensitivitas Analisis sensitivitas digunakan untuk mengetahui sensitivitas suatu model terhadap perubahan nilai dari parameter model yang ada dan terhadap perubahan struktur dari model. Dalam analisis sensitivitas, dikenal konsep sensitivitas parameter. Yang dimaksud sensitivitas parameter adalah di mana penulis mempersiapkan nilai-nilai parameter yang berbeda untuk diuji pada model yang telah dibuat agar penulis dapat melihat bagaimana perubahan pada parameter


dapat menyebabkan perubahan perilaku pada sistem. Dengan menunjukkan bagaimana perilaku sistem merespons perubahan pada parameter, penulis dapat menjadikan analisis sensitivitas sebagai tool yang sangat berguna dalam proses pembentukan maupun evaluasi model. 2.3.9. Powersim Studio sebagai System Dynamics Simulation Powersim Studio merupakan alat pemodelan yang berdasarkan pada konsep system dynamics. Studio dapat membantu penulis membuat sebuah sistem model – dengan berbagai hubungan sebab-akibat, umpan balik, dan penundaan – secara grafis. Berbagai simbol yang merepresentasikan level, flows, dan variabel pembantu (disebut auxiliaries) digunakan untuk membuat representasi grafis dari sebuah sistem dalam diagram constructor. Aliran (flows) merepresentasikan hubungan dan interkoneksi. Powersim (2003) mengklaim struktur sistem sekompleks apapun dapat dipresentasikan di Studio dengan menggunakan tipetipe variabel dan hubungan yang telah disebutkan sebelumnya. Pada software Powersim Studio 2005 elemen-elemen untuk membangun sebuah diagram alir adalah sebagai berikut.

Tabel 2. 3 Elemen-Elemen Diagram Alir pada Powersim Simbol

Penjelasan Level: Variabel yang mengakumulasikan perubahan yang terjadi akibat aliran (flow).

Auiliary: Variabel yang berisi perhitungan atau kalkulasi yang berkaitan dengan variabel lainnya.

Constant: Variabel yang berisi nilai yang ditetapkan (fixed value) yang akan digunakan pada perhitungan pada variabel auxiliary atau flow.

Flow: Aliran yang mempengaruhi variabel level. Flow with rate: Aliran yang mempengaruhi variabel level yang dikontrol oleh variabel auxiliary.


Information link: Memberikan informasi ke variabel auxiliary tentang nilai dari variabel yang lain.

Delayed info link: Digunakan untuk memberikan fungsi delay atau penundaan pada variabel auxiliary.

Initialization link: Link inisiasi, yang memberikan info awal ke variabel level tentang nilai variabel yang lain.

Cloud: Melambangkan sumber yang akan dipakai atau telah terpakai. Cloud juga melambangkan batasan model. Sumber: Powersim Studio 2003 User’s Guide

2.3.10. Powersim Studio Solver: Evolutionary Search Powersim Solver dapat menyediakan empat pekerjaan yang dapat dilakukan oleh seorang manajer dalam model dinamis: a.

Menyetem model yang dibuat dengan data historis untuk memverifikasi bahwa model tersebut merupakan representasi yang realistis dari sebuah sistem.

b.

Mengoptimasi model yang dibuat melalui proses pencarian kebijakan secara otomatis yang memenuhi satu atau beberapa tujuan yang ditentukan.

c.

Menilai risiko untuk menunjukkan bagaimana sebuah faktor tak tentu berpengaruh terhadap hasil simulasi. Dengan cara ini seorang manajer dapat menyingkap risiko dan kesempatan.

d.

Mengelola risiko dengan mengoptimasikan sebuah model untuk mencapai tujuan sekaligus membatasi nilai risiko yang ditanggung. Saleh & Myrtveit mengungkapkan kelebihan yang dimiliki oleh Powersim

Studio Solver dibandingkan dengan alat optimalisasi yang lain. Kelebihannya adalah penggunaan metode evolutionary search yang diinspirasi oleh teori Darwin, berbeda dengan teknik optimasi simulasi system dynamics lainnya yang biasanya


menggunakan teknik hill climbing. Kekurangan teknik tersebut adalah proses optimasi yang dilakukan tidak memuaskan keadaan optimum keseluruhan sistem, namun hanya keadaan optimum lokal, bahkan kadangkala hanya menghasilkan titik pelana. Teknik tersebut seringkali menemukan titik optimal lokasl (yang paling dekat dengan titik mulai pencarian) dan jarang menghasilkan titik optimal yang menyeluruh. Powersim Studio Solver dibuat oleh Dr. Nikolaus Hansen dari Technischen Universitat Berlin, Jerman.

2.4. Pengantar Statistik Dalam penelitian ini, digunakan beberapa aplikasi teori statistik untuk melakukan analisa kuantitatif terhadap keluaran model simulasi dinamis. Beberapa aplikasi statistik yang dipakai dijabarkan sebagai berikut. 2.4.1. Standar Deviasi Standar deviasi sejauh ini adalah formula yang paling sering digunakan untuk melihat indikator dari derajat penyebaran dan paling dapat dipercaya dalam mengestimasi variabilitas suatu populasi yang didapat dari data sampel. Standar deviasi adalah rata-rata dari seluruh deviasi dari nilai rata-rata. Formula dasar untuk perhitungan standar deviasi pada sebuah sampel adalah sebagai berikut:

!

"# %

#$

&

Sebagai konsep yang umum, standar deviasi seringkali disimbolkan dengan SD, tapi lebih sering disimbolkan dengan lebih simpel dengan S, seperti formula di atas. Standar deviasi dalam bidang financial risk digunakan sebagai ukuran volatilitas suatu fluktuasi harga. 2.4.2. Korelasi


Analisis korelasi sederhana digunakan untuk mencari hubungan antara dua variabel. Hasil dari analisis korelasi adalah koefisien korelasi yang menunjukan kekuatan dan kelemahan dari suatu hubungan. Nilai korelasi ini akan berada pada kisaran minus satu dan plus satu. Koefisien minus menunjukan hubungan terbalik dimana kenaikan suatu variabel menyebabkan penurunan variabel lain. Korelasi positif

menunjukan

hubungan

searah

dimana

kenaikan

suatu

variabel

menyebabkan kenaikan variabel lain. Analisa korelasi dirumuskan sebagai berikut:

'()*+ ,- ./ 0

" #

3" #

#$

#$ 1

" 1

12

12

4

2.4.3. Analysis of Variance (ANOVA) Perhitungan Anova digunakan untuk mengolah data yang diperoleh dari penelitian eksperimental atau kuasi eksperimental dengan desain penelitian pada 2 atau lebih kelompok atau 2 atau lebih set pengukuran. Anova dapat digunakan untuk melihat heterogenitas dari suatu kelompok data, dan digunakan untuk melihat perbedaan antara dua atau lebih kelompok variabel. Manfaat dari penggunaan Anova adalah untuk menyimpulkan apakah ada perbedaan yang signifikan diantara kelompok yang berbeda. Selain itu, penggunaan Anova juga bermanfaaat untuk kepentingan estimasi populasi dari sampel yang digunakan. Dalam Anova, yang diukur adalah variabilitas, meliputi dua jenis variabilitas, yaitu: Within group variability: Chance fluctuation, yaitu perbedaan antara skor-skor dalam kelompok yang mendapat perlakuan sama, termasuk didalamnya adalah measurement errror dan experimenter error. Between Group Variability: Variabilitas di antara dua atau lebih rata-rata kelompok (total), bisa mencakup efek sistematik dari independent variable dan chance fluctuation yang dikaitkan dengan random sampling, atau perubahanperubahan yang disebabkan oleh berjalannya waktu.


Berdasarkan kedua jenis variabilitas yang diukur dalam Anova, maka formula dari perhitungan Anova seperti dibawah ini:

5

6789 77: ;<=>? @A? @A
H I C789 77: J<=>? H I 9 B8GB: J<=>?

K

dimana MS didapatkan dari perhitungan berikut:

HI Keterangan:

II LM

N

F

= test statistik

MS

= mean square (rata-rata variabilitas untuk setiap sumber)

SS

= sum of squares (pengukuran variabilitas) untuk setiap sumber

Df

= degree of freedom

Anova memiliki dua jenis jenis desain, yaitu: •

Analysis in one-way classification problem

•

Analysis in a two-way classification problem

Dalam Analysis in a two-way classification problem, sumber variasi muncul dari factorial design, dimana independent variablenya ada dua atau lebih. Keseluruhan variabilitas di antara kondisi treatment sama dengan jumlah variabilitas karena adanya komponen yang terpisah dari desain penelitian. Jadi, dalam factorial design ada main effect dari IV1, IV2, dan interaksi antara IV1 dan IV2.


3. PENGUMPULAN & PENGOLAHAN DATA

Tahap-tahap dalam pengumpulan dan pengolahan data ini dilakukan sebagai berikut: •

Pengumpulan data finansial perusahaan yang dipilih dari perusahaan potensial yang terdaftar sebagai LQ 45 di Pasar Modal untuk bisa dianalisis sebagai obyek studi.

•

Analisis finansial masing-masing perusahaan yang telah ditentukan sebelumnya untuk mengetahui performa finansial dan potensi return yang bisa ditawarkan masing-masing perusahaan.

•

Pengolahan data statistik harga saham menjadi data return, standar deviasi return, korelasi return antar saham

•

Pengklasifikasian data statistik return menjadi beberapa interval yang diperlukan untuk kebutuhan model analisis VaR dengan pendekatan chaos theory

3.1. Pengumpulan Data Data-data yang dibutuhkan dalam penelitian ini adalah: •

data historis harga saham sepuluh perusahaan pilihan: PT. Astra Agro Lestari Tbk. (AALI); PT. Astra Internasional Indonesia Tbk. (ASII); Bank Rakyat Indonesia (BBRI); Bank Mandiri (BMRI); PT. Bumi Resources Tbk. (BUMI); PT. International Nickel Indonesia Tbk. (INCO); Pt. Indofood Sukses Makmur Tbk. (INDF); PT. Semen Gresik Tbk. (SMGR); PT. Telekomunikasi Indonesia Tbk. (TLKM); PT. Unilever Indonesia Tbk. (UNVR)

•

data-data finansial perusahaan-perusahaan tersebut

•

data historis Indeks Harga Saham Gabungan (IHSG) Data historis saham-saham dan IHSG yang digunakan dalam penelitian ini

dapat diperoleh dari internet atau world wide web. Lebih tepatnya di alamat http://finance.yahoo.com/q?s=. Situs tersebut dapat memberikan data-data historis


harga aset dari berbagai perusahaan di seluruh dunia yang terdaftar dalam bursa saham di setiap negara. Untuk mendapatkan data dari perusahaan yang penulis butuhkan, cukup dengan mengetik nama atau kode nama perusahaan dan kode bursa saham, misalnya Astra Argo Lestari Indonesia memiliki kode AALI.JK; dan Unilever Indonesia memiliki kode UNVR.JK. Setelah itu, klik pada link Historical Price yang terletak di bagian kiri dan tentukan periode data yang dibutuhkan. Misalnya Januari 2004 – April 2008 dan klik pada link Download to Spreadsheet.

Gambar 3. 1 Tampilan Situs Yahoo!Finance (Sumber: http://finance.yahoo.com) Data-data lain didapatkan dari beberapa sumber yang berbeda. Data finansial didapat dari laporan keuangan masing-masing perusahaan yang telah disebutkan. Data historis suku bunga BI dan nilai tukar terhadap valuta asing didapat dari website Bank Indonesia. Semua data tersebut dikumpulkan dan akan diolah serta ditampilkan pada subbab berikutnya.


3.2. Pengolahan Data Finansial 3.2.1. Kapitalisasi Pasar dan Likuiditas Pada Bab 1.5 disebutkan bahwa saham yang akan digunakan dalam penelitian adalah saham-saham yang memiliki kapitalisasi pasar yang terbesar dan likuiditas yang tinggi (atau terdaftar dalam kategori LQ45). Kapitalisasi pasar merupakan total nilai uang yang ada dalam perputaran dana aset saham perusahaan tersebut. Atau dengan kata lain harga saham dikali dengan jumlah saham yang diperdagangkan. Semakin besar kapitalisasi pasar suatu perusahaan semakin besar pula reputasi suatu perusahaan di mata investor. Begitu juga dengan likuiditas saham. Saham dengan likuiditas yang tinggi berarti banyak diperjualbelikan oleh para pelaku pasar setiap harinya. Semakin tinggi likuiditas suatu saham, semakin kecil risiko yang ditanggung oleh para pemegang saham. Di bawah ini merupakan kapitalisasi dan likuiditas dari saham-saham yang digunakan dalam penelitian jika dibandingkan dengan saham non-unggulan. Saham Excelcomindo (EXCL) menjadi benchmark untuk menunjukkan superioritas saham-saham unggulan. Tabel 3. 1 Karakteristik Saham Unggulan dibandingkan non-Unggulan (nilai adjusted close) No

Nama saham

Harga saham adjusted (1 April 2008) 23,950

Rata-rata kapitalisasi pasar (Rp)

AALI

Rata-rata volume yang diperdagangkan (Jan 2004 – April 2008) 2,111,039

1 2

ASII

7,066,575

22,950

162 Milyar

3

BBRI

16,688,924

5,950

99 Milyar

4

BMRI

50,382,860

3,075

155 Milyar

5

BUMI

81,799,822

5,850

464 Milyar

6

INCO

7,806,044

7,050

55 Milyar

7

INDF

25,018,109

2,300

57 Milyar

8

SMGR

3,254,709

4,850

15 Milyar

9

TLKM

21,136,178

9,700

205 Milyar

10

UNVR

2,120,280

6,850

14 Milyar

11

EXCL

184,266

1,975

363 Juta

50 Milyar

(Sumber: http://finance.yahoo.com – telah diolah kembali)


Dari tabel di atas dapat penulis simpulkan bahwa terdapat perbedaan yang mencolok di antara saham-saham unggulan dengan non-unggulan. Jumlah volume yang diperdagangkan menggambarkan likuiditas atau kemudahan pencairan dana dari saham atau emiten tersebut. Sedangkan kapitalisasi pasar menggambarkan jumlah total dana yang diputarkan dalam pasar modal setiap harinya. Bumi Resources memiliki nilai rata-rata kapitalisasi pasar terbesar hingga mencapai 464 milyar, sangat jauh dibandingkan dengan saham-saham lain di atas. Saham tersebut juga memiliki nilai rata-rata likuiditas saham yang tertinggi 2004-2008 hingga mencapai 80 juta saham per hari. Kedua kualitas inilah yang membuat banyak investor memilih saham perusahaan ini sebagai portofolionya. Selain kesepuluh saham pertama di atas, terdapat 35 saham lain yang digolongkan sebagai saham unggulan LQ45. Tabel 3.2 menunjukkan ke-45 saham unggulan tersebut termasuk dengan 10 di atas untuk periode Pebruari 2008 hingga Juli 2008.


Tabel 3. 2 Daftar Nama-Nama Saham LQ45

(Sumber: http://www.idx.co.id)


3.2.2. Financial Highlights Perusahaan Harga atau nilai per lembar suatu saham (emiten) memiliki andil yang cukup besar dalam menggambarkan kualitas suatu perusahaan. Jika permintaan akan suatu emiten naik, maka harga dari emiten tersebut akan terdorong naik. Permintaan akan suatu emiten dipengaruhi oleh prospek keuntungan yang ditawarkan oleh perusahaan. Seorang investor selalu dianjurkan untuk memiliki berbagai data baik subjektif maupun objektif yang berbasiskan media mengenai kinerja sebuah perusahaan. Oleh karena itulah, subbab ini dicantumkan. Berikut ini merupakan potongan artikel yang dikutip dari situs Forumreksadana (2008) yang menggambarkan bagaimana harga sebuah saham dinilai. Bagaimana Harga Saham Ditentukan? Itu semua ditentukan oleh pendapatan perusahaan. Anggaplah anda memiliki sebuah perusahaan yang menghasilkan profit sebesar 10 juta setiap tahunnya. Dengan harga berapa kira-kira anda akan menjual perusahaan tersebut? Katakanlah anda menawarkannya dengan harga 100 juta. Apakah ada yang akan mau membelinya? Bagi pembeli potensial, ia akan menilai situasi ini dengan pertanyaan, "Berapa profit yang akan saya peroleh jika saya menginvestasikan uang saya di tempat lain?" Jika pembeli tersebut membeli perusahaan anda dengan harga 100 juta, maka pada dasarnya ia berinvestasi pada wahana yang dapat menghasilkan tingkat keuntungan sebesar 10 juta per tahun. Jika ia tidak dapat menemukan wahana lain yang dapat menghasilkan tingkat keuntungan yang sama atau lebih besar, maka ia sudah tentu akan bersedia membeli penawaran sebesar 100 juta tersebut. Tetapi jika dapat menemukannya, maka tentu saja ia tidak akan bersedia membeli perusahaan anda tersebut. Anda mungkin harus mengurangi nilai penawaran anda. Faktor lain yang juga perlu dipertimbangkan adalah potensi pertumbuhan keuntungan. Perusahaan anda mungkin hanya dapat menghasilkan 10 juta saat ini, tetapi di tahun depan berpeluang menghasilkan keuntungan 20 juta. Demi tingkat keuntungan 10% dan potensi pertumbuhannya, seorang investor


mungkin akan bersedia membayar 150 juta untuk perusahaan anda. Ia boleh jadi hanya menerima keuntungan 6.6% di tahun ini, tetapi di tahun depan keuntungannya akan berlipat menjadi 13.3%, dan mungkin akan lebih lagi di tahun berikutnya. Jadi 150 jutanya sekarang dapat dianggap sebagai investasi karena ia berharap akan dapat mencapai tujuan investasinya tersebut, hingga anda dapat menjual perusahaan anda senilai 50 juta lebih banyak. Inilah alasan mengapa saham-saham dari beberapa perusahaan Internet pernah mengalami kenaikan yang sangat pesat meskipun di saat sekarang mereka tidak lagi menghasilkan banyak

keuntungan.

Banyak

orang

yang

memproyeksikan

bahwa

keuntungannya di masa depan akan membaik, hingga mereka mau berinvestasi dalam suatu perusahaan di masa sekarang. Dari artikel tersebut dapat penulis simpulkan bahwa perkembangan nilai (harga) saham, selain analisis finansial terhadap perusahaan, juga perlu dilakukan untuk mengetahui apakah terdapat karakteristik tertentu yang berisiko mengakibatkan terjadinya kerugian dalam portofolio yang penulis miliki. Berikut ini merupakan contoh sebagian kecil data-data berbasis media yang dimiliki oleh perusahaan-perusahaan yang diteliti. 3.2.2.1. Financial Highlights PT. Astra Agro Lestari Tbk. (AALI)

Gambar 3. 2 Perkembangan Harga Saham (adjusted) Astra Agro Lestari (Sumber: www.finance.yahoo.com, telah diolah kembali)


PT. Astra Agro Lestari Tbk merupakan perusahaan multinasional yang memproduksi perkebunan yang bermarkas di Pulogadung, Jakarta. Perusahaan ini didirikan pada tahun 1989. Perusahaan ini menghasilkan berbagai macam-macam bahan perkebunan. Tabel 3. 3 Kinerja Keuangan PT. Astra Agro Lestari Tbk. (dalam jutaan rupiah) AKTIVA

NO

2007

2006

2005

2004

2003

1

Net Sales

5,960,954

3,757,987

3,370,936

3,472,524

2,543,157

2

Operating Income

2,906,045

1,198,597

1,198,615

1,284,812

752,984

3

Net Income

1,973,428

787,318

790,410

800,764

280,660

4

Basic earnings per share (Rupiah)

1,253.17

499.97

502.02

512.28

182.86

5

Current Assets

1,647,854

492,195

686,549

1,243,319

666,233

6

Accounts Receivable

115,158

23,549

99,544

69,308

83,053

7

Inventory

413,813

191,861

189,813

146,655

190,645

8

Net Fixed Assets

1,755,574

1,544,653

1,294,715

1,063,592

927,345

9

Cash

1,012,772

195,440

312,807

970,156

363,153

10

Total Assets

5,352,986

3,496,955

3,191,715

3,382,821

2,844,684

11

Current Liabilities

1,027,958

563,599

407,551

1,028,286

519,124

12

Total Liabilities

1,292,384

748,388

569,073

1,317,486

1,329,141

13

Total Equity

4,060,602

2,748,567

2,622,642

2,065,335

1,515,543

14

Administration Expenses

192,994

172,694

173,021

199,095

187,660

15

Sales Expenses

88,168

108,956

91,718

77,683

53,811

16

Operating Expenses

281,162

281,650

264,739

276,778

241,471

(Sumber: www.astra-agro.co.id/,telah diolah kembali)


Tabel 3. 4 Rasio Finansial PT. Astra Agro Lestari Tbk. NO

RASIO FINANSIAL

2007

2006

2005

2004

2003

a

Rasio Laba Penjualan

48.75%

31.89%

35.56%

37.00%

29.61%

b

Rasio Laba atas Ekuitas

71.57%

43.61%

45.70%

62.21%

49.68%

c

Rasio Laba Atas Dana Operasi

54.3%

34.3%

37.6%

38.0%

26.5%

d

Rasio Lancar

160.3%

87.3%

168.5%

120.9%

128.3%

e

Rasio Cair

2.01

1.21

2.15

1.35

1.65

f

Rasio Kas

0.99

0.35

0.77

0.94

0.70

g

Rasio Perputaran Dana Operasi

1.11

1.07

1.06

1.03

0.89

h

Rasio Perputaran Modal Kerja

9.62

-52.63

12.08

16.15

17.29

i

Rasio Perputaran Harta Tetap

3.40

2.43

2.60

3.26

2.74

j

Rasio Jangka Pengumpulan Piutang

7.05

2.29

10.78

7.29

11.92

k

Rasio Utang

24.1%

21.4%

17.8%

38.9%

46.7%

l

Rasio Utang atas Ekuitas

31.8%

27.2%

21.7%

63.8%

87.7%

m

Rasio Biaya Operasi

4.7%

7.5%

7.9%

8.0%

9.5%

n

Rasio Biaya Penjualan

1.5%

2.9%

2.7%

2.2%

2.1%

o

Rasio Biaya Administrasi

3.2%

4.6%

5.1%

5.7%

7.4%

p

Assets Growth Rate

53%

10%

-6%

19%

-

q

Equity Expansion Rate

48%

5%

27%

36%

-

(Sumber: www.astra-agro.co.id, telah diolah kembali) 3.2.2.2. Financial Highlights PT. Astra Internasional Tbk. (ASII)

Gambar 3. 3 Perkembangan Harga Saham (adjusted) Astra Internasional (Sumber: finance.yahoo.com, telah diolah kembali)


Tabel 3. 5 Kinerja Keuangan PT. Astra Internasional (dalam jutaan rupiah) NO

AKTIVA

2007

2006

2005

2004

2003

1

Net Sales

70,182,960

55,508,135

61,731,635

44,344,572

31,512,954

2

Operating Income

8,501,486

4,991,316

6,413,974

4,858,286

3,397,794

3

Net Income

6,519,273

3,712,097

5,457,285

5,405,506

4,421,583

4

Basic earnings per share (Rupiah)

1,610.00

917.00

1,348.00

1,335.00

1,100.00

5

Current Assets

19,474,163

15,731,494

16,158,641

13,576,532

9,221,133

6

Accounts Receivable

6,018,199

4,558,244

5,379,750

3,420,686

1,546,573

7

Inventory

4,581,729

4,000,697

5,120,829

3,334,329

1,759,560

8

Net Fixed Assets

14,127,390

13,030,347

11,495,558

8,548,140

6,079,902

9

Cash

6,264,894

4,729,943

3,938,633

5,326,131

4,550,960

10

Total Assets

63,519,598

57,929,290

61,466,666

39,145,053

27,404,308

11

Current Liabilities

21,343,163

20,070,497

21,917,215

13,235,465

7,732,824

12

Total Liabilities

36,557,004

35,553,524

40,742,321

22,659,927

15,693,596

13

Total Equity

26,962,594

22,375,766

20,424,345

16,485,126

11,710,712

14


4,117,161

3,486,830

3,124,922

2,995,582

2,414,817

15

Sales Expenses

3,870,625

3,643,886

3,727,984

2,459,736

1,866,796

16

Operating Expenses

7,987,786

7,130,716

6,852,906

5,455,318

4,281,613

(Sumber: www.astra.co.id/, telah diolah kembali) PT Astra International Tbk atau lebih dikenal dengan Astra Group adalah salah satu kelompok bisnis terbesar di Indonesia, yang didirikan sejak tanggal 20 Februari 1957. Perusahaan ini telah tercatat di Bursa Efek Jakarta sejak tanggal 4 April 1990. Saat ini mayoritas kepemilikan sahamnya dimiliki oleh Jardine Cycle & Carriage Singapura (40%).


Tabel 3. 6 Rasio Finansial PT. Astra Internasional Tbk. RASIO FINANSIAL Rasio Laba Penjualan Rasio Laba atas Ekuitas (ROE) Rasio Laba Atas Dana Operasi Rasio Lancar (COL) Rasio Cair Rasio Kas Rasio Perputaran Dana Operasi Rasio Perputaran Modal Kerja Rasio Perputaran Harta Tetap Rasio Jangka Pengumpulan Piutang Rasio Utang Rasio Utang atas Ekuitas Rasio Biaya Operasi Rasio Biaya Penjualan Rasio Biaya Administrasi Assets Growth Rate Equity Expansion Rate

2007 12.11% 31.53% 13.4% 91.2% 1.13 0.29 1.10 -37.55 4.97 31.30

2006 8.99% 22.31% 8.6% 78.4% 0.98 0.24 0.96 -12.79 4.26 29.97

2005 10.39% 31.40% 10.4% 73.7% 0.97 0.18 1.00 -10.72 5.37 31.81

2004 10.96% 29.47% 12.4% 102.6% 1.28 0.40 1.13 130.02 5.19 28.16

2003 10.78% 29.01% 12.4% 119.2% 1.42 0.59 1.15 21.17 5.18 17.91

57.6% 135.6% 11.4% 5.5% 5.9% 10% 20%

61.4% 158.9% 12.8% 6.6% 6.3% -6% 10%

66.3% 199.5% 11.1% 6.0% 5.1% 57% 24%

57.9% 137.5% 12.3% 5.5% 6.8% 43% 41%

57.3% 134.0% 13.6% 5.9% 7.7% -

(Sumber: www.astra.co.id, telah diolah kembali) 3.2.2.3. Financial Highlights PT. Bank Rakyat Indonesia Tbk. (BBRI)

Gambar 3. 4 Perkembangan Harga Saham (adjusted) BRI (Sumber: finance.yahoo.com, telah diolah kembali) Bank Rakyat Indonesia (BRI) adalah salah satu bank milik pemerintah yang terbesar di Indonesia. Pada awalnya Bank Rakyat Indonesia (BRI) didirikan di Purwokerto, Jawa Tengah oleh Raden Bei Aria Wirjaatmadja dengan nama


Hulp-en Spaarbank der Inlandsche Bestuurs Ambtenaren atau Bank Bantuan dan Simpanan Milik Kaum Priyayi yang berkebangsaan Indonesia (pribumi). Berdiri tanggal 16 Desember 1895, yang kemudian dijadikan sebagai hari kelahiran BRI. Tabel 3. 7 Kinerja PT. Bank Rakyat Indonesia (dalam milyaran rupiah)

(Sumber: www.bri.co.id) Tabel 3. 8 Rasio Finansial Bank Rakyat Indonesia Tbk.

(Sumber: www.bri.co.id)


Sejak 1 Agustus 1992 berdasarkan Undang-Undang Perbankan No. 7 tahun 1992 dan Peraturan Pemerintah RI No. 21 tahun 1992 status BRI berubah menjadi perseroan terbatas. Sampai sekarang PT. BRI (Persero) yang didirikan sejak tahun 1895 tetak konsisten memfokuskan pada pelayanan kepada masyarakat kecil, diantaranya dengan memberikan fasilitas kredit kepada golongan pengusaha kecil. Hal ini antara lain tercermin pada perkembangan penyaluran KUK (Kredit Usaha Kecil) pada tahun 1994 sebesar Rp. 6.419,8 milyar yang meningkat menjadi Rp. 8.231,1 milyar pada tahun 1995 dan pada tahun 1999 sampai dengan bulan September sebesar Rp. 20.466 milyar. Seiring dengan perkembangan dunia perbankan yang semakin pesat maka sampai saat ini Bank Rakyat Indonesia mempunyai unit kerja yang berjumlah 4.447 buah, yang terdiri dari 1 Kantor Pusat BRI, 12 Kantor Wilayah, 12 Kantor Inspeksi /SPI, 170 Kantor Cabang (dalam negeri), 145 Kantor Cabang Pembantu, 1 Kantor Cabang Khusus, 1 New York Agency, 1 Caymand Island Agency, 1 Kantor Perwakilan Hongkong, 40 Kantor Kas Bayar, 6 Kantor Mobil Bank, 193 P.POINT,3.705 BRI UNIT dan 357 Pos Pelayanan Desa. 3.2.2.4. Financial Highlights PT. Bank Mandiri Tbk. (BMRI)

Gambar 3. 5 Perkembangan Harga Saham (adjusted) Bank Mandiri (Sumber: finance.yahoo.com, telah diolah kembali) Bank Mandiri yang berdiri pada tanggal 2 Oktober 1998 adalah salah satu bank terbesar di Indonesia. Bank ini didirikan sebagai bagian dari program


restrukturisasi perbankan yang dilaksanakan oleh Pemerintah Indonesia. Pada bulan Juli 1999, empat bank milik pemerintah yaitu Bank Bumi Daya, Bank Dagang Negara, Bank Ekspor Impor Indonesia (pecahan BRI) dan Bank Pembangunan Indonesia, bergabung menjadi Bank Mandiri. Sejarah keempat Bank tersebut dapat ditelusuri lebih dari 140 tahun yang lalu. Keempat bank tersebut telah turut membentuk riwayat perkembangan dunia perbankan di Indonesia. Tabel 3. 9 Kinerja Keuangan Bank Mandiri Tbk. (dalam milyaran rupiah) N O 1

AKTIVA

2007

2006

2005

2004

2003

Interest Income

23,928.5

26,261.1

20,999.2

19,145.2

25,557.1

2

Operating Income

6,212.9

2,711.1

1,187.6

7,520.6

6,813.6

3

4,346.2

2,421.4

603.4

5,255.6

4,586.1

209.78

119.08

29.90

262.15

229.30

5

Net Income Basic earnings per share (Rupiah) Net Fixed Assets

4,531.6

4,709.2

5,305.4

5,483.6

5,384.4

6

Cash

5,909.4

3,965.7

2,522.8

2,439.5

2,228.7

7

Total Assets

319,085.6

267,517.2

263,383.3

248,155.8

249,435.6

8

Current Liabilities

852.8

671.3

675.3

546.3

889.7

9

Total Liabilities

289,835.5

241,171.3

240,164.2

223,217.6

229,036.9

10

Total Equity Administration Expenses Operating Expenses

29,243.7

26,340.7

23,214.4

24,934.7

20,395.2

3,409.3

3,250.9

3,080.1

2,988.7

2,249.5

8,208.1

6,862.0

6,868.0

6,036.0

4,721.8

4

11 12

(Sumber: www.bankmandiri.co.id, telah diolah kembali) Tabel 3. 10 Rasio Finansial Bank Mandiri Tbk. RASIO FINANSIAL Rasio Laba Penjualan Rasio Laba atas Ekuitas (ROE) Rasio Laba Atas Dana Operasi Rasio Kas Rasio Perputaran Dana Operasi Rasio Perputaran Harta Tetap Rasio Utang Rasio Utang atas Ekuitas Rasio Biaya Operasi Rasio Biaya Administrasi Assets Growth Rate Equity Expansion Rate

2007 25.96% 21.25% 1.9% 6.93 0.07 5.28 90.8% 991.1% 34.3% 14.2% 19% 11%

2006 10.32% 10.29% 1.0% 5.91 0.10 5.58 90.2% 915.6% 26.1% 12.4% 2% 13%

2005 5.66% 5.12% 0.5% 3.74 0.08 3.96 91.2% 1034.5% 32.7% 14.7% 6% -7%

2004 39.28% 30.16% 3.0% 4.47 0.08 3.49 90.0% 895.2% 31.5% 15.6% -1% 22%

(Sumber: www.bankmandiri.co.id, telah diolah kembali)


2003 26.66% 33.41% 2.7% 2.50 0.10 4.75 91.8% 1123.0% 18.5% 8.8% -

Bank Mandiri dibentuk pada tahun 1999. Dalam proses penggabungan dan pengorganisasian ulang, jumlah cabang Bank Mandiri dikurangi sebanyak 194 buah dan karyawannya berkurang dari 26.600 menjadi 17.620. Direktur Utamanya yang pertama adalah Robby Djohan. Kemudian pada Mei 2000, posisi Djohan digantikan ECW Neloe. Neloe menjabat selama lima tahun sebelum digantikan Martowardojo akibat terlibat dugaan korupsi di bank tersebut. Pada Maret 2005, Bank Mandiri mempunyai 829 cabang yang tersebar di sepanjang Indonesia dan enam cabang di luar negeri. Selain itu, Bank Mandiri mempunyai sepenulisr 2.500 ATM dan tiga anak perusahaan utama yaitu Bank Syariah Mandiri, Mandiri Sekuritas, dan AXA Mandiri. 3.2.2.5. Financial Highlights Bumi Resources Tbk. (BUMI)

Gambar 3. 6 Perkembangan Harga Saham (adjusted) Bumi Resources (Sumber: finance.yahoo.com, telah diolah kembali) PT. Bumi Resources Tbk. merupakan perusahaan penghasil batu bara terbesar di Indonesia. Berikut ini merupakan milestone PT. Bumi Resources yang diunduh

langsung

dari

situs

resmi

perusahaan

tersebut

(http://www.bumiresources.com). The Company went public through an Initial Public Offering in 1990, fully listing its shares on the Jakarta and Surabaya Stock Exchange. In 1997, PT Bakrie Capital Indonesia acquired all of the Company’s shares held by Asuransi Jiwa Bersama Bumiputera 1912 (“AJB Bumiputera”)


amounting to 26,328,600 shares, or equal to 58.51% of the total shares issued by the Company. On August 13, 1998, the Extraordinary General Meeting of Shareholders reached a resolution to shift the Company’s core business from hotel and tourism into oil, natural gas and mining investments. The Company acquired 97.5% shares of Gallo Oil (Jersey) Ltd. in 2000. Gallo Oil was established in Jersey, Chanel Island on 17 December 1997. The Company’s name was changed by virtue of the Decree of the Minister of Justice and Legislation of the Republic of Indonesia No. C-21041 HT.01.04TH.2000 dated September 20, 2000, whereby the name of PT Bumi Modern Tbk. became PT BUMI Resources Tbk. In November 2001, the Company acquired 80% of PT Arutmin Indonesia (Arutmin) from BHP Minerals Exploration Inc. At the time of acquisition, Arutmin was the fourth largest coal producer in Indonesia with four open-cut coal mines, Senakin, Satui, Asam-asam and Batulicin both located in South Kalimantan. In October 2003, the Company acquired a 100% stake in PT Kaltim Prima Coal(“KPC”) through its holding companies Sangatta Holdings Limited and Kalimantan Coal Limited, in a bid to further its business expansion. The acquisition of KPC turned the Company into the country’s largest coal producer. Globally, the Company is one of the largest thermal coal exporters in the world, accounting for approximately 8% of internationally traded thermal coals in 2005. In April 2004, the Company acquired 19.99% shares of Arutmin from PT Ekakarsa Yasakarya Indonesia. As a result, the Company’s ownership in Arutmin became 99.99%. In December 2005, BUMI Resources fi nalised the divestment of the shares of PT Kaltim Prima Coal (KPC) pursuant to Article 26 of the Coal Contract of Work (CCOW). As a result the share ownership of the Company in KPC, directly and indirectly, amounted to 95%.


Tabel 3. 11 Kinerja Keuangan PT. Bumi Resources Tbk. (dalam USD) NO AKTIVA 1 Net Sales 2 Operating Income 3 Net Income Basic earnings per 1000 4 share (USD) 5 Current Assets 6 Accounts Receivable 7 Inventory 8 Net Fixed Assets 9 Cash 10 Total Assets 11 Current Liabilities 12 Total Liabilities 13 Total Equity 14 Administration Expenses 15 Sales Expenses 16 Operating Expenses

2007 2,265,468,068 406,329,568 789,003,841

2006 1,851,550,950 327,484,241 222,304,589

2005 1,751,248,015 263,418,315 123,263,070

43.07

11.46

6.35

1,204,388,919 298,357,381 94,168,064 668,097,420 143,695,527 2,819,419,180 849,636,137 1,417,693,057 1,121,961,373 62,653,468 285,254,129 347,907,597

1,056,671,232 325,259,991 205,843,457 702,034,257 51,241,023 2,513,535,949 802,689,345 2,143,355,680 359,946,091 74,430,001 127,528,939 201,958,940

577,373,270 187,368,246 104,100,101 451,757,988 57,160,044 1,721,819,268 659,128,912 1,475,067,922 235,345,560 10,784,230 167,690,254 178,474,484

(Sumber: http://www.bumiresources.com) Tabel 3. 12 Rasio Finansial PT. Bumi Resources Tbk. RASIO FINANSIAL Rasio Laba Penjualan Rasio Laba atas Ekuitas (ROE) Rasio Laba Atas Dana Operasi Rasio Lancar (COL) Rasio Cair Rasio Kas Rasio Perputaran Dana Operasi Rasio Perputaran Modal Kerja Rasio Perputaran Harta Tetap Rasio Jangka Pengumpulan Piutang Rasio Utang Rasio Utang atas Ekuitas Rasio Biaya Operasi Rasio Biaya Penjualan Rasio Biaya Administrasi Assets Growth Rate Equity Expansion Rate

2007 17.94% 36.22% 14.4% 141.8% 1.53 0.17 0.80 6.39 3.39 48.07 50.3% 126.4% 15.4% 12.6% 2.8%

2006 17.69% 90.98% 13.0% 131.6% 1.57 0.06 0.74 7.29 2.64 64.12 85.3% 595.5% 10.9% 6.9% 4.0%

2005 15.04% 111.93% 15.3% 87.6% 1.03 0.09 1.02 -21.42 3.88 39.05 85.7% 626.8% 10.2% 9.6% 0.6%

12% 212%

46% 53%

-

(Sumber: http://www.bumiresources.com)


3.2.2.6. Financial Highlights PT. International Nickel Indonesia Tbk. (INCO)

Gambar 3. 7 Perkembangan Harga Saham (adjusted) International Nickel (Sumber: finance.yahoo.com, telah diolah kembali) Nikel merupakan logam serba guna yang penting untuk meningkatkan taraf hidup dan mendorong pertumbuhan ekonomi. Selama lebih dari tiga dasawarsa sejak penandatanganan Kontrak Karya dengan Pemerintah Indonesia pada tahun 1968, Perseroan telah menyediakan lapangan kerja terampil, mewujudkan kepedulian terhadap kebutuhan masyarakat di daerah operasinya, menghasilkan keuntungan bagi pemegang saham dan memberi sumbangan positif terhadap ekonomi Indonesia. PT Inco menghasilkan nikel dalam matte, yaitu produk setengah jadi yang diolah dari bijih laterit di fasilitas pertambangan dan pengolahan terpadu dekat Sorowako, Sulawesi. Seluruh produksi PT Inco dijual dalam Dolar Amerika Serikat berdasarkan kontrak-kontrak jangka panjang untuk dimurnikan di Jepang. Kelebihan daya saing PT Inco terletak pada cadangan bijih besi berlimpah, tenaga kerja terampil dan terlatih, pembangkit listrik tenaga air berbiaya rendah, fasilitas produksi modern dan pasar terjamin untuk produknya. Sebanyak 60,8% saham Perseroan dimiliki oleh Vale Inco dari Kanada, satu produsen nikel terkemuka di dunia dan 20,1 persen oleh Sumitomo Metal Mining Co.,Ltd., Jepang, sebuah perusahaan tambang dan peleburan penting. Selain itu, 20,0 persen saham PT Inco dimiliki publik dan selebihnya oleh empat perusahaan Jepang lain.


Tabel 3. 13 Kinerja Keuangan PT. INCO Tbk. (dalam ribuan USD) AKTIVA

NO

2007

2006

2005

2004

2003

1

Net Sales

2,325,858

1,337,735

885,087

792,083

509,028

2

Operating Income

1,558,447

735,641

421,763

417,401

155,543

3

1,173,036

513,358

268,920

284,431

104,185

0.12

0.05

0.27

0.29

0.10

5

Net Income Basic earnings per share (US$) Current Assets

636,516

905,320

458,646

461,898

272,782

6

Accounts Receivable

179,633

290,201

91,655

69,339

71,022

7

Inventory

8

Net Fixed Assets

9

Cash

10

Total Assets

11

Current Liabilities

12

Total Liabilities

13

Total Equity Operating Expenses

4

14

137,783

121,431

91,329

79,198

54,504

1,244,294

1,210,689

1,178,019

1,152,064

1,015,850

294,306

477,856

249,183

293,055

133,231

1,887,196

2,122,732

1,642,274

1,503,502

1,294,566

251,762

196,863

125,820

203,016

136,118

500,668

439,954

353,109

428,619

433,651

1,386,528

1,682,778

1,289,165

1,074,883

860,915

54,544

32,181

20,691

17,505

8,772

(Sumber: http://pt-inco.co.id, telah diolah kembali)

Tahun 2003, PT Inco membangun daerah penambangan baru di Petea (sebelah Timur Danau Matano, berdekatan dengan wilayah timur penambangan bijih (ore body) PT Inco. •

Petea memiliki 5 juta ton cadangan mineral terbukti dengan kualitas 1,81% nikel dan 24 juta ton cadangan mineral terduga dengan kualitas 1,78% nikel

•

Investasi yang dialokasikan sebesar US$11.8 juta Bulan Februari 2003, PT Inco menandatangani perjanjian dengan PT

Aneka Tambang (Antam) untuk bersama-sama membangun daerah kontrak di Sulawesi Tenggara. PT Inco akan menambang bijih saprolitik di wilayah timur Pomalaa, sementara Antam akan melakukan proses peleburan (smelting).PT Inco berencana untuk mulai mengirim bijih dari Pomalaa ke tempat peleburan Antam pada pertengahan tahun 2005. Pada tahun 2004, PT Inco memulai kegiatan pengeboran di Bahodopi dan Pomalaa,

dan

uji

coba

penambangan

bijih

di

Petea

Pada tahun 2004, PT Inco melakukan tahap pertama dari rencana optimalisasi besar-besaran yang direncanakan akan menelan biaya US$275-580 juta dengan membangun bendungan ketiga di Karebbe, Sungai Larona, untuk meningkatkan kapasitas listrik tenaga air dari 275 MW ke 365 MW.


Tabel 3. 14 Rasio Finansial PT. INCO Tbk. RASIO FINANSIAL 2007 Rasio Laba Penjualan 67.01% Rasio Laba atas Ekuitas 112.40% Rasio Laba Atas Dana Operasi 82.6% Rasio Lancar (COL) 253.0% Rasio Cair 0.10 Rasio Kas 0.66 Rasio Perputaran Dana Operasi 1.23 Rasio Perputaran Modal Kerja 3.65 Rasio Perputaran Harta Tetap 1.87 Rasio Jangka Pengumpulan 28.19 Piutang Rasio Utang 26.5% Rasio Utang atas Ekuitas 36.1% Rasio Biaya Operasi 2.3% -11% Assets Growth Rate -18% Equity Expansion Rate

2006 54.99% 43.72% 34.7% 460.0% 0.14 0.57 0.63 1.48 1.10 79.18

2005 47.65% 32.72% 25.7% 365.0% 0.06 0.72 0.54 1.93 0.75 37.80

2004 52.70% 38.83% 27.8% 228.0% 0.05 0.77 0.53 1.71 0.69 31.95

2003 30.56% 18.07% 12.0% 200.0% 0.05 0.78 0.39 1.87 0.50 50.93

20.7% 26.1% 2.4% 29% 31%

21.5% 27.4% 2.3% 9% 20%

28.5% 39.9% 2.2% 16% 25%

33.5% 50.4% 1.7% -

(Sumber: http://pt-inco.co.id, telah diolah kembali) Pada tahun 2005, PT. Inco berhasil memasang teknologi Bag House System di Tanur Listrik No. #4. Alat ini mampu mengurangi emisi debu tanur listrik hingga berada di bawah ambang batas ketentuan pemerintah. Direncanakan tahun 2008 semua tanur listrik akan dilengkapi dengan alat ini. 3.2.2.7. Financial Highlights PT. Indofood Sukses Makmur Tbk. (INDF)

Gambar 3. 8 Perkembangan Harga (adjusted) Saham Indofood (Sumber: finance.yahoo.com, telah diolah kembali)


PT.Indofood Sukses

Makmur Tbk.

merupakan perusahaan yang

menghasilkan jenis makanan dan minuman yang bermarkas di Jakarta, Indonesia. Perusahaan ini didirikan pada tahun 1972. Perusahaan ini mengekspor bahan makanannya hingga Australia, Asia, dan Eropa. Tabel 3. 15 Kinerja Keuangan PT. Indofood Tbk. (dalam milyaran rupiah) NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

AKTIVA Net Sales Operating Income Net Income Basic earnings per share (Rupiah) Current Assets Accounts Receivable Inventory Net Fixed Assets Cash Total Assets Current Liabilities Total Liabilities Total Equity Administration Expenses Sales Expenses Operating Expenses

2007 27,858.3 2,894.4 980.4 115.0 11,766.7 2,367.8 4,169.2 8,079.5 4,536.9 29,527.5 12,776.4 22,400.9 7,126.6 1,343.0 2,339.1 3,682.1

2006 21,941.6 1,971.8 661.2 78.0 7,474.2 7,669.0 2,980.8 6,463.9 1,796.7 16,267.5 6,324.3 14,190.1 2,077.4 1,131.0 2,077.4 3,208.5

(Sumber: www.indofood.co.id, telah diolah kembali)

Tabel 3. 16 Perkembangan Profit PT. Indofood Tbk.

(Sumber: www.indofood.co.id)


2005 18,764.7 1,662.5 124.0 15.0 6,471.6 1,704.4 2,691.7 6,041.8 970.9 14,786.1 4,412.5 10,042.6 4,308.4 1,032.7 1,727.9 2,760.6

Tabel 3. 17 Rasio Finansial PT. Indofood Tbk. RASIO FINANSIAL Rasio Laba Penjualan Rasio Laba atas Ekuitas (ROE) Rasio Laba Atas Dana Operasi (ROA) Rasio Lancar (COL) Rasio Cair Rasio Kas Rasio Perputaran Dana Operasi Rasio Perputaran Modal Kerja Rasio Perputaran Harta Tetap Rasio Jangka Pengumpulan Piutang Rasio Utang Rasio Utang atas Ekuitas Rasio Biaya Operasi Rasio Biaya Penjualan Rasio Biaya Administrasi Assets Growth Rate Equity Expansion Rate

2007 10.39% 40.61% 9.8% 92.1% 1.25 0.36 0.94 -27.59 3.45 31.02 75.9% 314.3% 13.2% 8.4% 4.8% 82% 243%

2006 8.99% 94.91% 12.1% 118.2% 1.65 0.28 1.35 19.08 3.39 127.57 87.2% 683.1% 14.6% 9.5% 5.2% 10% -52%

(Sumber: www.indofood.co.id), telah diolah kembali)

2005 8.86% 38.59% 11.2% 146.7% 2.08 0.22 1.27 9.11 3.11 33.15 67.9% 233.1% 14.7% 9.2% 5.5% -6% 3%

3.2.2.8. Financial Highlights PT. Semen Gresik Tbk. (SMGR)

Gambar 3. 9 Perkembangan Harga (adjusted) Saham Semen Gresik (Sumber: finance.yahoo.com, telah diolah kembali) PT. Semen Gresik (Persero) Tbk. adalah pabrik semen yang terbesar di Indonesia. Diresmikan di Gresik pada tanggal 7 Agustus 1957 oleh Presiden RI pertama dengan kapasitas terpasang 250.000 ton semen per tahun. Pada tanggal 8


Juli 1991 Semen Gresik tercatat di Bursa Efek Jakarta dan Bursa Efek Surabaya serta merupakan BUMN pertama yang go public dengan menjual 40 juta lembar saham kepada masyarakat. Tabel 3. 18 Kinerja Keuangan PT. Semen Gresik Tbk. (dalam jutaan rupiah) AKTIVA NO 1 Net Sales 2 Operating Income 3 Net Income Basic earnings per 4 share (Rupiah) 5 Current Assets 6 Accounts Receivable 7 Inventory 8 Net Fixed Assets 9 Cash 10 Total Assets 11 Current Liabilities 12 Total Liabilities 13 Total Equity 16 Operating Expenses

2007 9,600,800.6 2,396,848.2 1,775,408.3

2006 8,727,857.8 1,779,379.4 1,295,520.4

2005 7,532,208.2 1,563,779.8 1,022,568.5

2004 6,067,557.7 965,159.2 508,915.8

299.00

218.00

1,723.96

857.99

5,267,911.7 1,174,072.6 1,047,871.7 3,101,865.8 2,822,280.4 8,515,227.4 1,445,874.3 1,887,964.9 6,627,262.6 1,603,808.4

4,153,262.7 1,123,487.5 1,025,981.8 3,162,919.3 1,743,589.3 7,496,419.1 1,460,082.6 1,996,804.7 5,499,614.5 1,548,132.8

3,740,623.0 1,173,616.3 1,040,199.1 3,422,799.1 1,348,642.4 7,296,963.6 2,140,832.6 2,809,785.2 4,487,178.4 1,328,015.5

2,836,339.4 942,059.7 933,828.5 3,674,298.4 907,975.9 6,665,831.3 1,777,388.3 3,023,394.2 3,642,437.2 1,095,542.3

(Sumber: http://www.semengresik.com, telah diolah kembali)

Sampai dengan tanggal 30 September 1999 komposisi kepemilikan saham berubah menjadi Pemerintah RI 51,01%, Masyarakat 23,46% dan Cemex 25,53%. Pada Tanggal 27 Juli Juli 2006 terjadi transaksi penjualan saham CEMEX S.S de. C.V pada Blue valley Holdings PTE Ltd. Sehingga komposisi kepemilikan saham sampai saat ini berubah menjadi Pemerintah RI 51,01%, Blue Valley Holdings PTE Ltd 24,90%, dan masyarakat 24,09%. Saat ini kapasitas terpasang Semen Gresik Group (SGG) sebesar 16,92 juta ton semen per tahun, dan menguasai sepenulisr 46% pangsa pasar semen domestik. PT Semen Gresik (Persero) Tbk memiliki anak perusahaan PT. Semen Padang (Persero) dan PT. Semen Tonasa (Persero). Semen Gresik Group merupakan produsen semen terbesar di Indonesia. Dalam menghadapi tantangan era globalisasi pasar bebas, maka SGG telah menerapkan sistim manajemen dan mendapatkan beberapa sertifikat sebagai berikut:


Tabel 3. 19 Rasio Finansial PT. Semen Gresik Tbk. RASIO FINANSIAL Rasio Laba Penjualan Rasio Laba atas Ekuitas (ROE) Rasio Laba Atas Dana Operasi (ROA) Rasio Lancar (COL) Rasio Cair Rasio Kas Rasio Perputaran Dana Operasi Rasio Perputaran Modal Kerja Rasio Perputaran Harta Tetap Rasio Jangka Pengumpulan Piutang Rasio Utang Rasio Utang atas Ekuitas Rasio Biaya Operasi Rasio Biaya Penjualan Rasio Biaya Administrasi Assets Growth Rate Equity Expansion Rate

2007 24.97% 36.17%

2006 20.39% 32.35%

2005 20.76% 34.85%

2004 15.91% 26.50%

28.1% 364.3% 4.37 1.95 1.13 2.51 3.10 44.64

23.7% 284.5% 3.55 1.19 1.16 3.24 2.76 46.98 26.6% 36.3% 17.7% 0.0% 0.0% 3% 23%

21.4% 174.7% 2.23 0.63 1.03 4.71 2.20 56.87 38.5% 62.6% 17.6% 0.0% 0.0% 9% 23%

14.5% 159.6% 2.12 0.51 0.91 5.73 1.65 56.67 45.4% 83.0% 18.1% 0.0% 0.0% -

22.2% 28.5% 16.7% 0.0% 0.0% 14% 21%

(Sumber: http://www.semengresik.com, telah diolah kembali)

•

Sistim Manajemen Mutu SNI 19-9001-2001 dan ISO 9001:2000, sertifikat No. ID03/0267 dari SGS sejak Mei 1996.

•

Sistim Manajemen Lingkungan ISO 14001:2004, sertifikat no GB01/19418 dari SGS sejak Februari 2001.

•

Sistim Manajemen Keselamatan dan Kesehatan Kerja (SMK3) Sejak 1999 dan OHSAS 18001:2007 sejak bulan Nopember 2007 dari SGS.

•

Memperoleh Sertifikat Akreditasi Laboratorium Pengujian Bahan dari KAN yang telah menerapkan secara konsisten ISO/IEC 17025:2000 sejak Nopember 2002 dan ISO/IEC 17025:2005 sejak Maret 2007.

•

API Monogram Sertifikat no. 10A-0044 dari American Petroleum Institute New York. Semua Sistim Manajemen diatas diimplementasikan dengan mensyaratkan

Management Continous Improvement dan penerapan Sub Sistem Manajemen meliputi : •

Gugus Kendali Mutu (GKM)

•

5R


•

Sistim Saran (SS)

•

Total Productive Maintenance (TPM)

3.2.2.9. Financial Highlights PT. Telekomunikasi Indonesia Tbk. (TLKM) Tabel 3. 20 Kinerja Keuangan PT. Telkom Tbk. (dalam milyaran rupiah) NO

AKTIVA

2007

2006

2005

2004

2003

1

Net Sales

59,440

51,294

41,807

33,948

27,116

2

Operating Income

26,473

21,593

17,171

14,588

11,976

3

12,857

11,006

7,994

6,615

6,087

4

Net Income Basic earnings per share (Rupiah)

644.08

547.15

396.51

328.10

301.95

5

Current Assets

15,978

13,921

8,942

9,204

10,305

6

Accounts Receivable

3,512

3,865

3,731

3,375

3,003

7

Inventory

211

213

220

203

154

8

Net Fixed Assets

61,169

55,233

46,193

40,071

35,080

9

Cash

10,105

8,316

5,375

4,856

5,094

10

Total Assets

82,059

75,136

62,171

56,179

50,283

11

Current Liabilities

20,675

20,536

13,513

11,677

11,170

12

Total Liabilities

39,005

28,723

32,574

33,113

29,262

13

Total Equity

33,749

28,069

23,292

18,128

17,313

14


3,568

3,271

2,764

2,600

2,079

15

Sales Expenses

1,769

1,242

1,126

882

503

16

Operating Expenses

32,967

29,701

24,636

19,360

15,140

(Sumber: www.telkom.co.id, telah diolah kembali)

Gambar 3. 10 Perkembangan Harga (adjusted) Saham Telkom (Sumber: finance.yahoo.com, telah diolah kembali)


PT Telekomunikasi Indonesia, Tbk. adalah perusahaan informasi dan komunikasi serta penyedia jasa dan jaringan telekomunikasi secara lengkap di Indonesia. TELKOM mengklaim sebagai perusahaan telekomunikasi terbesar di Indonesia, dengan jumlah pelanggan telepon tetap sebanyak 15 juta dan pelanggan telepon seluler sebanyak 50 juta. Tabel 3. 21 Rasio Finansial PT. Telkom Tbk. RASIO FINANSIAL 2007 2006 2005 2004 2003 Rasio Laba Penjualan 44.54% 42.10% 41.07% 42.97% 44.17% Rasio Laba atas Ekuitas (ROE) 78.44% 76.93% 73.72% 80.47% 69.17% Rasio Laba Atas Dana Operasi (ROA) 32.3% 28.7% 27.6% 26.0% 23.8% Rasio Lancar (COL) 77.3% 67.8% 66.2% 78.8% 92.3% Rasio Cair 0.78 0.69 0.68 0.81 0.94 Rasio Kas 0.49 0.40 0.40 0.42 0.46 Rasio Perputaran Dana Operasi 0.72 0.68 0.67 0.60 0.54 Rasio Perputaran Modal Kerja -12.66 -7.75 -9.15 -13.73 -31.35 Rasio Perputaran Harta Tetap 0.97 0.93 0.91 0.85 0.77 Rasio Jangka Pengumpulan Piutang 21.57 27.50 32.57 36.29 40.42 Rasio Utang 47.5% 38.2% 52.4% 58.9% 58.2% Rasio Utang atas Ekuitas 115.6% 102.3% 139.9% 182.7% 169.0% Rasio Biaya Operasi 55.5% 57.9% 58.9% 57.0% 55.8% Rasio Biaya Penjualan 3.0% 2.4% 2.7% 2.6% 1.9% Rasio Biaya Administrasi 6.0% 6.4% 6.6% 7.7% 7.7% 9% 21% 11% 12% Assets Growth Rate 20% 21% 28% 5% Equity Expansion Rate

(Sumber: www.telkom.co.id, telah diolah kembali) TELKOM merupakan salah satu BUMN yang sahamnya saat ini dimiliki oleh Pemerintah Indonesia (51,19%) dan oleh publik sebesar 48,81%. Sebagian besar kepemilikan saham publik (45,58%) dimiliki oleh investor asing, dan sisanya (3,23%) oleh investor dalam negeri. TELKOM juga menjadi pemegang saham mayoritas di 9 anak perusahaan, termasuk PT Telekomunikasi Selular (Telkomsel). Presiden direktur PT Telkom saat ini adalah Rinaldi Firmansyah yang menggantikan Arwin Rasyid pada 28 Februari 2007.


3.2.2.10. Financial Highlights PT. Unilever Indonesia Tbk. (UNVR) Tabel 3. 22 Kinerja Finansial PT. Unilever Indonesia Tbk. (dalam jutaan rupiah) NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

AKTIVA Net Sales Operating Income Net Income Basic earnings per share (Rupiah) Current Assets Accounts Receivable Inventory Net Fixed Assets Cash Total Assets Current Liabilities Total Liabilities Total Equity Administration Expenses Sales Expenses Operating Expenses

2004 6,599,908 1,509,593 1,092,725 143.00 2,157,834 827,257 613,915 1,033,323 649,995 3,507,404 1,251,414 1,325,219 2,161,211 361,885 1,576,527 1,938,412

2003 6,128,746 1,346,346 988,566 130.00 2,705,216 610,433 452,882 811,394 1,598,896 3,837,257 1,369,238 1,505,528 2,321,614 391,663 1,425,156 1,816,819

(Sumber: www.unilever.co.id, telah diolah kembali)

Gambar 3. 11 Perkembangan Harga Saham (adjusted) Unilever Indonesia (Sumber: finance.yahoo.com, telah diolah kembali) Unilever

adalah perusahaan multinasional yang memproduksi barang

konsumen yang bermarkas di Rotterdam, Belanda. Perusahaan ini didirikan tahun


1930. Perusahaan ini mempekerjakan 206.000 pekerja. Memproduksi makanan, minuman, pembersih, dan konsumen pribadi. Tabel 3. 23 Rasio Finansial PT. Unilever Indonesia Tbk. RASIO FINANSIAL 2004 2003 Rasio Laba Penjualan 22.87% 21.97% Rasio Laba atas Ekuitas (ROE) 69.85% 57.99% Rasio Laba Atas Dana Operasi (ROA) 43.0% 35.1% Rasio Lancar (COL) 172.4% 197.6% Rasio Cair 2.21 2.31 Rasio Kas 0.52 1.17 Rasio Perputaran Dana Operasi 1.88 1.60 Rasio Perputaran Modal Kerja 7.28 4.59 Rasio Perputaran Harta Tetap 6.39 7.55 Rasio Jangka Pengumpulan Piutang 45.75 36.35 Rasio Utang 37.8% 39.2% Rasio Utang atas Ekuitas 61.3% 64.8% Rasio Biaya Operasi 29.4% 29.6% Rasio Biaya Penjualan 23.9% 23.3% Rasio Biaya Administrasi 5.5% 6.4% -9% Assets Growth Rate -7% Equity Expansion Rate

(Sumber: www.unilever.co.id, telah diolah kembali)

3.3. Pengolahan Data Masukan (Input) Simulasi Data mentah yang digunakan dalam penelitian ini adalah data-data harga saham adjusted close, yaitu harga saham penyesuaian penutupan. Harga saham ini merupakan nilai intrinsik saham karena telah disesuaikan dengan kejadiankejadian yang dapat mengurangi nilai saham, misalnya pembagian dividen, atau penambahan jumlah saham yang diedarkan oleh perusahaan. Pengolahan data mentah yang akan digunakan dalam simulasi dibagi menjadi tiga bagian utama, yaitu nilai return saham, standar deviasi, dan korelasi. Setiap bagian tersebut akan diolah dengan menggunakan software spreadsheet dan diatur sesuai dengan format yang dibutuhkan oleh Powersim Studio agar simulasi dapat berjalan.


3.3.1. Return Harian Tingkat pengembalian aset ini dihitung dengan menggunakan rumus: dengan r = return dan n adalah waktu. Rumus ini digunakan dengan asumsi bahwa volatilitas harga saham terjadi secara kontinu. Gambar 3.x di bawah ini menunjukkan tingkat pengembalian aset pada periode Jan 2004 – Juli 2007 (periode sebelum waktu simulasi).

Gambar 3. 12 Return Harian Saham Jan 2004 – Juli 2007 (Sumber: www.finance.yahoo.com, telah diolah kembali)

Gambar 3. 13 Perkembangan Nilai Saham (Adjusted) Jan 2004 – Juli 2007 (Sumber: www.finance.yahoo.com, telah diolah kembali)


3.3.2. Volatilitas Volatilitas atau standar deviasi saham sangat menentukan nilai risiko atau value at risk yang dihasilkan. Rumus yang digunakan adalah rumus (2 – 3). Sebuah aset dengan nilai standar deviasi yang tinggi mengandung risiko yang lebih tinggi. Namun, juga menjanjikan keuntungan yang lebih besar. Berikut ini merupakan grafik yang menggambarkan perbandingan standar deviasi di antara saham-saham yang digunakan dalam penelitian ini pada periode simulasi (Juli 2007 – April 2008).

%

%

% !"

" # !"

$"!"

Gambar 3. 14 Standar Deviasi 10 Saham secara Akumulasi (Sumber: penulis)

%

%

%

%

!"

" # !"

$"!"

Gambar 3. 15 Standar Deviasi 10 Saham secara Time Window 1 tahun (Sumber: penulis)


Kedua data standar standar deviasi di atas digunakan dalam perhitungan VaR konvensional. Metode lain yang diuji dalam penelitian ini adalah pendekatan chaos theory. %

%

%

%

%

%

!"

" # !"

$"!"

Gambar 3. 16 Standar Deviasi 10 Saham dengan Pendekatan Chaos Theory dan Akumulasi (Sumber: penulis) %

%

%

%

%

%

!"

" # !"

$"!"

Gambar 3. 17 Standar Deviasi 10 Saham dengan Pendekatan Chaos Theory dan Time Window (Sumber: penulis) 3.3.3. Korelasi Korelasi digunakan untuk menghitung nilai risiko yang dihasilkan oleh percampuran berbagai jenis aset dalam satu portofolio. Rumus yang digunakan adalah rumus (2 – 4). Karena dalam penelitian ini terdapat 10 saham dengan nilai


return yang berbeda, maka data yang digunakan dalam simulasi berjumlah 100 korelasi. Selain itu, dalam simulasi ini digunakan dua jenis korelasi, yaitu korelasi akumulasi dan korelasi time window. 3.3.4. Persebaran Nilai Return (Profit) Saham Harian Bab 2.2.7. membahas pengertian chaos theory dan aplikasinya dalam menentukan nilai standar deviasi. Berikut ini merupakan peta tingkat pengembalian dari masing-masing data saham yang digunakan pada penelitian ini serta penentuan pembagian interval tingkat pengembalian saham dengan menggunakan pendekatan tersebut. 3.3.4.1. Return Saham Astra Agro Lestari Tbk. (AALI) Tabel 3. 24 Distribusi Persebaran Nilai Return ALII (Jan 2004 - Juli 2007) RANGE

x<-3%

MEAN

-0.04346

3%<=x<2% -0.02440

STDEV

0.011697

0.002599

VAR

0.000138

6.75 E-06

KURT

-0.10160

SKEW

-0.89733

KESIMPULAN (t+1) for t = 2%<=x< 1%<=x< 1%<x<= 1% =1% 2% -0.01424 -4.71E-05 0.014030 0.00521

0.002684

2.71E-05

7.20E-06

-1.06894

0.002874 8.266E06 -1.08674

-0.49938

-0.26095

-0.31440

0.040398

2%<x<= 3% 0.024809

x>3% 0.048981 0.000465

-0.94211

0.002874 8.265E06 -1.34225

0.021578

0.356913

-0.06624

2.67782

10.45327

(Sumber: penulis)

Gambar 3. 18 Peta Persebaran Return AALI (Jan 2004-Juli 2007) (Sumber: penulis)


3.3.4.2. Return Saham Astra Internasional Tbk. (ASII) Tabel 3. 25 Distribusi Persebaran Nilai Return ASII (Jan 2004 - Juli 2007)

RANGE MEAN STDEV VAR KURT SKEW

KESIMPULAN (t+1) for t = x<3%<=x< 2%<=x< 1%<=x< 1%<x<= 2%<x<= 3% -2% 1% =1% 2% 3% -0.042 -0.02475 -0.01485 -0.00014 0.01540 0.02527 0.0146 0.00296 0.00302 0.00570 0.00298 0.00259 0.0002 8.78E-06 9.15E-06 3.25E-05 8.92E-06 6.75E-06 12.809 -1.24482 -1.2833 -0.80195 -1.1849 -0.94400 -3.075 0.08517 0.14489 0.03758 -0.26936 -0.27955

(Sumber: penulis)

x>3% 0.04332 0.01195 0.00014 4.01236 1.82298

Gambar 3. 19 Peta Persebaran Return ASII (Jan 2004-Juli 2007) (Sumber: penulis) 3.3.4.3. Return Saham Bank Rakyat Indonesia Tbk. (BBRI) Tabel 3. 26 Distribusi Persebaran Nilai Return BBRI (Jan 2004 - Juli 2007)


x<-4% -0.052903 0.012329 0.000152 3.67212 -1.956241

KESIMPULAN (t+1) for t = 4%<=x< 2%<=x< 1%<=x< 1%<x<= 2%<x<= -2% 1% =1% 2% 4% -0.02852 -0.01516 -0.00020 0.01553 0.02908 0.00453 0.00277 0.00551 0.00286 0.00515 2.05E-05 7.67E-06 3.03E-05 8.20E-06 2.65E-05 -0.46615 -1.06963 -0.51930 -0.72134 -0.74385 -0.01868 0.20676 0.01589 -0.58743 0.28721

(Sumber: penulis)


x>4% 0.0535 0.0112 0.0001 1.9072 1.3340

Gambar 3. 20 Peta Persebaran Return BBRI (Jan 2004-Juli 2007) (Sumber: penulis) Interval distribusi pada saham BBRI dibagi menjadi 7 interval yang berbeda, yaitu x < -4%, -4% 2%, 2% < x

x < -2%, -2%

x < -1%, -1%

x

1%, 1% < x

4%, dan 4%. < x.

3.3.4.4. Return Saham Bank Mandiri Tbk. (BMRI)

Gambar 3. 21 Peta Persebaran Return BMRI (Jan 2004-Juli 2007) (Sumber: penulis)


Tabel 3. 27 Distribusi Persebaran Nilai Return BMRI (Jan 2004 - Juli 2007)


x<-4% -0.06257 0.02586 0.00066 1.48515 -1.55220

KESIMPULAN (t+1) for t = 4%<=x< 2%<=x< 1%<=x< 1%<x<= 2%<x<= -2% 1% =1% 2% 4% -0.02832 -0.01546 -0.00010 0.01524 0.02781 0.00562 0.00293 0.00462 0.00296 0.00585 3.16E-05 8.61E-06 2.13E-05 8.76E-06 3.42E-05 -1.10369 -1.21056 0.00130 -1.31871 -1.1348 -0.30239 0.40279 0.02655 -0.24464 0.41499

(Sumber: penulis)

x>4% 0.05914 0.01718 0.00029 0.33393 1.05770

3.3.4.5. Return Saham Bumi Resources Tbk. (BUMI) Tabel 3. 28 Distribusi Persebaran Nilai Return BUMI (Jan 2004 - Juli 2007)

RANGE MEAN STDEV VAR

KURT SKEW

x<-4% -0.06311 0.02906 0.00084 7.66081 -2.43520

KESIMPULAN (t+1) for t = 4%<=x< 2%<=x< 1%<=x< 1%<x<= 2%<x<= -2% 1% =1% 2% 4% -0.02754 -0.01250 -4.9E-05 0.01231 0.02932 0.00543 0.00162 0.00228 0.00155 0.00570 2.95E-05 2.65E-06 5.21E-06 2.40E-06 3.25E-05 -1.06025 4.72272 10.9471 4.29335 -1.26741 -0.65858 -1.83433 -0.64387 1.76134 0.37328

(Sumber: penulis)

x>4% 0.06273 0.02730 0.00074 13.0440 2.95375

Gambar 3. 22 Peta Persebaran Return BUMI (Jan 2004-Juli 2007) (Sumber: penulis)


3.3.4.6. Return Saham International Nickel Indonesia Tbk. (INCO) Tabel 3. 29 Distribusi Persebaran Nilai Return INCO (Jan 2004 - Juli 2007) KESIMPULAN (t+1) for t = 2%<=x< 1%<=x< 1%<x<= 1% =1% 2%

RANG E

x<-5%

5%<=x<2%

MEAN

-0.07456

-0.03059

STDEV

0.02200

0.00843

0.00262

0.00503

0.0030

0.00817

0.02915

VAR

0.00048

7.11E-05

6.89E-06

2.53E-05

9.04E-06

6.67E-05

0.00085

KURT

1.23893

-0.85213

-0.82805

-0.83657

-1.3483

-0.96503

4.50371

SKEW

-1.29455

-0.64159

-0.2932

0.02691

0.02317

0.28325

1.99302

-0.0144

-0.00031

(Sumber: penulis)

0.01472

2%<x<= 5% 0.03267

x>5% 0.07741

Gambar 3. 23 Peta Persebaran Return INCO (Jan 2004-Juli 2007) (Sumber: penulis) 3.3.4.7. Return Saham Indofood Sukses Makmur Tbk. (INDF) Tabel 3. 30 Distribusi Persebaran Nilai Return INDF (Jan 2004 - Juli 2007) RANG E MEAN STDE V VAR KURT SKEW

KESIMPULAN (t+1) for t = 4%<=x< 2%<=x< 1%<=x< 1%<x<= 2%<x<= x<-4% -2% 1% =1% 2% 4% -0.06157 -0.02991 -0.01412 9.70E-06 0.01373 0.03125

0.01927 0.00530 0.00037 2.81E-05 3.60124 -1.20146 -1.60621 0.26786

0.00314 0.00388 0.00288 0.00534 9.86E-06 1.50E-05 8.29E-06 2.86E-05 -1.33248 1.60697 -0.66531 -0.72363 -0.41737 -0.04320 0.80632 -0.54047

(Sumber: penulis)


x>4% 0.05967 0.01471 0.00021 -0.11745 0.62874

Gambar 3. 24 Peta Persebaran Return INDF (Jan 2004-Juli 2007) (Sumber: penulis) Interval distribusi pada saham AALI dibagi menjadi 7 interval yang berbeda, yaitu x < -4%, -4% 2%, 2% < x

x < -2%, -2%

x < -1%, -1%

x

1%, 1% < x

4%, dan 4%. < x.

3.3.4.8. Return Saham Semen Gresik Tbk. (SMGR)

Gambar 3. 25 Peta Persebaran Return SMGR (Jan 2004-Juli 2007) (Sumber: penulis)


Tabel 3. 31 Distribusi Persebaran Nilai Return SMGR (Jan 2004 - Juli 2007) RANG E MEAN STDE V VAR KURT SKEW

KESIMPULAN (t+1) for t = 4%<=x< 2%<=x< 1%<=x< 1%<x<= 2%<x<= -2% 1% =1% 2% 4% x<-4% -0.06325 -0.02790 -0.01408 -1.7E-05 0.01471 0.02811

x>4% 0.05330

0.02205 0.00551 0.00048 3.04E-05 2.14148 -0.85490 -1.46072 -0.49208

0.01232 0.00015 3.38301 1.56318

0.00295 0.00456 0.00287 0.00523 8.70E-06 2.08E-05 8.28E-06 2.73E-05 -1.12575 -0.51786 -1.08704 -0.78320 -0.39611 0.01980 0.19215 0.45629

(Sumber: penulis)

3.3.4.9. Return Saham Telekomunikasi Indonesia Tbk. (TLKM) Tabel 3. 32 Distribusi Persebaran Nilai Return TLKM (Jan 2004 - Juli 2007) RANG E MEAN STDE V VAR KURT SKEW

KESIMPULAN (t+1) for t = 3%<=x< 2%<=x< 1%<=x< 1%<x<= 2%<x<= x<-3% -2% 1% =1% 2% 3% -0.04345 -0.02497 -0.01397 -0.00070 0.01458 0.02466

x>3% 0.04337

0.01256 0.00292 0.00015 8.55E-06 5.21707 -1.01194 -1.93716 0.00461

0.01316 0.00017 5.39998 2.06946

0.00299 0.00554 0.00336 0.00320 8.96E-06 3.07E-05 1.13E-05 1.03E-05 -1.12626 -1.08796 -1.3229 -1.40618 -0.38797 0.16379 0.20029 0.00584

(Sumber: penulis)

Gambar 3. 26 Peta Persebaran Return TLKM (Jan 2004-Juli 2007) (Sumber: penulis)


3.3.4.10. Return Saham Unilever Indonesia Tbk. (UNVR) Tabel 3. 33 Distribusi Persebaran Nilai Return UNVR (Jan 2004 - Juli 2007) RANG E MEAN STDE V VAR KURT SKEW

-0.04740 0.02178

KESIMPULAN (t+1) for t = 3%<=x< 2%<=x< 1%<=x< 1%<x<= 2%<x<= -2% 1% =1% 2% 3% -0.02438 -0.01459 0.00012 0.01459 0.02440 0.00295 0.00260 0.00523 0.00246 0.00278

0.04693 0.02501

0.00047 8.41922 -2.72215

8.70E-06 -1.1270 -0.43831

0.00062 18.6581 3.90642

x<-3%

6.88E-06 -1.16194 -0.28730

2.73E-05 -1.05452 -0.01084

6.08E-06 -1.10236 0.13358

7.77E-06 -0.98011 0.30142

x>3%

(Sumber: penulis)

Gambar 3. 27 Peta Persebaran Return UNVR (Jan 2004-Juli 2007) (Sumber: penulis) Interval distribusi pada saham UNVR dibagi menjadi 7 interval yang berbeda, yaitu x < -3%, -3% 2%, 2% < x

x < -2%, -2%

x < -1%, -1%

x

3%, dan 3%. < x.


1%, 1% < x

4. PERANCANGAN MODEL DINAMIS Bab ini membahas tahapan pembuatan simulasi dinamis berdasarkan fungsi yang terdapat pada sistem perangkat lunak yang digunakan, yaitu Powersim©Studio 2005 dan Microsoft©Excel serta proses verifikasi perhitungan dan validasi simulasi dinamis yang telah dibuat. 4.1. Diagram Sebab Akibat (Causal Loop Diagram) Elemen dinamis (berubah-ubah sejalan dengan waktu) dalam model analisis risiko ini adalah bahwa setiap keputusan bobot yang diambil akan berpengaruh terhadap nilai total total aset portofolio yang dimiliki, dan juga beberapa faktor lain. Hal tersebut dapat digambarkan sebagai berikut.

Gambar 4. 1 Diagram Sebab-Akibat (Variabel Eksternal – Internal Model) (Sumber: penulis) Korelasi portofolio menggambarkan keputusan yang harus diambil oleh seorang investor dalam mengelola aset sahamnya. Semakin tinggi korelasi di antara aset-aset yang dimilikinya dalam suatu portofolio, maka semakin tinggi nilai VaR yang dihasilkan. Loop tersebut bersifat balancing dan akan terus


berubah mencari keseimbangan hingga didapatkan nilai portofolio yang maksimal. Namun proses pencarian titik seimbang di antara dua variabel tersebut tidak akan berhenti karena terdapat faktor volatilitas yang merupakan variabel eksternal dan tidak dapat dikendalikan. Semakin tinggi nilai volatilitas masing-masing aset yang dimiliki, semakin tinggi VaR dan korelasi portofolio yang dihasilkan. Proses penyeimbangan yang terus menerus berjalan dalam loop ini terjadi atas dorongan yang dilakukan oleh volatilitas sebagai faktor eksternal kepada nilai VaR, korelasi portofolio, dan kedua jenis return berkombinasi dengan reaksi sang pengambil keputusan (korelasi portofolio) menanggapi hal tersebut. Keputusan pengelolaan aset yang digambarkan oleh korelasi portofolio berpengaruh secara positif baik terhadap return positif maupun return negatif. Hal ini menggambarkan keinginan untuk menghasilkan lebih banyak keuntungan selalu disertai dengan kemungkinan kegagalan yang juga lebih besar. Suatu keputusan yang diambil tidak dapat dipastikan akan menghasilkan return positif atau negatif karena dipengaruhi juga oleh kenaikan atau penurunan nilai dari masing-masing aset dalam suatu portofolio, dalam konteks ini perubahan tersebut didefinisikan sebagai variabel volatilitas, yang merupakan pengaruh eksternal dari model. Kenaikan pada return positif akan meningkatkan nilai aset yang dimiliki yang secara intuitif akan meningkatkan lagi return positif. Loop ini merupakan satu-satunya yang bersifat reinforcing dan merupakan tujuan utama yang ingin dicapai semua orang dalam mengelola suatu portofolio aset. Semua pengelola aset selalu berusaha meletakkan portofolionya ke dalam loop ini dengan berbagai cara. Usaha tersebut antara lain adalah dengan menganalisa risiko, salah satunya VaR, sebagai patokan atau petunjuk kuantitatif mengenai hal yang mungkin akan terjadi setelah keputusan diambil. Perubahan positif pada return negatif akan mengurangi nilai aset dari suatu portofolio. Sebaliknya, kenaikan nilai aset akan meningkatkan kemungkinan return negatif yang akan terjadi. Loop ini jika dianalisa secara intuitif merupakan kondisi yang selalu dihindari, berlawanan dengan loop yang sebelumnya penulis bahas. Saat aset yang penulis miliki semakin besar, dengan asumsi bahwa risiko yang penulis tanggung sama, kemungkinan kegagalan secara kuantitatif akan


semakin besar dibandingkan sebelumnya. Hal yang sama berlaku juga pada biaya jual beli saham. Variabel ini merupakan penggambaran biaya yang dipungut oleh broker ketika melakukan transaksi jual-beli saham. Semakin besar nilai aset yang penulis miliki, dengan asumsi bahwa kebijakan penulis dalam mengelola aset konsisten, maka semakin besar pula biaya jual-beli tersebut. Panah putus-putus berwarna biru yang berasal dari variabel eksternal volatilitas

dan

mengarah

pada

variabel

VaR

dan

korelasi

portofolio

menggambarkan pengaruh yang dapat penulis kendalikan. Strategi dan metode pendekatan volatilitas yang berbeda akan menghasilkan nilai VaR dan korelasi portofolio yang berbeda. Korelasi portofolio yang berbeda akan mempengaruhi nilai kedua jenis return dan pada akhirnya akan berpengaruh terhadap nilai portofolio. Panah berwarna hitam dan bergaris putus-putus disertai tanda tanya menunjukkan pengaruh yang menjadi tujuan pembuatan model ini. Yaitu untuk menggambarkan bagaimanakah keputusan yang diambil berdasarkan variabel VaR tersebut mempengaruhi hasil yang diperoleh. 4.2. Diagram Stok dan Aliran (Stock and Flow Diagram) Diagram stok dan aliran merupakan cara berkomunikasi yang harus penulis lakukan agar program komputer yang digunakan untuk memecahkan masalah kompleks dapat mengerti apa permasalahan, tujuan, batasan-batasannya sehingga dapat menggambarkannya dengan cara-cara yang dapat penulis pahami. Berdasarkan Bab 2.3.5. dan 2.3.9. dibuatlah diagram stok dan aliran dalam Powersim Studio di bawah ini. 4.2.1. Diagram Stok dan Aliran Dinamika Aset Diagram stok dan aliran ini terbagi menjadi 3 bagian utama, yaitu diagram stok aset, diagram aliran jual-beli, serta diagram VaR (lihat Gambar 4.2). •

Diagram stok aset terdiri atas variabel Total Aset, Return, Data Return Saham, Perubahan Aset, Rp Return, dan Percent Return (berlatar kuning). Diagram ini bertujuan untuk menghitung nilai dari total aset yang berubah setiap kali keputusan diambil. Stok Total Aset merupakan variabel yang bertugas menyimpan nilai portofolio setiap hari dalam simulasi. Variabel


Return adalah aliran (rate) yang mengubah nilai Total Aset. Nilainya dipengaruhi oleh data-data historis dari Data Return Saham (variabel eksternal) dan Rp Return yang merupakan total nilai perubahan saham dalam portofolio yang dimiliki. Perubahan Aset merupakan variabel dengan dimensi 1 x 10 yang memuat nilai perubahan nilai aset tiap portofolio. Persamaan dan karakteristik yang didefinisikan dalam tiap variabel dapat dilihat pada Lampiran 1 dan 2.

"

!

#

$

$

%

Gambar 4. 2 Diagram Stok dan Aliran Dinamika Aset (Sumber: penulis) •

Diagram jual-beli terdiri atas Rate KB, KB Delayed, Rate KB2, Selisih Keputusan Bobot, Keputusan Bobot, Biaya Beli, Biaya Jual, Biaya Jual-Beli Saham, Rate_Biaya Switching, Akum_Biaya Switching, dan Total Akum Biaya Switching (berlatar hijau). Diagram ini berfungsi menghitung biaya jual-bali saham yang dihasilkan oleh perubahan keputusan yang dihasilkan oleh Keputusan Bobot. Biaya Jual dan Biaya Beli merupakan konstan


dengan nilai masing-masing 0.3% dan 0.2% dari nilai transaksi yang dilakukan (switching). •

Diagram VaR terdiri atas variabel Diversified VaR, Rp VaR, dan Return on Risk Capital (berlatar biru). Variabel ini berfungsi untuk menghitung nilai VaR yang dihasilkan oleh setiap keputusan yang tercantum pada Keputusan Bobot.

4.2.2. Diagram Perhitungan Risiko (VaR)

$ !$ &

'

% " &

'

#

#

*"

!)

$

+

" &

&

'

"

'$

&

'

"%

( "%

+

"

"+

,

"%

Gambar 4. 3 Diagram Stok dan Aliran Perhitungan VaR (Sumber: penulis) Diagram stok dan aliran perhitungan VaR terdiri atas 4 bagian utama seperti yang terlihat pada Gambar 4.3. Keempat bagian tersebut dinamakan


diagram perhitungan VaR, diagram metode dan strategi, diagram confidence level, dan diagram keputusan. •

Diagram perhitungan VaR memiliki bagian utama Diversified VaR. Variabel ini menghitung nilai VaR berdasarkan rumus perkalian matrix WVCVW yang berasal dari ketiga bagian lain dari diagram tersebut. Matrix W berasal dari Keputusan Bobot, matrix V berasal dari Matrix Volatilitas, sedangkan matrix C berasal dari Matrix Korelasi. Diagram ini merupakan bagian yang krusial dari model (berlatar hijau).

•

Diagram metode dan strategi memuat metode dan strategi yang akan digunakan dalam menghitung nilai VaR (berlatar coklat).

•

Diagram confidence level memuat nilai tingakt kepercayaan yang digunakan dalam menghitung VaR. Dalam penelitian ini confidence level yang digunakan hanya satu, yaitu 99% (berlatar kuning).

•

Diagram keputusan memuat variabel-variabel yang dibutuhkan untuk mengoptimasi nilai VaR berdasarkan metode dan strategi yang digunakan (berlatar biru).

4.3. Verifikasi Perhitungan VaR pada Model Dinamis Verifikasi dilakukan pada semua variabel pada model. Namun, pada laporan penelitian ini, verifikasi dilakukan hanya pada beberapa perhitungan yang perannya sangat kritis bagi keabsahan secara akademis bagi simulasi yang dibuat. Verifikasi tersebut antara lain dilakukan pada variabel Total Aset, Perubahan Aset, Biaya Jual-Beli Saham (Gambar 4.1) serta Diversified VaR dan Keputusan Bobot (Gambar 4.2). Verifikasi dilakukan dengan mengambil data-data dari tiap variabel yang berhubungan dengan perhitungan variabel kritis di atas pada satu tanggal dalam masa periode simulasi yang dipilih secara acak, yaitu 11 Pebruari 2008. Proses verifikasi akan menggunakan strategi bobot tetap dengan standar deviasi akumulasi metode data historis (lihat 5.1.) untuk memudahkan perhitungan. Langkah pertama adalah mengambil nilai-nilai dari tiap variabel yang mempengaruhi nilai Total Aset, Perubahan Aset, dan Biaya Jual-Beli Saham.


Berikut ini beberapa data variabel pada tanggal 11 Pebruari 2008 pada strategi bobot tetap. Tabel 4. 1 Nilai Variabel pada 11 Pebruari 2008 Nilai

Variabel Keputusan Bobot Total Aset Data Return Saham

0.1 3.3 %

Perubahan Aset* Rp Return Rp

Return

0.1

0.1

0.1

Rp 16,146,639,215 3.0 1.5 2.3 % % %

0.1

0.1

0.1

0.1

0.1

0.1

2.1 %

1.2 %

5.5 %

3.8 %

2.1 %

1.5 %

Rp 385,263,503.00 - 385,263,503.00/da

Rate KB2

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

KB Delayed

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

Rate KB Selisih Keputusan Bobot

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0

0

0

0

0

0

0

0

0

0

(Sumber: penulis) *nilai terlalu besar untuk dicantumkan pada tabel Variabel-variabel pada tabel di atas, yang memiliki 10 nilai menunjukkan karakteristik berupa array dengan dimensi 1 x 10. Dimensi tersebut masingmasing mewakili nilai variabel dari setiap saham dalam portofolio. Pendefinisian karakteristik array pada beberapa variabel dilakukan untuk mengurangi kebutuhan variabel pada model. Dengan melakukan hal itu, penulis dapat menghemat hingga 10 kali lipat. Setelah melakukan perhitungan, nilai Rp Return sesuai dengan total nilai Perubahan Aset. Biaya Jual-Beli saham juga sesuai dengan Selisih Keputusan Bobot dikali dengan Biaya Jual dan Biaya Beli. Kemudian nilai Total Aset pada hari berikutnya tepat menunjukkan angka hasil penjumlahan Rp Return dengan Total Aset pada 11 Pebruari 2008, yaitu Rp 15,761,375,712. Dengan demikian perhitungan nilai total aset sudah dapat dibuktikan kebenarannya. Langkah kedua adalah menghitung Diversified VaR dan Keputusan Bobot. Proses verifikasi pada kedua variabel tersebut dilakukan dengan melakukan perhitungan matrix WVCVW pada Excel. Berikut ini merupakan nilai beberapa variabel pada tanggal 11 Pebruari 2008.


Tabel 4. 2 Matrix Korelasi Akumulasi-Data Historis 11 Peb 2008 AALI

AALI

1

ASII

BBRI

BMRI

BUMI

INCO

INDF

SMGR

TLKM

UNVR

0.333

0.494

0.526

0.145

0.077

0.143

0.110

0.362

0.070

ASII

0.333

1

0.494

0.487

0.155

0.097

0.104

0.085

0.097

0.313

BBRI

0.277

0.494

1

0.526

0.103

0.064

0.044

0.085

0.091

0.288

BMRI

0.307

0.487

0.526

1

0.145

0.078

0.134

0.103

0.089

0.348

BUMI

0.146

0.155

0.103

0.145

1

0.077

0.148

0.082

0.086

0.097

INCO

0.136

0.097

0.064

0.078

0.077

1

0.143

0.185

0.283

0.041

INDF

0.097

0.104

0.044

0.134

0.148

0.143

1

0.110

0.104

0.136

SMGR

0.050

0.085

0.085

0.103

0.082

0.185

0.110

1

0.362

0.069

TLKM

0.068

0.097

0.091

0.089

0.086

0.283

0.104

0.362

1

0.070

UNVR

0.279

0.313

0.288

0.348

0.097

0.041

0.136

0.069

0.070

1

(Sumber: penulis)

Tabel 4. 3 Keputusan Bobot 11 Peb 2008 Bobot

AALI

ASII

BBRI

0.1

0.1

0.1

BMRI

BUMI

INCO

INDF

SMGR

TLKM

UNVR

0.1

0.1

0.1

0.1

0.1

0.1

0.1

SMGR

TLKM

UNVR

(Sumber: penulis)

Tabel 4. 4 Matrix Volatilitas 11 Peb 2008

AALI

AALI 0.0251 89

ASII

BBRI

BMRI

BUMI

INCO

INDF

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0 0

ASII

0

0 0.0243 17

BBRI

0

0

0 0.0246 98

BMRI

0

0

0

0 0.027 91

BUMI

0

0

0

0

0 0.0318 01

INCO

0

0

0

0

0

0 0.0325 48

INDF

0

0

0

0

0

0

0 0.0266 35

SMGR

0

0

0

0

0

0

0

0 0.0234 39

TLKM

0

0

0

0

0

0

0

0

0 0.0216 48

UNVR

0

0

0

0

0

0

0

0

0

(Sumber: penulis)

0 0.0202 07

Setelah dilakukan perhitungan di Excel, didapatkan bahwa hasilnya konsisten. Dengan kata lain, proses perhitungan nilai VaR pada model dapat dibuktikan kebenarannya.


4.4. Verifikasi Optimasi Powersim Studio Solver Verifikasi juga dilakukan pada proses optimalisasi yang dilakukan oleh Powersim Studio Solver, terutama pada proses maksimasi dan minimasi nilai VaR yang dilakukan dengan mengatur konstanta Bobot (variabel keputusan). Dalam Powersim Studio, proses optimasi dapat dilakukan dengan mendefinisikan minimal 2 faktor, yaitu decision dan objectives. Model dinamis yang dibuat dalam penelitian ini menggunakan decision pada konstanta Bobot dan objective akumulasi VaR dalam proses optimalisasinya. Dengan mendefinisikan nilai minimum dan maksimum dari konstanta Bobot, penulis dapat menggunakan Powersim Solver untuk memaksimumkan atau meminimumkan nilai VaR. Secara intuitif proses memaksimumkan nilai VaR berarti memberikan bobot lebih pada saham yang memiliki volatilitas tinggi. Sebaliknya, meminimumkan VaR berarti memberikan bobot terutama pada saham dengan volatilitas yang relatif lebih rendah. Oleh karena itu, proses verifikasi dapat dilakukan dengan melihat pembobotan yang dilakukan oleh Powersim Solver pada portofolio. 01 2 01 /

01 -

3 3 4&3

01

*& 45$

01 ,

01 0 -

.

/

.

,

.

Gambar 4. 4 Nilai Keputusan Bobot pada Maksimasi VaR (Sumber: penulis) Gambar 3.27 dan Gambar 3.28 menyajikan nilai volatilitas dari masingmasing saham. Dari gambar tersebut dapat penulis simpulkan bahwa baik secara akumulasi dan time window, saham PT. Astra dan PT. Bumi memiliki volatilitas yang relatif lebih tinggi dibandingkan saham lain. Sedangkan saham PT. Unilever dan PT. Telkom memiliki volatilitas akumulasi yang relatif lebih rendah


dibandingkan saham lainnya. Berikut ini merupakan pembobotan keempat saham tersebut pada maksimasi dan minimasi VaR (Gambar 4.4 dan Gambar 4.5). 01 2

01 0

3 3

01 ,2

4&3 *&

01 ,0

45$ 01 02

-

.

/

.

,

.

Gambar 4. 5 Nilai Keputusan Bobot pada Minimasi VaR (Sumber: penulis) Dari kedua gambar tersebut dapat disimpulkan bahwa proses optimasi yang dilakukan oleh Powersim Solver telah berjalan dengan semestinya. Saat proses maksimasi, Solver memberatkan pilihannya pada saham-saham yang volatilitasnya relatif tinggi (ASII dan BUMI) sedangkan saat proses minimasi Solver memilih saham-saham yang volatilitasnya relatif rendah (UNVR dan TLKM). 4.5. Validasi Simulasi Dinamis Validasi dilakukan untuk menilai apakah suatu model dapat dianggap memberikan gambaran yang benar mengenai sebuah sistem dan hasilnya. Validasi dilakukan melalui beberapa tes pada Bab 2.3.7. sebagai berikut. 4.5.3. Kecukupan Batasan Dalam membuat sebuah model, menentukan batasan masalah yang dianggap internal atau endogenous merupakan langkah yang sangat krusial. Pada Bab 4.1. telah dibahas causal loop diagram dari model dinamis yang dibuat dalam penelitian ini. Batasan-batasan tersebut antara lain adalah bahwa keputusan yang diambil semata-mata berasal dari perhitungan VaR yang dilakukan Powersim Solver. Hal ini sesuai dengan tujuan penelitian yang ingin mengetahui bagaimana pengaruh keputusan berbasis analisis risiko, dalam hal ini VaR, mempengaruhi


hasil utama dari sebuah manajemen portofolio, yaitu keuntungan maksimum. Dari tujuan tersebut, telah jelas 2 variabel utama yang dibutuhkan dalam model, yaitu perhitungan VaR dan perhitungan aset. Kedua variabel tersebut telah dibahas pada Bab 4.2. Pertanyaannya adalah bagaimana jika batasan masalah yang ada diubah? Tentunya model secara keseluruhan juga akan berubah. Misalnya, portofolio tidak hanya terdiri atas saham, melainkan juga terdiri dari investasi-investasi pada kelas aset lainnya, seperti obligasi atau reksadana. Hal ini akan mempengaruhi perhitungan nilai VaR yang dilakukan, karena aset kelas yang berbeda menggunakan perhitungan nilai VaR yang berbeda. Bahkan data historis yang digunakan pun berbeda. Namun, pengubahan batasan jenis portofolio tidak mampu memberikan struktur yang lebih baik tanpa mengubah tujuan dan batasan dari penelitian. Batasan lain yang dapat diubah adalah perhitungan aset. Model dinamis yang dibuat menggunakan data return yang diolah dari harga saham dan menggunakan percentage bobot yang menggambarkan bagian dari keseluruhan portofolio sebagai keputusan. Model dapat diubah sehingga menggunakan data harga saham sebagai perhitungannya dan menggunakan lembar saham sebagai bagian dari portofolio dan keputusan yang harus dibuat. Hal ini akan mengubah struktur model secara radikal. Namun, kekompleksan yang dapat diakibatkan pengubahan batasan model ini tidak memberikan nilai tambah bagi tujuan dari penelitian. Peningkatan realita model justru mempersulit penulis dalam menganalisa hail dari optimasi keputusannya. Oleh karena itu, ide perluasan model ini pun tidak perlu dilakukan. Perluasan model yang bisa dilakukan juga mencakup penambahan variabel basis pengambilan keputusan. Model yang dibuat dalam penelitian ini hanya menggunakan pendekatan nilai VaR dalam pengambilan keputusannya. Namun, dalam dunia yang sebenarnya VaR bukanlah satu-satunya faktor masukan bagi pengambilan keputusan yang dibuat oleh seorang investor. Misalnya, nilai suku bunga bank sentral, nilai tukar valuta asing, harga komoditas, serta harga ekuitas. Langkah ini lagi-lagi akan meningkatkan realita model. Namun, hal ini bukanlah tujuan utama dari penelitian. Dan faktor-faktor lain yang mempengaruhi


pengambilan keputusan dalam manajemen portofolio cenderung bersifat nonlinear dan sangat sulit untuk dibuktikan korelasinya secara statistik. Dibutuhkan penelitian lain yang secara intensif meneliti hubungan faktor-faktor tersebut terhadap keputusan dalam manajemen portofolio sebelum dapat digunakan dalam model ini. 4.5.4. Penilaian Struktur Struktur model yang dibuat dalam penelitian ini dapat dinilai dengan mengenali bagian-bagian yang membangunnya. Secara garis besar, terdapat tiga jenis variabel yang digunakan dalam membangun struktur model, yaitu stock, auxiliary, dan constant. •

Penggunaan tipe variabel stock Tipe variabel ini digunakan untuk mewakili variabel yang dalam model akan bertambah dan atau berkurang menurut waktu dan penambahan atau pengurangan tersebut akan terakumulasi hingga akhir simulasi. Dalam model ini, penulis menggunakan stock pada variabel Total Aset, KB Delayed, Akum Biaya Switching, dan Accumulated VaR. Total Aset, Akum Biaya Switching, dan Accumulated VaR digunakan murni untuk menghitung akumulasi dari sebuah variabel. Namun, berbeda dengan KB Delayed. KB Delayed yang merupakan singkatan dari Keputusan Bobot Delayed menggunakan prinsip delay pada model untuk menghitung biaya jual-beli saham. Seperti yang penulis ketahui, perubahan bobot pada portofolio saham akan dikenai biaya jual-beli saham, masing-masing sebesar 0.3% dan 0.2%. KB Delayed digunakan untuk menyimpan nilai Keputusan Bobot pada hari sebelumnya – karena auxiliary tidak dapat menyimpan nilai – sehingga bisa dihitung selisihnya dengan Keputusan Bobot hari ini. Selisih itulah yang digunakan untuk menghitung biaya jualbeli saham. Dengan kata lain, variabel stock dalam konteks tersebut diaplikasikan pada prinsip delay.

•

Penggunaan tipe variabel auxiliary Tipe variabel ini paling banyak digunakan di dalam model. Tidak seperti stock, variabel tidak memiliki kemampuan untuk mengingat nilai yang


pernah dimilikinya. Sesuai namanya, variabel ini digunakan sebagai pembantu dalam perhitungan yang dilakukan oleh model. Jika dibagi berdasarkan asal data yang dimilikinya, variabel auxiliary dapat dibagi menjadi dua, yaitu auxiliary lokal dan auxiliary spreadsheet. Auxiliary lokal mendapatkan nilainya dari perhitungan variabel-variabel lain dalam model.

Sedangkan

auxiliary

lainnya

mendapatkan

nilainya

dari

spreadsheet yang disinkronisasikan dengan model. Tipe ini dapat dibedakan dari panah tebal yang mengarah ke dalam. •

Penggunaan tipe variabel constant Tipe variabel ini digunakan sebagai konstanta atau input pada model. Selain itu, variabel ini merupakan variabel satu-satunya yang nilainya dapat dioptimasi berdasarkan tujuan tertentu. Pada penelitian ini, jenis variabel ini digunakan pada Bobot, Pilihan Periode, Pilihan Stdev, Biaya Jual, Biaya Beli, dan Confidence Level. Penggunaan Pilihan Periode, Confidence Level, dan

Pilihan Stdev bertujuan untuk memilih cara

perhitungan VaR yang dilakukan. Sedangkan Biaya Jual dan Biaya Beli merupakan konstanta yang nilainya tidak berubah sepanjang simulasi. Berbeda dengan kedua fungsi tersebut, variabel Bobot menggunakan konstanta agar dapat dioptimalisasi nilainya menggunakan Powersim Solver. 4.5.5. Konsistensi Dimensi Model dinamis analisis risiko dan pengambilan keputusan dengan pendekatan VaR ini dibuat dengan bantuan program aplikasi powersim studio 2005 yang mengharuskan adanya kekonsistenan dalam dimensi sebelum simulasi dapat berjalan. Oleh karena simulasi telah berjalan, maka secara otomatis kekonsistensian dimensinya telah teruji. 4.5.6. Kondisi Ekstrim Untuk menguji model yang telah dibuat apakah akan tetap bekerja dalam keadaan ekstrim, penulis akan mengubah beberapa nilai parameter yang digunakan. Skenario pertama adalah apabila biaya jual-beli saham ditingkatkan


hingga menjadi 2% dan 3% (meningkat 10 kali lipat) dari transaksi yang dilakukan. Skenario ini bertujuan untuk menguji bagaimana variabel perhitungan aset bereaksi pada kondisi ekstrim. Skenario kedua adalah apabila perhitungan nilai VaR yang pada penelitian ini hanya dibatasi pada confidence level 99% diturunkan menjadi 95%. Skenario ini bertujuan menguji bagaimana Powersim Solver bereaksi terhadap perubahan metode yang drastis ini serta menguji bagaimana perubahan tersebut mempengaruhi model secara keseluruhan. 3

,9 2009 000

,9 0009 000

% #

2009 000

0 + 6

+ 7

+ 8

+ -0

Gambar 4. 6 Biaya Jual-Beli Saham pada Skenario 1 (hijau) (Sumber: penulis) Kedua skenario ini akan dilakukan pada periode simulasi 1 Juli 2007 – 1 Agustus 2007 dan menggunakan metode data historis akumulasi dengan batas bawah 0% dan maksimasi nilai VaR dengan biaya jual-beli 0.2% dan 0.3% serta confidence level 99% sebagai benchmark. Gambar 4.6 menunjukkan biaya jual beli pada skenario 1. Dari gambar tersebut dapat disimpulkan bahwa model dapat merespon perubahan tersebut dengan baik. Setelah biaya jual-beli ditingkatkan 10 kali lipat, model pun bereaksi pada level yang sama. Semua biaya jual-beli meningkat tajam dibandingkan sebelumnya.


3 009 0009 000

-009 0009 000 $ <

/009 0009 000

:,9 ,;

$

:,9 ,;

2009 0009 000

+ 6

+ 7

+ 8

+ -0

Gambar 4. 7 Nilai Value at Risk pada Skenario 2 (hijau) (Sumber: penulis) Gambar 4.7 menunjukkan nilai value at risk pada skenario 2. Dari gambar tersebut dapat disimpulkan bahwa model juga dapat merespon perubahan tersebut dengan baik. Pada tingkat kepercayaan yang lebih rendah, nilai VaR yang dihasilkan pun lebih kecil (dalam konteks absolut). Selisihnya pun jika dihitung dalam satuan rupiah berkisar antara 10 – 150 juta rupiah. Selisih yang cukup signifikan ini dapat berpengaruh besar terhadap hail akhir dari simulasi (lihat Gambar 4.8). 3 ,9 2009 0009 000

,9 0009 0009 000

,,9 2009 0009 000

% #

,,9 0009 0009 000

,09 2009 0009 000

,09 0009 0009 000 + 6

+ 7

+ 8

+ -0

Gambar 4. 8 Total Aset pada Skenario 2 (hijau) (Sumber: penulis)


4.5.7. Error dalam Integrasi Tes ini dilakukan untuk menguji apakah hasil simulasi sensitif terhadap pemilihan time step. Gambar di bawah ini menunjukkan perbedaan hasil simulasi yang hanya dibedakan oleh pemilihan time step. Time step yang dijadikan perbandingan adalah 1 hari dan 0.5 hari. 3

209 0009 0009 000

/09 0009 0009 000 % -09 0009 0009 000

#

09 0009 0009 000

,09 0009 0009 000 -

.

/

.

,

.

3 -29 0009 0009 000 -09 0009 0009 000 29 0009 0009 000 % 09 0009 0009 000

#

,29 0009 0009 000 ,09 0009 0009 000 -

.

/

.

,

.

Gambar 4. 9 Perbandingan Total Aset dengan time step 1 hari (hijau) dengan 0.5 hari (merah) pada beberapa metode dan strategi (Sumber: penulis) Dari Gambar 4.9 dapat disimpulkan bahwa pengubahan time step pada model tidak mengubah hasil simulasi secara signifikan walaupun dalam contoh di atas, penulis menggunakan variabel Total Aset yang merupakan hilir dari berbagai variabel lainnya dalam model.


4.5.8. Reproduksi Perilaku Pertanyaan yang meliputi pelaksanaan tes ini adalah apakah model menghasilkan perilaku yang penting atau perilaku sederhana dari sistem yang nyata? Untuk menjawab pertanyaan tersebut, penulis mengambil rule of thumb dalam mengelola keuangan “semakin tinggi risiko yang diambil, semakin tinggi pula keuntungan yang bisa diperoleh”. Berikut ini merupakan grafik hasil simulasi model yang dapat menggambarkan perilaku sederhana tersebut. 3 009 0009 000 -009 0009 000 /009 0009 000 $ 2009 0009 000

<

:,9 ,;

$

:,9 ,;

=009 0009 000 6009 0009 000 -

.

/

.

,

.

Gambar 4. 10 Perbandingan Nilai VaR Skenario Maksimasi Risiko (merah) dengan Minimasi Risiko (hijau) (Sumber: penulis) 3

09 0009 0009 000

,29 0009 0009 000

% #

,09 0009 0009 000

-

.

/

.

,

.

Gambar 4. 11 Perbandingan Skenario Maksimasi (merah) dengan Minimasi (hijau) Risiko pada Nilai Aset yang Dimiliki (Sumber: penulis)


Dari kedua gambar tersebut dapat disimpulkan bahwa model memberikan perilaku yang sederhana namun juga penting dari sistem yang sebenarnya, yaitu risiko yang diambil sangat mempengaruhi keuntungan yang bisa diperoleh oleh seorang pengambil keputusan. 4.5.9. Analisis Sensitivitas Analisis sensitivitas yang dilakukan untuk menguji model dinamis analisis risiko dan pengambilan keputusan ini adalah sensitivitas numerik dan sensitivitas kebijakan. 4.5.9.1. Sensitivitas Numerik Untuk menguji bagaimana model berperilaku saat dilakukan perubahan nilai numerik secara signifikan, penulis akan melakukan run simulasi dengan beberapa angka dalam satu variabel yang berbeda. Agar terlihat perbedaannya, hanya satu metode dan strategi yang digunakan dalam tes ini, yaitu strategi maksimasi VaR dengan metode perhitungan VaR pendekatan chaos theory dan time window serta batas bawah 3%. Periode simulasi yang digunakan adalah 1 Pebruari 2008 – 15 Pebruari 2008. Berikut ini gambar yang menunjukkan bagaimana perubahan angka numerik pada beberapa variabel mengubah hasil dari simulasi.

Gambar 4. 12 Nilai VaR (%) dengan Confidence Level yang Berbeda (Sumber: penulis)


Dari gambar di atas dapat disimpulkan bahwa model telah menampilkan representasi perhitungan VaR dengan tepat. Semakin tinggi nilai confidence level semakin tinggi pula nilai VaR (absolut). Peningkatan nilai VaR seiring dengan meningkatnya confidence level terjadi secara eksponensial. 4.5.9.2. Sensitivitas Kebijakan Dengan menggunakan metode dan strategi yang sama dengan sensitivitas numerik, penulis membandingkan bagaimana kebijakan maksimasi dan minimasi VaR mempengaruhi simulasi. 3 ,,9 0009 0009 000

,09 2009 0009 000

,09 0009 0009 000

% #

89 2009 0009 000

89 0009 0009 000

+ 0=

Gambar 4. 13 Perbandingan Total Aset pada Kebijakan Maksimasi VaR (hijau) dengan Minimasi VaR (merah) (Sumber: penulis) 3

,009 0009 000

$

,209 0009 000

<

$

:,9 ,; :,9 ,;

009 0009 000

+ 0=

Gambar 4. 14 Perbandingan Nilai VaR pada Kebijakan Maksimasi VaR (hijau) dengan Minimasi VaR (merah) (Sumber: penulis)


Dari kedua gambar di atas, dapat disimpulkan bahwa model yang dibuat memiliki sensitivitas yang sangat tinggi terhadap kebijakan yang dilakukan (dalam hal ini adalah strategi pengelolaan portofolio). Hanya dalam waktu 2 minggu, selisih Total Aset dari kedua kebijakan tersebut mencapai Rp 800 juta. Nilai VaR-nya pun memiliki selisih yang berkisar antara 10 juta – 150 juta rupiah. 3 009 0009 000 ,009 0009 000 0 <

,009 0009 000 009 0009 000 -009 0009 000

+0=

Gambar 4. 15 Perbandingan Rp Return (portofolio) pada Kebijakan Maksimasi VaR (coklat) dengan Minimasi VaR (biru) (Sumber: penulis) Hal yang sama terjadi pada tingkat pengembalian portofolio. Walaupun keduanya memiliki pola yang identik, yang kemungkinan diakibatkan oleh kondisi pasar yang memang identik, kedua kebijakan tersebut memiliki selisih yang cukup signifikan. Selisih di antara kedua kebijakan tersebut bahkan mencapai 200 juta rupiah pada awal simulasi berjalan.


5. PENGOLAHAN DATA HASIL SIMULASI

Bab ini menampilkan data-data keluaran (output) simulasi yang telah diolah agar lebih mudah dianalisis (descriptive statistics). Hasil pengolahan tersebut meliputi tampilan grafis dan rangkuman data-data penting menyangkut keputusan yang diambil berdasarkan setiap metode dan strategi serta efek yang diakibatkan keputusan tersebut terhadap pengelolaan portofolio. Dalam setiap subbab mewakili nomor skenario masing-masing di bawah ini (lihat Gambar 1.3). Setiap varian strategi dan metode akan menggunakan strategi bobot tetap atau do nothing sebagai benchmark. Yang dimaksud dengan strategi bobot tetap adalah mengelola portofolio saham dengan kombinasi bobot saham yang tetap. Selain itu, masing-masing saham juga memiliki bobot yang sama. Karena terdapat 10 saham dalam portofolio ini, maka masing-masing memiliki bobot 10%. Asumsi ini didapatkan berdasarkan wawancara dengan praktisi. Dengan kata lain, penulis ingin membandingkan hasil yang didapat oleh investor jika menanam saham sambil melakukan usaha pengelolaan dengan tidak melakukan pengelolaan apapun terhadap investasi yang dilakukannya. 5.1. Metode Data Historis 5.1.1. Skenario (1) Batas Bawah 3%, Maksimasi VaR, Akumulasi

Gambar 5. 1 Grafik Time Series Harian dari Total Aset Skenario (1) selama 3 Kwartal, Juli 2007- Maret 2008 (*Ref = do nothing)


Tabel 5. 1 Kinerja Portofolio Skenario (1) Selama 175 Hari Variabel Skenario 1 Do Nothing Selisih Total Profit Rp2,185,856,892 Rp2,177,015,849 Rp8,841,044 Total VaR 544.763% 485.794% 58.969% Return on Risk Capital Rp401,249,054 Rp448,135,355 -Rp46,886,301 Rata-rata Return (IDR) Rp10,030,768 Rp10,204,057 -Rp173,288 Rata-rata Return (%) 0.122% 0.121% 0.001% Rata-rata VaR (IDR) Rp389,250,386 Rp340,652,789 Rp48,597,597 Rata-rata VaR (%) 3.113% 2.776% Rp0.003 Rata-rata Transaksi (IDR) Rp701,130 Rp0 Rp701,130

5.1.2. Skenario (2) Batas Bawah 3%, Maksimasi VaR, Time Window Tabel 5. 2 Kinerja Portofolio Skenario (2) Selama 175 Hari Variabel Skenario 2 Do Nothing Selisih Total Profit Rp2,915,266,074 Rp2,177,015,849 Rp738,250,225 Total VaR 663.083% 485.794% 177.289% Return on Risk Capital Rp439,653,034 Rp448,135,355 -Rp8,482,322 Rata-rata Return (IDR) Rp13,772,461 Rp10,204,057 Rp3,568,404 Rata-rata Return (%) 0.154% 0.121% 0.033% Rata-rata VaR (IDR) Rp490,724,084 Rp340,652,789 Rp150,071,295 Rata-rata VaR (%) 3.789% 2.776% Rp0.010 Rata-rata Transaksi (IDR) Rp725,145 Rp0 Rp725,145

Gambar 5. 2 Grafik Time Series Harian dari Total Aset Skenario (2) selama 3 Kwartal, Juli 2007 – Maret 2008


5.1.3. Skenario (3) Batas Bawah 3%, Minimasi VaR, Akumulasi Tabel 5. 3 Kinerja Portofolio Skenario (3) Selama 175 Hari Variabel Skenario 3 Do Nothing Selisih Total Profit Rp1,666,109,331 Rp2,177,015,849 -Rp510,906,518 Total VaR 457.863% 485.794% -27.931% Return on Risk Capital Rp363,887,869 Rp448,135,355 -Rp84,247,487 Rata-rata Return (IDR) Rp7,768,307 Rp10,204,057 -Rp2,435,750 Rata-rata Return (%) 0.097% 0.121% -0.024% Rata-rata VaR (IDR) Rp308,067,235 Rp340,652,789 -Rp32,585,554 Rata-rata VaR (%) 2.616% 2.776% -Rp0.002 Rata-rata Transaksi (IDR) Rp642,948 Rp0 Rp642,948

Gambar 5. 3 Grafik Time Series Harian dari Total Aset Skenario (3) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) 5.1.4. Skenario (4) Batas Bawah 3%, Minimasi VaR, Time Window Tabel 5. 4 Kinerja Portofolio Skenario (4) Selama 175 Hari Do Nothing Selisih Variabel Skenario 4 Total Profit Rp1,397,882,930 Rp2,177,015,849 -Rp779,132,918 Total VaR 556.052% 485.794% 70.257% Return on Risk Capital Rp251,394,440 Rp448,135,355 -Rp196,740,916 Rata-rata Return (IDR) Rp6,452,330 Rp10,204,057 -Rp3,751,726 Rata-rata Return (%) 0.085% 0.121% -0.036% Rata-rata VaR (IDR) Rp371,641,477 Rp340,652,789 Rp30,988,688 Rata-rata VaR (%) 3.177% 2.776% Rp0.004 Rata-rata Transaksi (IDR) Rp619,162 Rp0 Rp619,162


Gambar 5. 4 Grafik Time Series Harian dari Total Aset Skenario (4) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) 5.1.5. Skenario (5) Batas Bawah 0%, Maksimasi VaR, Akumulasi Tabel 5. 5 Kinerja Portofolio Skenario (5) Selama 175 Hari Variabel Skenario 5 Do Nothing Selisih Total Profit Rp1,537,718,984 Rp2,177,015,849 -Rp639,296,864 Total VaR 637.372% 485.794% 151.577% Return on Risk Capital Rp241,259,366 Rp448,135,355 -Rp206,875,990 Rata-rata Return (IDR) Rp6,663,559 Rp10,204,057 -Rp3,540,498 Rata-rata Return (%) 0.093% 0.121% -0.028% Rata-rata VaR (IDR) Rp438,441,680 Rp340,652,789 Rp97,788,892 Rata-rata VaR (%) 3.642% 2.776% Rp0.009 Rata-rata Transaksi (IDR) Rp632,740 Rp0 Rp632,740

Gambar 5. 5 Grafik Time Series Harian dari Total Aset Skenario (5) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing)


5.1.6. Skenario (6) Batas Bawah 0%, Maksimasi VaR, Time Window Tabel 5. 6 Kinerja Portofolio Skenario (6) Selama 175 Hari Do Nothing Selisih Variabel Skenario 6 Total Profit Rp5,319,268,600 Rp2,177,015,849 Rp3,142,252,752 Total VaR 753.621% 485.794% 267.827% Return on Risk Capital Rp705,827,840 Rp448,135,355 Rp257,692,485 Rata-rata Return (IDR) Rp27,086,743 Rp10,204,057 Rp16,882,686 Rata-rata Return (%) 0.259% 0.121% 0.138% Rata-rata VaR (IDR) Rp600,407,357 Rp340,652,789 Rp259,754,569 Rata-rata VaR (%) 4.306% 2.776% Rp0.015 Rata-rata Transaksi (IDR) Rp781,242 Rp0 Rp781,242

Gambar 5. 6 Grafik Time Series Harian dari Total Aset Skenario (6) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) 5.1.7. Skenario (7) Batas Bawah 0%, Minimasi VaR, Akumulasi



Tabel 5. 7 Kinerja Portofolio Skenario (7) Selama 175 Hari Variabel Skenario 7 Do Nothing Selisih Total Profit Rp1,583,441,928 Rp2,177,015,849 -Rp593,573,921 Total VaR 452.678% 485.794% -33.116% Return on Risk Capital Rp349,794,047 Rp448,135,355 -Rp98,341,308 Rata-rata Return (IDR) Rp7,512,855 Rp10,204,057 -Rp2,691,202 Rata-rata Return (%) 0.094% 0.121% -0.027% Rata-rata VaR (IDR) Rp300,743,954 Rp340,652,789 -Rp39,908,834 Rata-rata VaR (%) 2.587% 2.776% -Rp0.002 Rata-rata Transaksi (IDR) Rp629,752 Rp0 Rp629,752

5.1.8. Skenario (8) Batas Bawah 0%, Minimasi VaR, Time Window

Gambar 5. 8 Grafik Time Series Harian dari Total Aset Skenario (8) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) Tabel 5. 8 Kinerja Portofolio Skenario (8) Selama 175 Hari Variabel Skenario 8 Do Nothing Selisih Total Profit Rp703,115,625 Rp2,177,015,849 -Rp1,473,900,224 Total VaR 538.858% 485.794% 53.064% Return on Risk Capital Rp130,482,550 Rp448,135,355 -Rp317,652,806 Rata-rata Return (IDR) Rp3,006,594 Rp10,204,057 -Rp7,197,463 Rata-rata Return (%) 0.052% 0.121% -0.069% Rata-rata VaR (IDR) Rp340,115,782 Rp340,652,789 -Rp537,006 Rata-rata VaR (%) 3.079% 2.776% Rp0.003 Rata-rata Transaksi (IDR) Rp560,498 Rp0 Rp560,498


5.2. Pendekatan Chaos Theory 5.2.1. Skenario (9) Batas Bawah 3%, Maksimasi VaR, Akumulasi Tabel 5. 9 Kinerja Portofolio Skenario (9) Selama 175 Hari Do Nothing Selisih Variabel Skenario 9 Total Profit Rp3,274,706,045 Rp2,177,015,849 Rp1,097,690,196 Total VaR 218.327% 485.794% -267.468% Return on Risk Capital Rp1,499,911,515 Rp448,135,355 Rp1,051,776,159 Rata-rata Return (IDR) Rp15,954,588 Rp10,204,057 Rp5,750,531 Rata-rata Return (%) 0.172% 0.121% 0.051% Rata-rata VaR (IDR) Rp162,726,668 Rp340,652,789 -Rp177,926,121 Rata-rata VaR (%) 1.248% 2.776% -Rp0.015 Rata-rata Transaksi (IDR) Rp730,157 Rp0 Rp730,157

Gambar 5. 9 Grafik Time Series Harian dari Total Aset Skenario (9) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) 5.2.2. Skenario (10) Batas Bawah 3%, Maksimasi VaR, Time Window


Gambar 5. 10 Grafik Time Series Harian dari Total Aset Skenario (10) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) Tabel 5. 10 Kinerja Portofolio Skenario (10) Selama 175 Hari Variabel Skenario 10 Do Nothing Selisih Total Profit Rp4,018,760,225 Rp2,177,015,849 Rp1,841,744,376 Total VaR 216.413% 485.794% -269.381% Return on Risk Capital Rp1,856,983,895 Rp448,135,355 Rp1,408,848,540 Rata-rata Return (IDR) Rp19,860,110 Rp10,204,057 Rp9,656,053 Rata-rata Return (%) 0.202% 0.121% 0.081% Rata-rata VaR (IDR) Rp167,669,638 Rp340,652,789 -Rp172,983,150 Rata-rata VaR (%) 1.237% 2.776% -Rp0.015 Rata-rata Transaksi (IDR) Rp747,742 Rp0 Rp747,742

5.2.3. Skenario (11) Batas Bawah 3%, Minimasi VaR, Akumulasi Tabel 5. 11 Kinerja Portofolio Skenario (11) Selama 175 Hari Variabel Skenario 11 Do Nothing Selisih Total Profit Rp1,080,276,638 Rp2,177,015,849 -Rp1,096,739,210 Total VaR 114.605% 485.794% -371.190% Return on Risk Capital Rp942,610,936 Rp448,135,355 Rp494,475,581 Rata-rata Return (IDR) Rp4,515,156 Rp10,204,057 -Rp5,688,900 Rata-rata Return (%) 0.068% 0.121% -0.053% Rata-rata VaR (IDR) Rp75,488,005 Rp340,652,789 -Rp265,164,783 Rata-rata VaR (%) 0.655% 2.776% -Rp0.021 Rata-rata Transaksi (IDR) Rp612,462 Rp0 Rp612,462


Gambar 5. 11 Grafik Time Series Harian dari Total Aset Skenario (11) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) 5.2.4. Skenario (12) Batas Bawah 3%, Minimasi VaR, Time Window Tabel 5. 12 Kinerja Portofolio Skenario (12) Selama 175 Hari Variabel Skenario 12 Do Nothing Selisih Total Profit Rp744,841,044 Rp2,177,015,849 -Rp1,432,174,804 Total VaR 132.683% 485.794% -353.112% Return on Risk Capital Rp561,370,804 Rp448,135,355 Rp113,235,449 Rata-rata Return (IDR) Rp2,510,201 Rp10,204,057 -Rp7,693,855 Rata-rata Return (%) 0.050% 0.121% -0.072% Rata-rata VaR (IDR) Rp86,752,263 Rp340,652,789 -Rp253,900,525 Rata-rata VaR (%) 0.758% 2.776% -Rp0.020 Rata-rata Transaksi (IDR) Rp604,755 Rp0 Rp604,755



5.2.5. Skenario (13) Batas Bawah 0%, Maksimasi VaR, Akumulasi

Gambar 5. 13 Grafik Time Series Harian dari Total Aset Skenario (13) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) Tabel 5. 13 Kinerja Portofolio Skenario (13) Selama 175 Hari Variabel Skenario 13 Do Nothing Selisih Total Profit Rp7,268,690,921 Rp2,177,015,849 Rp5,091,675,073 Total VaR 314.297% 485.794% -171.497% Return on Risk Capital Rp2,312,680,095 Rp448,135,355 Rp1,864,544,739 Rata-rata Return (IDR) Rp38,708,242 Rp10,204,057 Rp28,504,185 Rata-rata Return (%) 0.337% 0.121% 0.216% Rata-rata VaR (IDR) Rp269,719,962 Rp340,652,789 -Rp70,932,826 Rata-rata VaR (%) 1.796% 2.776% -Rp0.010 Rata-rata Transaksi (IDR) Rp893,252 Rp0 Rp893,252

5.2.6. Skenario (14) Batas Bawah 0%, Maksimasi VaR, Time Window



Tabel 5. 14 Kinerja Portofolio Skenario (14) Selama 175 Hari Variabel Skenario 14 Do Nothing Selisih Total Profit Rp7,821,188,707 Rp2,177,015,849 Rp5,644,172,859 Total VaR 303.406% 485.794% -182.388% Return on Risk Capital Rp2,577,798,267 Rp448,135,355 Rp2,129,662,912 Rata-rata Return (IDR) Rp38,956,892 Rp10,204,057 Rp28,752,835 Rata-rata Return (%) 0.339% 0.121% 0.218% Rata-rata VaR (IDR) Rp279,340,224 Rp340,652,789 -Rp61,312,565 Rata-rata VaR (%) 1.734% 2.776% -Rp0.010 Rata-rata Transaksi (IDR) Rp906,747 Rp0 Rp906,747

5.2.7. Skenario (15) Batas Bawah 0%, Minimasi VaR, Akumulasi Tabel 5. 15 Kinerja Portofolio Skenario (15) Selama 175 Hari Variabel Skenario 15 Do Nothing Selisih Total Profit Rp106,584,509 Rp2,177,015,849 -Rp2,070,431,340 Total VaR 88.114% 485.794% -397.680% Return on Risk Capital Rp120,961,541 Rp448,135,355 -Rp327,173,815 Rata-rata Return (IDR) -Rp1,050,839 Rp10,204,057 -Rp11,254,896 Rata-rata Return (%) 0.014% 0.121% -0.107% Rata-rata VaR (IDR) Rp55,137,568 Rp340,652,789 -Rp285,515,221 Rata-rata VaR (%) 0.504% 2.776% -Rp0.023 Rata-rata Transaksi (IDR) Rp529,817 Rp0 Rp529,817



5.2.8. Skenario (16) Batas Bawah 0%, Minimasi VaR, Time Window

Gambar 5. 16 Grafik Time Series Harian dari Total Aset Skenario (16) selama 3 Kwartal, Juli 2007 - Maret 2008 (*Ref = do nothing) Tabel 5. 16 Kinerja Portofolio Skenario (16) Selama 175 Hari Variabel Skenario 16 Do Nothing Selisih Total Profit -Rp872,470,281 Rp2,177,015,849 -Rp3,049,486,130 Total VaR 112.426% 485.794% -373.368% Return on Risk Capital -Rp776,037,566 Rp448,135,355 -Rp1,224,172,922 Rata-rata Return (IDR) -Rp6,010,629 Rp10,204,057 -Rp16,214,685 Rata-rata Return (%) -0.039% 0.121% -0.161% Rata-rata VaR (IDR) Rp66,862,714 Rp340,652,789 -Rp273,790,074 Rata-rata VaR (%) 0.642% 2.776% -Rp0.021 Rata-rata Transaksi (IDR) Rp499,913 Rp0 Rp499,913


6. ANALISIS

Bab ini membahas proses analisis kuantitatif dengan 2 cara: mengamati hasil simulasi yang dilakukan (descriptive statistics) serta dengan metode inferential statistics, yaitu melakukan tes statistik terhadap data-data keluaran simulasi untuk mengetahui jawaban atas tujuan yang telah dikemukakan secara implisit di awal penelitian. Analisis yang dilakukan menggunakan teknik analysis of variance (ANOVA). 6.1. Analisis Performa Skenario dengan Profitabilitas Tertinggi Parameter utama yang menentukan kesuksesan seorang manajer investasi dalam mengelola portofolio investasi adalah profitabilitasnya. Berikut ini merupakan 5 besar skenario terbaik berdasarkan profitabilitasnya. Tabel 6. 1 Peringkat Skenario Berdasarkan Profitabilitas

Peringkat ke-1 dan ke-2 diduduki oleh skenario 14 dan skenario 13 yang menggunakan masing-masing pendekatan chaos theory sebagai metode perhitungan VaR-nya. Sedangkan peringkat ketiga diduduki oleh skenario 6, satusatunya skenario dalam lima besar profitabilitas yang menggunakan perhitungan VaR konvensional data historis murni. Peringkat ke-4 dan ke-5 diduduki oleh skenario 10 dan skenario 9. Skenario 14 menggunakan strategi maksimasi nilai VaR, dengan batas bawah bobot portofolio sebesar 0%, dan waktu sampling volatilitas time window 1 tahun. Skenario 13 juga menggunakan strategi maksimasi VaR, dengan batas 0%, namun mengambil data volatilitas saham secara akumulasi sejak 1 Januari 2004. Skenario 6 juga menggunakan strategi maksimasi VaR, dengan threshold 0%, dan


sampling volatilitas time window 1 tahun. Skenario 10 menggunakan strategi maksimasi VaR pendekatan chaos theory, dengan batas bawah 3%, serta volatilitas time window. Terakhir, skenario 9 terdiri dari penggunaan strategi maksimasi VaR pendekatan chaos theory, dengan batas bawah 3%, dan volatilitas akumulasi. Karakteristik yang menyatukan kelima

skenario di atas adalah

pengaplikasian strategi maksimasi nilai VaR dalam pengambilan keputusannya. Dengan kata lain, dapat disimpulkan bahwa keuntungan yang besar kemungkinan besar hanya didapat dengan meningkatkan risiko. Karakteristik lain yang dominan pada kelima skenario di atas adalah pendekatan perhitungan VaR yang digunakan. Empat dari lima skenario yang berada di lima besar profitabilitas menggunakan pendekatan chaos theory dalam perhitungan risikonya. Selain itu, baik dari Gambar 6.1 di bawah ini maupun dari Tabel 6.1 di atas, penulis dapat melihat keunggulan tipis time window atas akumulasi. Skenario 14 dan skenario 13 hanya dibedakan atas karakteristik tersebut. Hal yang serupa terjadi pada skenario 10 dan skenario 9. Walaupun lemah, dapat disimpulkan juga bahwa time window lebih efektif menangkap gejala volatilitas dibandingkan akumulasi. Hal yang sama juga terjadi pada batas minimum 0% atas 3%.

Gambar 6. 1 Grafik Time Series Total Aset 5 Skenario dengan Profit Terbaik 3 Kwartal, Juli 2007 – Maret 2008


6.1.1. Analisis Perkembangan Total Aset 5 Skenario Profitabilitas Tertinggi Dari Gambar 6.1 dapat penulis lihat bahwa terdapat 6 buah penurunan drastis nilai total aset yang dialami oleh semua skenario yang disebutkan di atas. Yang pertama terjadi pada pertengahan kwartal ketiga tahun 2007. Kemudian tiga penurunan drastis terjadi pada kwartal keempat tahun 2007. Lalu pada bulan Januari terjadi penurunan drastis dan terakhir penurunan secara periodik pada bulan Maret. Sejak awal periode simulasi, yaitu Juli 2007 hingga kwartal ke-4 tahun 2007, tidak terjadi perbedaan perubahan nilai aset yang cukup signifikan di antara 5 skenario di atas. Baru pada bulan Oktober, skenario 13 dan 14 mulai menunjukkan perbedaan yang mencolok dibandingkan dengan skenario 6, skenario 9, dan skenario 10. Menilik dari pergerakan return portofolio dari kedua skenario tersebut pada Gambar 6.2, dapat penulis lihat alasan terjadinya hal tersebut.

" '

"

&

!"

#$

%!

Gambar 6. 2 Grafik Series Return Portofolio Skenario 14 (biru) Pendekatan Chaos vs Skenario 6 (coklat) Data Historis Dari Gambar 6.2 di atas, dapat disimpulkan bahwa permulaan perbedaan total aset yang signifikan pada pertengahan kwartal 4 tahun 2007 yang ditunjukkan Gambar 6.1 berasal dari selisih return yang sangat signifikan pada bulan Oktober dan November 2007. Keuntungan yang didapat dari kedua saat itu masing-masing mencapai lebih dari 1 milyar rupiah.


Setelah terjadi peningkatan drastis tersebut, pergerakan total aset bercabang menjadi dua, yaitu cabang skenario 14-13 dan cabang skenario 6-10-9. Cabang yang pertama terus memiliki selisih yang identik hingga terjadi kehilangan drastis pada bulan Januari. Dari Gambar 6.3 dapat penulis lihat kehilangan drastis yang dialami portofolio seluruh skenario di atas pada Bulan Januari. Gambar 6.3 menunjukkan dengan jelas alasan terjadinya kehilangan yang begitu besar pada semua skenario. Semua saham yang berada dalam portofolio mengalami penurunan nilai yang signifikan. Penurunan yang paling parah dialami saham PT. Indofood Tbk., sebesar -14.84%. Diikuti oleh saham PT. Bumi Resources dan PT. International Nickel di tempat kedua dan ketiga masingmasing mengalami penurunan nilai saham sebesar -11.23% dan -10.47%. *

+ ,, ,% ,-% . # %/ 0+1% - 2 &

( )

( )

( )

Gambar 6. 3 Data Return 10 Saham Andalan Bulan Januari 2008 Jika dipandang keluar dari sudut pandang manajemen portofolio dalam penelitian ini, penurunan ini disebabkan kondisi ekonomi makro yang buruk. Sentimen terhadap kredit macet yang melanda Amerika Serikat turut memberikan andil dalam kejatuhan ini. Selain itu juga beberapa faktor lain, seperti meningkatnya harga minyak mentah ke level tertinggi memecahkan rekor dan wacana kenaikan harga BBM dalam negeri.


6.1.2. Analisis Perhitungan Risiko 5 Skenario Profitabilitas Tertinggi

3 2! 2! 2! 2!

3

2!

Gambar 6. 4 Grafik Time Series VaR 5 Skenario dengan Profit Terbaik 3 Kwartal, Juli 2007 – Maret 2008 Gambar 6.4 menggambarkan nilai Value at Risk dari setiap skenario di atas, yaitu 5 besar profit tertinggi. Dari gambar tersebut dapat penulis lihat perbedaan yang cukup signifikan antara nilai VaR yang dihasilkan oleh skenario yang menggunakan pendekatan chaos theory dengan yang menggunakan pendekatan konvensional data historis. Pertanyaannya adalah nilai VaR yang manakah yang lebih mencerminkan nilai risiko yang sebenarnya? Definisi VaR adalah nilai maksimal kerugian dalam horizon waktu tertentu dan dengan tingkat kepercayaan tertentu. Horizon waktu yang digunakan dalam penelitian ini adalah 1 hari. Sedangkan tingkat kepercayaannya 99%. Oleh karena itu, jika penulis ambil satu nilai VaR dari grafik di atas, misalnya 0.06, maka dapat kita simpulkan bahwa dalam satu hari terdapat 1% kemungkinan kerugian akan mencapai lebih dari 0.06. Dari pendekatan di atas, kita dapat menjawab pertanyaan sebelumnya yaitu menentukan perhitungan VaR yang lebih mencerminkan nilai risiko yang sebenarnya, dengan menghitung berapa banyak kasus terjadi di mana nilai kerugian melebihi nilai VaR yang dihitung.


Tabel 6. 2 Statistik VaR 5 Skenario Profitabilitas Tertinggi selama 175 hari Skenario 14 13 6 10 9

Jumlah Return(-) > VaR 36 41 11 42 43

Rata-rata return 0.3392% 0.3371% 0.2594% 0.2019% 0.1722%

Rata-rata VaR 2.934% 3.064% 7.334% 1.947% 1.931%

% Kesalahan 20.571% 23.429% 6.286% 24.000% 24.571%

Dari tabel di atas dapat dilihat bahwa perhitungan VaR menggunakan pendekatan data historis memiliki tingkat kesalahan yang lebih rendah dibandingkan dengan perhitungan menggunakan pendekatan chaos theory. Dengan tingkat kesalahan berkisar di atas 20%, dapat disimpulkan bahwa perhitungan

VaR

menggunakan

pendekatan

chaos

theory

cenderung

underestimate nilai kerugian yang mungkin terjadi, walaupun cocok dijadikan dasar pertimbangan keputusan (terbukti dari profitabilitas yang tinggi). 6.2. Analisis Performa Skenario dengan Return on Risk Capital Tinggi Parameter yang juga dapat menggambarkan keahlian seorang manajer investasi dalam mengelola sebuah portofolio adalah return on risk capital. Parameter ini menilai perbandingan antara keuntungan dan risiko yang telah diambil oleh pengelola portofolio. Dibandingkan dengan profitabilitas, parameter ini lebih menggambarkan kinerja seorang manajer investasi. Berdasarkan analisis sebelumnya, penulis mengetauhi bahwa pendekatan chaos theory cenderung meminimalisasi nilai risiko. Oleh karena itu, penulis membagi subbab ini menjadi dua bagian: pendekatan data historis konvensional dan pendekatan chaos theory. Berikut ini merupakan 5 skenario terbaik berdasarkan return on risk capital-nya pada masing-masing pendekatan nilai VaR.


6.2.1. Analisis Return on Risk Metode Data Historis Tabel 6. 3 Peringkat Skenario dengan Return on Risk Capital Tertinggi Metode Data Historis selama 175 hari Rank Skenario Return on Risk Selisih dengan Rank 1 1 6 Rp705,827,840 2 2 Rp439,653,034 Rp266,174,806 3 1 Rp401,249,054 Rp304,578,786 4 3 Rp363,887,869 Rp341,939,971 5 7 Rp349,794,047 Rp356,033,793

Dari tabel di atas dapat penulis dapat menyimpulkan bahwa strategi maksimasi atau minimasi VaR memberikan perbedaan yang cukup signifikan dalam kesuksesan atau kegagalan dalam mengelola portofolio saham. Tiga dari lima skenario di atas merupakan maksimasi VaR. Selain itu, 3 skenario, yatu peringkat ke-2, ke-3, dan ke-4 menggunakan batas minimal 3% dalam pengelolaan bobot sahamnya. Kemudian skenario 7 dan skenario 3 merupakan skenario minimasi nilai VaR yang return on risk-nya cukup baik sehingga bisa disandingkan dengan strategi maksimasi nilai VaR. Tabel 6. 4 Kinerja Pengelolaan Portofolio pada Skenario 6 dan Skenario 2 Skenario 2 Variabel Skenario 1 Total Profit Rp2,185,856,892 Rp2,915,266,074 Total VaR 544.763% 663.083% Return on Risk Capital Rp401,249,054 Rp439,653,034 Rata-rata Return (IDR) Rp10,030,768 Rp13,772,461 Rata-rata Return (%) 0.122% 0.154% Rata-rata VaR (IDR) Rp389,250,386 Rp490,724,084 Rata-rata VaR (%) 3.113% 3.789% Rata-rata Transaksi (IDR) Rp701,130 Rp725,145

Dari tabel di atas penulis juga dapat menyimpulkan superioritas pengambilan sample time window atas akumulasi dalam menghasilkan portofolio yang menguntungkan. Skenario 2 dan skenario 1 merupakan skenario yang dibedakan berdasarkan karakteristik tersebut. Dengan kata lain, pemilihan data historis time window yang digunakan dalam perhitungan volatilitas lebih dapat dijadikan basis pengambilan keputusan dibandingkan dengan data volatilitas


akumulasi. Namun, hal itu hanya berlaku pada maksimasi nilai VaR (lihat Tabel 6.5). Tabel 6. 5 Kinerja Pengelolaan Portofolio pada Skenario 8 dan Skenario 7 Variabel Skenario 8 Skenario 7 Total Profit Rp703,115,625 Rp1,583,441,928 Total VaR 538.858% 452.678% Return on Risk Capital Rp130,482,550 Rp349,794,047 Rata-rata Return (IDR) Rp3,006,594 Rp7,512,855 Rata-rata Return (%) 0.052% 0.094% Rata-rata VaR (IDR) Rp340,115,782 Rp300,743,954 Rata-rata VaR (%) 3.079% 2.587% Rata-rata Transaksi (IDR) Rp560,498 Rp629,752

6.2.2. Analisis Return on Risk Pendekatan Chaos Theory Tabel 6. 6 Peringkat Skenario dengan Return on Risk Capital Tertinggi Pendekatan Chaos Theory selama 175 hari Rank Skenario Return on Risk Selisih dengan Rank 1 1 14 Rp2,577,798,267 2 13 Rp2,312,680,095 Rp265,118,172 3 10 Rp1,856,983,895 Rp720,814,372 4 9 Rp1,499,911,515 Rp1,077,886,752 5 11 Rp942,610,936 Rp1,635,187,331

Dari Tabel 6.6 penulis melihat 4 skenario yang sama dengan 5 besar profitabilitas tertinggi yang telah dibahas sebelumnya. Yaitu skenario 14, 13, 10, dan 9. Selain itu, penulis juga dapat melihat pola yang serupa dengan analisis yang telah dilakukan pada subbab sebelumnya. Pola tersebut antara lain adalah bahwa strategi maksimasi nilai VaR memiliki superioritas atas lawannya yaitu minimasi VaR. Kemudian dalam strategi maksimasi, time window lebih unggul dalam menghasilkan keuntungan dibandingkan akumulasi. Sebaliknya, dalam strategi minimasi, akumulasi justru lebih unggul dibandingkan time window. 6.3. Analisis Performa Skenario dengan Profitabilitas Rendah Parameter ini dibahas untuk mengambarkan bagaimana sebuah usaha pengelolaan risiko justru mengakibatkan kerugian yang besar yang mengarah ke


kegagalan dalam mengelola portofolio. Oleh karena itu, penulis akan membahas 6 skenario yang tersisa yang sama sekali tidak termasuk kategori “terbaik”. Tabel 6. 7 Perbandingan Kinerja Portofolio Skenario Terburuk Metode Data Historis selama Juli 2007 – Maret 2008 Variabel Skenario 12 Skenario 15 Skenario 16 Total Profit Rp744,841,044 Rp106,584,509 -Rp872,470,281 Total VaR 132.683% 88.114% 112.426% Return on Risk Capital Rp561,370,804 Rp120,961,541 -Rp776,037,566 Rata-rata Return (IDR) Rp2,510,201 -Rp1,050,839 -Rp6,010,629 Rata-rata Return (%) 0.050% 0.014% -0.039% Rata-rata VaR (IDR) Rp86,752,263 Rp55,137,568 Rp66,862,714 Rata-rata VaR (%) 0.758% 0.504% 0.642% Rata-rata Transaksi (IDR) Rp604,755 Rp529,817 Rp499,913

Dari Tabel 6.7 penulis dapat menyimpulkan bahwa sekecil apapun penulis berusaha meminimasisi risiko, tetap terdapat kemungkinan mengalami kerugian. Walaupun begitu, melihat bahwa hanya skenario 16 yang mengalami kerugian, penulis dapat menyimpulkan sebagian sebabnya adalah karena kondisi pasar saham yang tidak stabil. Dalam keadaan pasar saham tidak stabil, strategi meminimasi risiko justru menjadi bumerang. Sebab selain kehilangan kesempatan untuk mengambil keuntungan di saat harga saham berusaha mencapai keseimbangan, pemerataan bobot justru melipatgandakan kerugian. Tentunya hal itu tidak pasti, masih terdapat unsur probabilitas di dalamnya (lihat Gambar 6.5).

& 2! 4 '

2! 4

5 5

&

Gambar 6. 5 Perbandingan nilai VaR dari Skenario 16 (merah) dengan Skenario 14 (*hijau) selama 3 kwartal, Juli 2007 – Maret 2008


Tabel 6. 8 Perbandingan Kinerja Portofolio Skenario Terburuk Pendekatan Chaos Theory selama Juli 2007 – Maret 2008 Variabel Skenario 8 Skenario 4 Skenario 5 Total Profit Rp703,115,625 Rp1,397,882,930 Rp1,537,718,984 Total VaR 538.858% 556.052% 637.372% Return on Risk Capital Rp130,482,550 Rp251,394,440 Rp241,259,366 Rata-rata Return (IDR) Rp3,006,594 Rp6,452,330 Rp6,663,559 Rata-rata Return (%) 0.052% 0.085% 0.093% Rata-rata VaR (IDR) Rp340,115,782 Rp371,641,477 Rp438,441,680 Rata-rata VaR (%) 3.079% 3.177% 3.642% Rata-rata Transaksi (IDR) Rp560,498 Rp619,162 Rp632,740

" '

"

&

Gambar 6. 6 Perbandingan Return Skenario 16 (biru) dengan Skenario 14 (coklat) selama 3 kwartal, Juli 2007 – Maret 2008 Gambar 6.5 dan Gambar 6.6 memberikan perbedaan yang jelas di antara skenario terbaik dengan skenario terburuk, yaitu nilai risiko yang dipertaruhkan. Selain itu, penulis juga menyimpulkan bahwa metode minimasi dengan menggunakan data time window tanpa batas minimum bobot akan memberikan hasil yang buruk. Hal itu berdasarkan hasil dari skenario 16 dan skenario 8 yang merupakan terburuk di kelasnya. 6.4. Analisis Karakteristik Pengambilan Keputusan Skenario Setelah memahami bagaimana pengaruh strategi terhadap keuntungan yang diperoleh dalam mengelola sebuah portofolio saham, penulis perlu juga memahami bagaimanakah karakteristik dari keputusan yang dibuat oleh Powersim Solver berkenaan dengan analisis risiko yang dilakukan. Agar dapat mendapatkan


pemahaman yang lebih mendalam mengenai hal tersebut, penulis akan membandingkan skenario-skenario berdasarkan strategi dan metode pendekatan perhitungan yang dilakukan.

6.4.3. Skenario dengan Metode Data Historis Secara intuitif, karakteristik yang mewarnai setiap kombinasi strategi dan metode alias skenario dengan metode data historis adalah penggunaan data-data

volatilitas tanpa pengolahan terlebih dahulu. Metode ini menjadikan volatilitas murni suatu aset sebagai patokan utama dalam pengambilan keputusannya. Berikut ini merupakan karakteristik yang mendefinisikan skenario dengan metode data historis di dalamnya.

Gambar 6. 7 Rata-rata Presentase Bobot Saham dalam Portofolio pada Skenario Metode Data Historis Skenario-skenario di atas merupakan skenario yang memiliki metode data historis dalam salah satu strateginya. Dari gambar tersebut, penulis dapat menyimpulkan bahwa terdapat beberapa saham yang selalu mengambil porsi yang

rata-rata serupa dalam setiap skenario. Saham-saham tersebut antara lain adalah saham PT. Unilever (UNVR), saham PT. Astra Agro Lestari (AALI), PT. Astra

International (ASII), dan BRI (BBRI). Sementara itu, beberapa saham seperti PT. Semen Gresik (SMGR), PT. Telkom (TLKM), dan PT. Indofood (INDF) serta Bank Mandiri (BMRI), PT. Bumi Resources (BUMI) dan PT. International Nickel


(INCO)

cenderung

dominan

pada

strategi

tertentu.

Alasan

terjadinya

kecenderungan yang berbeda ini akan penulis ulas dalam pembahasan berikutnya. 6.4.3.1. Strategi Maksimasi VaR vs Minimasi VaR Dalam Gambar 6.7 di atas, penulis ketahui bahwa beberapa saham memiliki kecenderungan yang berbeda. Sebagian cenderung merata pada setiap skenario, sementara yang lain lebih cenderung dominan dalam strategi maksimasi atau minimasi VaR. Saham-saham yang cenderung dominan dalam strategi maksimasi VaR adalah saham-saham BMRI, BUMI, dan INCO. Sementara saham yang dominan dalam strategi minimasi VaR adalah saham-saham SMGR, TLKM, dan INDF. Agar dapat mengetahui pole pengambilan keputusan yang dilakukan Powersim Solver, skenario 1 akan dibandingkan dengan skenario 3. Kedua skenario tersebut memiliki perbedaan karakteristik hanya pada strategi VaR yang digunakannya (maksimasi vs minimasi). 3

3

3

.

" 6

"

3

3

Gambar 6. 8 Time Series Bobot Saham Bank Mandiri pada Skenario 1 (current) vs Skenario 3 (reference) Bank Mandiri merupakan saham yang dominan pada strategi maksimasi VaR. Hal itu dapat penulis simpulkan dari beberapa perbandingan skenario maksimasi dan minimasi VaR. Gambar 6.8 menunjukkan hal tersebut. Penggambaran yang serupa juga diperlihatkan perbandingan bobot sahamsaham BUMI dan INCO. Pada strategi maksimasi, bobot ketiga saham tersebut memiliki standar deviasi yang sangat tinggi, sangat berbeda jika dibandingkan dengan bobot saham yang sama di strategi minimasi VaR.


3

3 .

" 6

3

"

3

Gambar 6. 9 Time Series Bobot Saham Semen Gresik pada Skenario 1 (current) vs Skenario 3 (reference) Bobot saham-saham yang dominan dalam strategi minimasi VaR, yaitu saham-saham SMGR, TLKM, dan INDF memberikan reaksi yang berbeda pada skenario minimasi VaR. Berbeda dengan saham BMRI yang memiliki rata-rata bobot dan bobot standar deviasi yang tinggi, saham TLKM memiliki rata-rata bobot yang tinggi namun dengan standar deviasi yang rendah. Hal ini sangat menggugah pertanyaan. Mengapa dalam strategi minimasi VaR saham-saham tersebut menunjukkan perilaku seperti itu. Padahal dalam kedua skenario yang dibandingkan tersebut baik Bank Mandiri maupun Semen Gresik memiliki standar deviasi yang sama persis. Untuk mencari tahu jawabannya, berikut ini grafik perbandingan bobot saham Bank Mandiri, pada skenario 2 dan 4. 3 3 3 . 3

" 6

"

3 3

Gambar 6. 10 Time Series Bobot Saham Bank Mandiri pada Skenario 5 (current) vs Skenario 7 (reference)


Dari Gambar 6.10 di atas, penulis dapat menyimpulkan bahwa optimasi yang dilakukan oleh Powersim Solver berada di luar ekspektasi, karena tidak bergerak sesuai dengan batasan yang diberikan. Oleh karena itu, satu-satunya hal dapat disimpulkan mengenai perbedaan perilaku di antara strategi maksimasi dan strategi minimasi VaR dengan metode data historis adalah bahwa terdapat sahamsaham yang dominan pada strategi maksimasi, dan juga saham-saham yang dominan pada strategi minimasi, serta saham-saham yang tidak dominan dalam strategi manapun. Hal itu terjadi karena masing-masing kelompok saham tersebut memiliki kombinasi korelasi yang berbeda. 3 3 %/ 0+1% 3

- 2

%/

0+1% - 2 3

Gambar 6. 11 Korelasi Saham-saham yang Dominan dalam Strategi Minimisi VaR 6.4.3.2. Strategi Threshold 3% vs Threshold 0% Untuk dapat mengidentifikasi perbedaan perilaku keputusan yang dilakukan oleh Powersim Solver berdasarkan strategi threshold yang digunakan, berikut ini merupakan perbandingan secara grafis dalam level strategi tersebut. Berdasarkan gambar di bawah ini, penulis dapat menyimpulkan bahwa perbedaan yang dihasilkan dalam strategi ini pada maksimasi nilai VaR adalah besarnya volatilitas keputusan bobot saham dalam portofolio. Sedangkan pada minimasi VaR strategi ini dapat menggeser nilai rata-rata bobot sekaligus meningkatkan volatilitas keputusan bobot.


3 3 3 . 3

" 6

"

3 3

Gambar 6. 12 Time Series Keputusan Bobot Saham BMRI pada skenario 1 (current) vs Skenario 5(reference) 6.4.3.3. Strategi Sampling Volatilitas Akumulasi vs Time Window 1 Tahun Secara intuitif perbedaan yang dihasilkan oleh kedua level strategi ini adalah perbedaan korelasi dari tiap saham dan juga perbedaan nilai volatilitas yang cukup signifikan. Selain itu, profitabilitas kedua srategi ini juga berbeda walaupun tidak signifikan. Namun, pertanyaannya adalah bagaimana hal tersebut mempengaruhi keputusan yang dibuat. Setelah meneliti beberapa saham yang berbeda, dapat disimpulkan bahwa strategi ini mengakibatkan perubahan yang tidak dapat ditangkap. Artinya, perngaruh perbedaan strategi tersebut sangat kompleks. Hal itu disebabkan perbedaan strategi ini mengubah nilai korelasi dan standar deviasi dari saham cukup signifikan. Pada saham BUMI, penggunaan volatilitas time window pada strategi maksimasi VaR seolah melipatgandakan amplitudo dari keputusan bobot BUMI. Sedangkan pada strategi minimasi VaR, hal tersebut justru menurunkan nilai ratarata bobotnya dalam portofolio secara signifikan. 6.4.4. Skenario dengan Pendekatan Chaos Theory Berbeda dengan metode data historis, pendekatan chaos theory menghasilkan karakteristik rata-rata bobot saham yang secara umum merata. Dari Gambar di bawah ini, penulis dapat menyimpulkan bahwa walaupun metode dengan pendekatan chaos theory cenderung menghasilkan nilai volatilitas yang bergejolak

bagi setiap saham, nilai pembobotan rata-ratanya justru serupa.


Volatilitas setiap saham yang bergejolak dari pendekatan chaos theory dapat

dilihat pada Gambar 3.16 dan Gambar 3.17.

Gambar 6. 13 Rata--rata rata Presentase Bobot Saham dalam Portofolio pada Skenario Pendekatan Chaos Theory 6.4.4.1. Strategi Maksimasi VaR vs Minimasi VaR Dalam pendekatan chaos theory, perbedaan yang diberikan oleh strategi maksimasi dan minimasi VaR tidak dapat dilihat satu-persatu dari saham-saham dalam suatu portofolio. Hal ini disebabkan pendekatan chaos tersebut mengubah nilai volatilitas dari saham me menjadi njadi suatu bentuk yang sangat berbeda. Akibatnya, setiap saham pun memiliki reaksi yang berbeda terhadap perubahan dari metode

data historis. Perbedaan yang dapat diamati dari strategi ini dalam pendekatan chaos theory adalah nilai dari transaksi yang dilakukan. dilakukan. Strategi maksimasi mendorong Solver untuk melakukan aksi jual-beli saham yang sangat signifikan saat nilai return saham berada pada level tertentu, mengikuti nilai volatilitas dari masingmasing saham yang sangat bergejolak. Perbedaan tersebut da dapat pat dilihat dari

gambar di bawah ini. Dari gambar tersebut dapat kita simpulkan bahwa pada titik-titik tertentu pada strategi maksimasi dilakukan transaksi yang sangat besar hingga 3 kali lipat strategi minimasi. Hal tersebut sesuai dengan pembahasan di atas.


.

" 6

"

Gambar 6. 14 Time Series Biaya Jual Beli Skenario 9 (current) vs skenario 11 (reference) 6.4.4.2. Strategi Threshold 3% vs Threshold 0% Dari beberapa grafik yang diolah, penulis menyaimpulkan hal yang sama pada strategi threshold yang dilakukan. Strategi ini secara signifikan meningkatkan volatilitas dari keputusan bobot masing-masing saham. Sebagai contohnya adalah Gambar 6.15.

3 ) 3 3

.

" 6

"

3 3

Gambar 6. 15 Time Series Bobot Saham BUMI pada skenario 9 (current) vs skenario 13 (reference) 6.4.4.3. Strategi Sampling Volatilitas Akumulasi vs Time Window 1 Tahun Setelah melakukan analisis, didapatkan bahwa strategi ini tidak menghasilkan perbedaan yang signifikan terhadap perilaku dari keputusan yang


dilakukan oleh Powersim Solver. Hal ini disebabkan tidak terdapat perbedaan nilai volatilitas yang signifikan di antara kedua strategi sampling tersebut. 6.5. One Way Analisis of Variance Tes statistik ini bertujuan untuk mengetahui apakah ada perbedaan yang signifikan dari return yang dihasilkan dari setiap strategi dan metode perhitungan VaR yang telah dirancang dan disimulasikan. Setiap strategi dan metode analisis risiko dianggap berdiri sendiri dalam pengujian. (tidak terdapat perbedaan berdasarkan skenario) (terdapat perbedaan berdasarkan skenario)

One-way ANOVA: (1), (2), (3), (4), (5), (6), (7), (8), ... Source Factor Error Total

DF 15 2784 2799

S = 305879012

Level -(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) -) (14) -) (15) (16)

SS 4.49775E+17 2.60477E+20 2.60926E+20

MS 2.99850E+16 9.35620E+16

R-Sq = 0.17%

F 0.32

P 0.994

R-Sq(adj) = 0.00%

N

Mean

StDev

Individual 95% CIs For Mean Based on Pooled StDev -----+---------+---------+---------+--

175 175 175 175 175 175 175 175 175 175 175 175 175

10030768 13772461 7768307 6452330 6663559 27086743 7512855 3006594 15954588 19860110 4515156 2510201 38708242

296875290 311186377 253768637 247672117 287283495 372622070 243906172 226374779 323541245 330671611 251998942 248281447 438658651

(------------*------------) (------------*------------) (------------*------------) (------------*------------) (------------*------------) (------------*------------) (------------*------------) (------------*------------) (------------*------------) (------------*------------) (------------*------------) (------------*------------) (------------*-----------

175

38956892

466176375

(------------*-----------

175 175

-1050839 -6010629

236750148 221816587

(------------*------------) (------------*------------) -----+---------+---------+---------+--

--3.5E+07

0

35000000

70000000

Pooled StDev = 305879012

Gambar 6. 16 Keluaran One Way ANOVA dari return portofolio


Gambar 6.16 menunjukkan hasil dari one way ANOVA di atas. Penulis menggunakan perintah ONEWAY pada Minitab© untuk melakukan analisis tersebut. Masing-masing skenario memiliki level yang independen dalam analisis ini. Nilai statistik F yang dihasilkan adalah 0.32 dan nilai probabilitas untuk menguji hipotesis yang telah disebutkan di atas adalah 0.994. Karena nilai probabilitas ini lebih besar dibandingkan semua level signifikansi yang biasa digunakan ( = 0.10, 0.5, 0.01, dan seterusnya), maka penulis tidak dapat menolak H0. Jadi, dapat disimpulkan bahwa nilai rata-rata return yang dihasilkan dari berbagai strategi dan metode perhitungan VaR dalam mengelola portofolio tidak memiliki perbedaan yang signifikan satu sama lain. 6.6. Fully Nested Analysis of Variance Tes statistik ini serupa dengan tes sebelumnya, namun terdapat perbedaan dari cara pandang setiap metode dan strategi yang dilakukan. Setiap strategi dan metode analisis VaR yang disimulasikan dibedakan berdasarkan level faktor dari strategi atau metode perhitungan. Dari 16 skenario yang telah disimulasikan, terdapat 4 level faktor, yaitu metode volatilitas (data historis vs pendekatan chaos theory), batas minimum bobot portofolio (3% vs 0%), strategi pengelolaan portofolio (maksimasi VaR vs minimasi VaR), dan jangka waktu perhitungan volatilitas (akumulasi vs time window). Dari Gambar 6.17 dapat penulis lihat bagaimanakah nilai probabilitas dari H0. Faktor metode VaR (data historis atau

pendekatan chaos theory) tidak

memiliki perbedaan mean return yang cukup signifikan. Dengan nilai statistik F = 1.198, probabilitas H0 dari faktor tersebut lebih besar dari 0.05. Begitu juga dengan faktor threshold (batas minimum bobot saham dalam portofolio) dan periode (akumulasi atau time window) yang digunakan. Dengan nilai F = 0.094 dan 0.058, nilai probabilitas H0-nya mencapai 0.912 dan 1. Probabilitas yang dapat diklaim mencapai kepastian. Satu-satunya faktor yang memberikan perbedaan menurut analisis tersebut adalah strategi minimasi dan maksimasi VaR. Nilai F-nya mencapai 17.379 dan probabilitas H0-nya hanya 0.001. Oleh karena itu, telah terbukti bahwa pengelolaan portofolio menggunakan jenis strategi maksimasi atau minimasi VaR menghasilkan mean return yang perbedaannya


cukup signifikan. Kesimpulannya, dalam mengelola portofolio saham, faktor inilah yang paling berpengaruh terhadap kesuksesan. Nested ANOVA: Rp Return versus Metode VaR, Threshold, ... Analysis of Variance for Rp Return Source Metode VaR Threshold Strategi VaR Periode Error Total

DF 1 2 4 8 2784 2799

SS 1.06130E+16 1.77150E+16 3.77953E+17 4.34944E+16 2.60477E+20 2.60926E+20

MS 1.06130E+16 8.85751E+15 9.44882E+16 5.43680E+15 9.35620E+16

F 1.198 0.094 17.379 0.058

P 0.388 0.912 0.001 1.000

Variance Components Source Metode VaR Threshold Strategi VaR Periode Error Total

Var Comp. 1.25391E+12 -1.22330E+14* 2.54433E+14 -5.03572E+14* 9.35620E+16 9.38177E+16

% of Total 0.00 0.00 0.27 0.00 99.73

StDev 1119779.119 0.000 1.59509E+07 0.000 3.05879E+08 3.06297E+08

* Value is negative, and is estimated by zero. Expected Mean Squares 1 2 3 4 5

Metode VaR Threshold Strategi VaR Periode Error

1.00(5) 1.00(5) 1.00(5) 1.00(5) 1.00(5)

+175.00(4) +350.00(3) +700.00(2) +1400.00(1) +175.00(4) +350.00(3) +700.00(2) +175.00(4) +350.00(3) +175.00(4)

Gambar 6. 17 Keluaran Fully Nested ANOVA dari Return Portofolio 6.7.

Rangkuman Hasil dari Analisis terhadap 16 Skenario Berdasarkan hasil pengolahan data dan analisis yang dilakukan

sebelumnya, penulis merangkum data-data penting hasil pengolahan dan simulasi dinamis. Data yang tercantum dalam Tabel 6.9 di bawah ini antara lain adalah nomor skenario, nilai profit yang dihasilkan, nilai total akumulasi VaR selama periode simulasi, nilai profit per nilai VaR (return on risk), dan berapa persen kesalahan perhitungan VaR dengan tingkat kepercayaan sebesar 99% terjadi selama 175 hari periode simulasi.


Tabel 6. 9 Rangkuman Kinerja 16 Skenario Skenario 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Profit (IDR) Rp2,185,856,892 Rp2,915,266,074 Rp1,666,109,331 Rp1,397,882,930 Rp1,537,718,984 Rp5,319,268,600 Rp1,583,441,928 Rp703,115,625 Rp3,274,706,045 Rp4,018,760,225 Rp1,080,276,638 Rp744,841,044 Rp7,268,690,921 Rp7,821,188,707 Rp106,584,509 -Rp872,470,281

VaR (%) 544.763% 663.083% 457.863% 556.052% 637.372% 753.621% 452.678% 538.858% 218.327% 216.413% 114.605% 132.683% 314.297% 303.406% 88.114% 112.426%

Return on Risk (IDR) Rp401,249,054 Rp439,653,034 Rp363,887,869 Rp251,394,440 Rp241,259,366 Rp705,827,840 Rp349,794,047 Rp130,482,550 Rp1,499,911,515 Rp1,856,983,895 Rp942,610,936 Rp561,370,804 Rp2,312,680,095 Rp2,577,798,267 Rp120,961,541 -Rp776,037,566


% VaR Error 6.286% 5.714% 7.429% 6.857% 5.143% 6.286% 8.000% 5.143% 25.714% 24.000% 33.143% 30.286% 23.429% 20.571% 34.857% 29.714%

7. KESIMPULAN & SARAN

Bab ini merangkum hasil yang diperoleh dari penelitian yang telah dilakukan serta membahas saran yang dapat diberikan untuk pengembangan penelitian berikutnya. 7.1. Kesimpulan Berdasarkan hasil analisis 16 skenario model dinamis analisis risiko dan pengambilan keputusan dengan pendekatan VaR dalam manajemen portofolio saham yang menggunakan Powersim©Studio 2005 sebagai simulation & optimalization tool, didapatkan kesimpulan sebagai berikut. •

Pendekatan chaos theory dalam menghitung nilai VaR jika dibandingkan dengan metode konvensional data historis memiliki kecenderungan underestimate nilai VaR, namun sangat baik bila dijadikan basis pengambilan keputusan karena lebih menguntungkan.

•

Pendekatan chaos theory dalam pengambilan keputusan menghasilkan pola acak pada pembobotan saham dalam portofolio, berbeda dengan metode data historis yang menghasilkan pola pembobotan yang linear terhadap korelasi dan standar deviasi saham dalam portofolio.

•

Strategi maksimasi VaR jika dibandingkan dengan strategi minimasi VaR memiliki profit dan return on risk yang lebih baik.

•

Strategi maksimasi VaR menghasilkan profit yang lebih tinggi jika menggunakan volatilitas time window 1 tahun dibandingkan dengan volatilitas akumulasi 3 tahun.

•

Strategi pembatasan bobot minimum (threshold) 3% untuk setiap saham dalam portofolio memiliki dua kecenderungan yang berlawanan: (1) jika digunakan bersamaan dengan strategi minimasi VaR akan menghasilkan profit yang lebih besar dibandingkan dengan tidak ada batas bobot minimum (0%); (2) jika dikombinasikan dengan strategi maksimasi VaR justru menghasilkan profit yang lebih kecil jika dibandingkan dengan tidak ada batas bobot minimum (0%).


Sedangkan berdasarkan pengujian statistik analysis of variance terhadap data return portofolio keenam belas skenario tersebut, didapatkan hasil sebagai berikut. •

Strategi metode perhitungan VaR, penggunaan pengelompokan data historis volatilitas, dan pembatasan minimum bobot saham dalam portofolio tidak menghasilkan perbedaan return yang signifikan.

•

Pengelolaan portofolio saham berbasis VaR dengan strategi maksimasi dan minimasi VaR memberikan rata-rata return portofolio yang cukup signifikan.

•

Faktor-faktor masukan (input) dalam mengambil keputusan pembobotan saham melalui pendekatan VaR berdasarkan signifikansinya terhadap return portofolio dilakukan secara berurutan dimulai dari strategi minimasi atau maksimasi VaR, metode perhitungan VaR, pembatasan atau threshold bobot saham dalam portofolio dan terakhir dengan periode sampling data historis.

7.2. Saran Berdasarkan hasil penelitian yang telah dilakukan, penulis dapat menyarankan kepada peneliti di masa depan dan manajer investasi beberapa hal di bawah ini. •

Diperlukan jenis strategi manajemen portofolio serta metode perhitungan VaR lain yang berbeda dalam penelitian berikutnya yang mungkin dapat memberikan perbedaan nilai return yang cukup signifikan secara statistik.

•

Diperlukan pengembangan model dinamis pengelolaan manajemen portofolio yang tidak hanya menggunakan analisis VaR dalam pengambilan keputusannya, misalnya, model dinamis yang juga mempertimbangkan data-data finansial perusahaan dan faktor-faktor eksternal yang mempengaruhi volatilitas harga saham dalam pengambilan keputusannya.


DAFTAR REFERENSI

Aven, Terje. (2003). Foundations of Risk Analysis. West Sussex: John Wiley & Sons. Chong, Yen Yee. (2004). Investment Risk Management. West Sussex: John Wiley & Sons. Kejahatan Kerah Putih Rugikan Negara Rp 305 Triliun/Tahun. (2004, Pebruari 4). Sinar Harapan. http://www.sinarharapan.co.id/berita/0402/04/eko02 Jeynes, Jacqueline. (2002). Risk Management 10 Principles. Oxford: ButterworthHeinemann. “New capital accord – an explanationary note”, Basle Committee on Banking Supervision. Januari 2001. “Sound practices for the management and supervision of operational risk”, Basle Committee on Banking Supervision. www.BIS.org, Juli 2002. Forrester, Jay W. (1989, Juli 13). The Beginning of System Dynamics. Banquet Talk at the international meeting of System Dynamics Society, Stuttgart, Germany. http://sysdyn.clexchange.org/sdep/papers/D-4165-1.pdf Forrester, Jay W., Germeshausen Professor Emeritus, & Senior Lecturer. (1991, April 29). System Dynamics and 35 Years of Experience. A chapter for The Systemic Basis of Policy Making in the 1990s edited by Kenyon B. De Greene. The Sloan School of Management, Massachusetts Institute of Technology. http://sysdyn.clexchange.org/sdep/papers/D-4224-4.pdf Powersim Software AS. (2003). Powersim Studio 2003 User’s Guide. http://www.cko.com.cn/upload/file/powersim_studio2003_users_manual.pdf Harold Kerzner. (2003). Project Management, A System Approach to Planning, Scheduling, and Controlling. New York: John Wiley & Sons. Senge, Peter M. 1990. The Fifth Discipline. New York: Doubleday. Forrester, Jay W. (1994) “System Dinamics, System Thinking and Soft OR”, International Journal of System Dynamics, Vol: 10, No. 2, p. 4 Sterman, John D. (2000). Business Dynamics System Thinking and Modeling for Complex World. USA: McGraw-Hill. Sterman, John D. (2002). “All models are wrong: reflections on becoming a systems scientist”, Jay Wright Forrester Prize Lecture.


Markowitz, H.. (March, 1952).“Portfolio Selection”, Journal of Finance. Indonesian Stock Exchange, Bursa Efek Indonesia. (n.d.). Mengenal Pasar Modal. (Juni 16, 2008). http://www.idx.co.id/MainMenu/Education/MengenalPasarModal/tabid/137/lang/i d-ID/language/id-ID/Default.aspx Jorion, Philippe. (2003). Financial Risk Manager Handbook Second Edition. Canada: John Wiley & Sons Jorion, Philippe. (1997). Value at Risk : The New Benchmark for Managing Financial Risk. USA: McGraw-Hill Butler, Cormac. (1999). Mastering Value at Risk. London: Prentice Hall. Shebl´e, Gerald B., & Berleant, Daniel. Bounding the Composite Value at Risk for Energy Service Company Operation with DEnv, an Interval-Based Algorithm, Iowa State University. Stephen Kellert, “In the Wake of Chaos: Unpredictable Order in Dynamical Systems”, (Chicago, University of Chicago Press, 1993), cited in Crayton Bedford, The Case of Chaos, in Mathematics Teacher Magazine, April 1998. Valle, Jr., Vicente. (2000, April 19). “Chaos, Complexity and Deterrance”. National War College. http://www.au.af.mil/au/awc/awcgate/ndu/valle.pdf Williams, Garnett P.. (1997) “Chaos Theory Tamed”. (Joseph Henry Press, Washington, D.C.), p 7. “Bagaimana Harga Saham Ditentukan?”. http://www.forumreksadana.com

(n.d.).

Maret

15,

2008.

Indrayadi, Yuki. (2005). “Application of Chaos Theory in Managing Market Risk of a Stocks Portfolio”. Indonesian Business Management Conference, Jakarta. (2005, January 26-27) Saleh, Mohamed., & Myrtveit, Magne. “Designing a rational process for risktaking”. Powersim AS, Norwegia.


PERANCANGAN MODEL DINAMIS ANALISIS RISIKO DAN PENGAMBILANN KEPUTUSAN MELALUI PENDEKATAN AT RISK DALAM MANAJEMEN PORTOFOLIO SAHAM SKRIPSI

Recommend Documents