PREDIKSI HARGA SAHAM TELKOM DENGAN ARCH-M

perpustakaan.uns.ac.id

digilib.uns.ac.id

PREDIKSI HARGA SAHAM TELKOM DENGAN ARCH ARCH-M M

Oleh DHESI LILIA AYU NAWANGSARI M0106036

SKRIPSI ditulis dan diajukan iajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2011 commit to user


digilib.uns.ac.id

SKRIPSI PREDIKSI HARGA SAHAM TELKOM DENGAN ARCH-M yang disiapkan dan disusun oleh DHESI LILIA AYU NAWANGSARI M0106036 dibimbing oleh Pembimbing I

Pembimbing II

Winita Sulandari, M.Si

Sri Kuntari, M.Si

NIP. 19780814 200501 2 002

NIP. 19730225 199903 2 001

telah dipertahankan di depan Dewan Penguji pada hari Rabu, tanggal 19 Januari 2011 dan dinyatakan telah memenuhi syarat. Anggota Tim Penguji

Tanda Tangan

1. Drs. Sugiyanto, M.Si

1. …………………

NIP. 19611224 199203 1 003 2. Dra. Yuliana Susanti, M.Si

2. …………………

NIP. 19611219 198703 2 001 3. Drs. Santosa B. W, M.Si

3. …………………

NIP. 19620203 199103 1 001 Surakarta,

Januari 2011

Disahkan oleh Fakultas Matematika dan Ilmu Pengetahuan Alam Dekan,

Prof. Drs. Sutarno, M.Sc., Ph.D NIP. 19600809 198612 1 001

Ketua Jurusan Matematika,

commit to user

Drs. Sutrima, M.Si NIP. 19661007 199302 1 001


digilib.uns.ac.id

ABSTRAK Dhesi Lilia Ayu Nawangsari. 2011. PREDIKSI HARGA SAHAM TELKOM DENGAN ARCH-M. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret. ABSTRAK. Harga saham pada TELKOM merupakan deretan observasi variabel random yang dapat dinyatakan sebagai data runtun waktu karena merupakan himpunan observasi yang terurut. Dalam data finansial khususnya data harga saham TELKOM biasanya data tersebut mengandung unsur heteroskedastisitas. Heteroskedastisitas menggambarkan suatu fluktuasi harga yang berubah-ubah dari waktu ke waktu. Keadaan demikian dapat diestimasi menggunakan model Autoregressive Conditional Heteroscedasticity (ARCH). Model ini pertama kali dikembangkan oleh Engle (1982). Gagasan dari Engle, et al (1987) tersebut kemudian digunakan untuk mengembangkan suatu model yang disebut Autoregressive Conditional Heteroscedasticity in Mean (ARCH-M). Model ARCH-M adalah model dengan variansi bersyarat atau deviasi standar dimasukkan ke dalam persamaan mean. Data yang digunakan adalah data mingguan tanggal 25 Februari 2008 sampai 12 April 2010 (http://finance.yahoo.com/q/pr?s=TLK). Hasil penelitian bahwa model yang cocok adalah model ARCH(1)-M. Ramalan berdasar model tersebut untuk harga saham TELKOM bulan April sampai Mei 2010 mempunyai nilai MSE adalah Rp 2.387,00. Kata kunci : Heteroskedastisitas, ARCH, ARCH-M.

commit to user


digilib.uns.ac.id

ABSTRACT

Dhesi Lilia Ayu Nawangsari. 2011. TELKOM STOCK PRICE PREDICTION USING ARCH-M. Faculty of Mathematics and Natural Sciences. Sebelas Maret University. ABSTRACT. The price of stock in TELKOM is the observation sequence of random variables that can be expressed as data time series because it is the set of ordered observations. In financial data specially the price of stock in TELKOM typically contains data heteroscedasticity. Heteroscedasticity describes a fluctuation prices from time to time. Such circumstances can be estimated Autoregressive Conditional Heteroscedasticity Model (ARCH). It was first develop by Engle (1982). The idea of Engle, et al (1987) is then used to develop a model that called Autoregressive Conditional Heteroscedasticity in Mean (ARCHM). ARCH-M is a model with a conditional variance or standard deviation into in the mean equation. The data used are weekly data on 25 February 200 until 12 April 2010 (http://finance.yahoo.com/q/pr?s=TLK). The study show that a suitable model is the ARCH(1)-M model. Forecast based model for the price of TELKOM stock from April to May 2010 MSE value is Rp 2.387.00.

Keywords: Heteroscedasticity, ARCH, ARCH-M. .

commit to user


digilib.uns.ac.id

PERSEMBAHAN

Karya ini kupersembahkan kepada: v Keluargaku,khususnya ibu dan bapak tersayang. Terima kasih doa dan semangatnya. v Teman-temanku. Terima kasih atas dukungan dan kerjasamanya. v Seseorang yang telah membantuku. Terima kasih dukungan dan bantuannya.

commit to user


digilib.uns.ac.id

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah SWT yang telah melimpahkan rahmat dan hidayahNya sehingga penulis berhasil menyelesaikan skripsi ini. Keberhasilan dalam penyusunan skripsi ini tidak terlepas dari bantuan banyak pihak. Penulis menyampaikan terima kasih kepada semua pihak yang telah memberikan dukungan, bimbingan, petunjuk dan juga saran selama penyusunan skripsi ini, antara lain kepada 1. Ibu Winita Sulandari, M.Si sebagai Pembimbing I yang telah memberikan saran, arahan, dukungan semangat dan bimbingan dalam penulisan skripsi ini. 2. Ibu Sri Kuntari, M.Si sebagai Pembimbing II yang telah dengan sabar, memberikan semangat dan

memberikan bimbingan dalam penulisan

skripsi ini. 3. Teman-teman angkatan 2006 yang selalu kompak. 4. Semua pihak yang telah membantu dalam penyusunan skripsi ini. Semoga skripsi ini bermanfaat bagi pembaca.

Surakarta,

Januari 2011

Penulis

commit to user


digilib.uns.ac.id

DAFTAR ISI

HALAMAN JUDUL .......................................................................................

i

PENGESAHAN……………………………………………………………….

ii

ABSTRAK. ......................................................................................................

iii

ABSTRACT .......................................................................................................

iv

PERSEMBAHAN..................................................................................... .......

v

KATA PENGANTAR .....................................................................................

vi

DAFTAR ISI ....................................................................................................

vii

DAFTAR TABEL ............................................................................................

ix

DAFTAR GAMBAR .......................................................................................

x

DAFTAR NOTASI DAN SIMBOL ................................................................

xi

BAB I

PENDAHULUAN ......................................................................

1

1.1 Latar Belakang Masalah........................................................

1

1.2 Perumusan Masalah ..............................................................

2

1.3 Tujuan Penelitian ..................................................................

2

1.4 Manfaat Penulisan .................................................................

2

LANDASAN TEORI ..................................................................

3

2.1 Tinjauan Pustaka ...................................................................

3

2.1.1 Ruang Sampel........................................................ .....

3

2.1.2 Variabel Random.................................................... ....

3

2.1.3 Uji Akar Unit ..............................................................

4

2.1.4 Log Return dan Fluktuasi Harga............................... .

4

2.1.5 Fungsi ACF dan PACF ...............................................

5

2.1.6 Model AR ...................................................................

6

2.1.7 Estimasi Parameter AR(1).. ........................................

7

2.1.8 Uji Autokorelasi Eror .................................................

8

2.1.9 MSE Model.................................................................

8

2.1.10 Uji Heteroskedastisitas .............................................

9

2.1.11 Fungsi Maksimum Likelihood................................ . commit to user 2.1.12 Model ARCH(q)........................................................

9

BAB II

11


digilib.uns.ac.id

2.2 Kerangka Pemikiran ..............................................................

11

BAB III

METODOLOGI PENELITIAN ..................................................

13

BAB IV

PEMBAHASAN .........................................................................

15

4.1 Pembentukan Model ARCH(q)-M ..................................... ..

15

4.2 Estimasi Model ARCH(1)-M............................................. ...

16

4.3 Contoh Penerapan.......... .......................................................

21

4.3.1 Deskripsi Data ....................................................................

21

4.3.2 Log Return dan Fluktuasi Harga ........................................

22

4.3.3 Pembentukan Model Stasioner...........................................

23

4.3.4 Uji Heteroskedastisitas .......................................................

26

4.3.5 Pembentukan Model Heteroskedastisitas...........................

26

4.3.6 Peramalan ...........................................................................

28

PENUTUP ...................................................................................

30

5.1 Simpulan ...............................................................................

30

5.2 Saran......................................................................................

30

DAFTAR PUSTAKA ......................................................................................

31

LAMPIRAN

32

BAB V

.................................................................................. ........

commit to user


digilib.uns.ac.id

DAFTAR TABEL

Tabel 2.1 Sifat-sifat Teoritis ACF dan PACF untuk Proses Stasioner .........

7

Tabel 4.1 Hasil Estimasi Model AR(1) pada Data Log Return....................

24

Tabel 4.2 Uji Breusch-Godfrey Eror Model AR(1).................................... ..

24

Tabel 4.3

Uji Pengali Lagrange ARCH untuk Eror Model AR(1)................

25

Tabel 4.4

Hasil Estimasi Model Model ARCH(1) dan ARCH(1)-M.............

26

Tabel 4.5 Uji ARCH LM Model ARCH(1)-M .............................................

27

Tabel 4.6 Korelogram Eror Kuadrat yang Distandarsasi ..............................

27

Tabel 4.7

Hasil Peramalan Harga Saham TELKOM Bulan April sampai Mei 2010 .....................................................................................

commit to user

29


digilib.uns.ac.id

DAFTAR GAMBAR

Gambar 4.1

Plot Harga Saham TELKOM................................................. ...

22

Gambar 4.2

Plot Log Return Harga Saham TELKOM .................................

22

Gambar 4.3

Plot ACF Log Return Harga Saham TELKOM ........................

23

Gambar 4.4 Plot PACF Log Return Harga Saham TELKOM......................

23

Gambar 4.5 Histogram Distribusi Normal Eror AR(1).................................

25

Gambar 4.6 Histogram Distribusi Normal Eror Model ARCH(1)-M ...........

28

commit to user


digilib.uns.ac.id

DAFTAR NOTASI DAN SIMBOL Â

: bilangan real

Æ

: data pengamatan ke t

T

: ukuran sampel ,(

ƅ

)

()

: distribusi Student-t dengan derajat bebas T-1 : log return : harga harapan : rata-rata

ℎ

: variansi

¦k

: autokovariansi pada lag-k

ρ

: autokorelasi pada lag-k

Φkk

: autokorelasi parsial : operator Backshift : parameter AR : parameter MA

p

: order parameter AR

q

: order parameter MA

∗

: jumlah kuadrat eror : eror model rata-rata bersyarat pada waktu t : koefisien determinasi

k

t*

: distribusi Chi-Squared dengan derajat bebas k : statistik uji Breusch-Godfrey : statistik uji pengali Lagrange : himpunan semua informasi

pada waktu sampai di t

N(0, h )

: distribusi normal dengan rata-rata nol dan variansi h

¦

: vektor parameter variansi model

: vektor parameter variansi model

: konstanta variabel eksogen : variabel eksogen commit to user


digilib.uns.ac.id

j

: parameter conditional variance

∅

: kombinasi parameter ( , , ¦, j)

℘

: matriks informasi

: matriks identitas

: fungsi likelihood

commit to user


digilib.uns.ac.id

BAB I PENDAHULUAN 1.1 Latar Belakang PT Telekomunikasi Indonesia, Tbk. (TELKOM) merupakan perusahaan bisnis T.I.M.E (Telecomunication, Information, Media and Edutainment) yang terbesar di Indonesia. Harga saham pada PT TELKOM merupakan deretan observasi variabel random yang dapat dinyatakan sebagai data runtun waktu karena merupakan himpunan observasi yang terurut. Indeks harga saham adalah suatu indikator yang menunjukkan pergerakan harga saham. Dalam analisis perilaku data runtun waktu di sektor finansial misalnya harga saham, nilai tukar rupiah, inflasi, suku bunga dsb, peneliti seringkali ditemukan bahwa kemampuan atau presisi peramalan berubah-ubah dari waktu ke waktu. Misalnya, pada satu periode peramalan mengalami kesalahan yang kecil tetapi di waktu lain mengalami kesalahan yang cukup besar. Variabilitas ini disebabkan bahwa volatilitas di dalam pasar finansial sangat sensitif terhadap perubahan-perubahan kebijakan fiskal dan moneter, ketidakstabilan politik bahkan yang sifatnya sekedar rumor. Kondisi tersebut berbeda dengan asumsi yang selama

ini

menjadi

kajian

ekonometrika,

yakni

data

runtun

waktu

kecenderungannya mempunyai varian kesalahan penganggu atau eror yang konstan dari waktu ke waktu. Berdasarkan kenyataan tersebut, dalam bahasa ekonometrika berarti bahwa varian dari data runtun waktu ini tidak konstan, tetapi berubah-ubah dari satu periode ke periode yang lain. Model runtun waktu yang dapat mengestimasi perilaku tersebut adalah model Autoregressive Conditional Heteroscedasticity (ARCH). Model ini pertama kali dikembangkan oleh Engle (1982). Gagasan dari Engle, et al (1987) tersebut kemudian digunakan untuk mengembangkan suatu model yang disebut dengan model Autoregressive Conditional Heteroscedasticity in Mean (ARCH-M). Model ARCH-M adalah model dengan variansi bersyarat commit user atau deviasi standar dimasukkan ke dalamtopersamaan mean.


digilib.uns.ac.id

Data PT TELKOM tersebut merupakan data finansial yang mengandung unsur heteroskedastisitas. Model yang cocok kemudian digunakan untuk meramalkan data. Data yang digunakan adalah data mingguan tanggal 25 Februari 2008

sampai

12

April

2010.

Data

diambil

dari

alamat

web

http://finance.yahoo.com/q/pr?s=TLKM.

1.2 Perumusan Masalah Berdasarkan latar belakang masalah, disusun perumusan masalah sebagai berikut 1. Bagaimana model ARCH-M yang sesuai dengan data saham PT TELKOM ? 2. Bagaimana hasil peramalan harga saham PT TELKOM bulan April sampai Mei 2010?

1.3 Tujuan Penelitian Tujuan penelitian ini antara lain 1. Dapat menentukan model ARCH-M yang sesuai dengan saham PT TELKOM. 2. Meramalkan data harga saham PT TELKOM bulan April sampai Mei 2010. 1.4 Manfaat Penelitian Manfaat yang diharapkan dari penelitian ini adalah hasil peramalan harga saham PT TELKOM yang diperoleh dapat menjadi pertimbangan dalam mengindikasi kondisi harga saham pada periode selanjutnya serta penelitian yang dilakukan diharapkan dapat memberikan pemahaman mengenai pemodelan data menggunakan ARCH-M.

commit to user


digilib.uns.ac.id

BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka Pada sub bab ini dikemukakan beberapa teori yang mendasari pembahasan pemodelan volatilitas harga saham dengan variansi heteroskedastisitas bertipe ARCH-M. Teori yang relevan dalam penelitian ini meliputi tentang Ruang Sampel, Variabel Random, Uji Akar Unit, Log Return dan Fluktuasi Harga, Fungsi ACF dan PACF, Model ARMA, Uji Autokorelasi, Uji Heteroskedastisitas, Fungsi Maksimum Likelihood, Model ARCH. 2.1.1

Ruang Sampel

Menurut Bain dan Engelhardt (1992), jika dilakukan suatu pengamatan terhadap data, maka himpunan dari semua hasil yang mungkin dari suatu pengamatan dinamakan ruang sampel dan dinotasikan dengan S. 2.1.2

Variabel Random

Variabel R dikatakan variabel random jika suatu fungsi yang terdefinisi dalam ruang sampel S, mempunyai hubungan dengan bilangan real sehingga R(e)= r untuk setiap e dalam S. Jika himpunan dari semua nilai yang mungkin dalam variabel random R merupakan himpunan terhitung r1,r2,...,rT maka R disebut variabel random diskrit, tetapi jika semua nilai yang mungkin dalam variabel random R adalah himpunan tak terhitung, misalkan r Î ( a , b ) dengan r, a dan b real, maka R disebut variabel random kontinu. Bain dan Engelhardt (1992), menyajikan fungsi densitas probabilitas dari R sebagai f(r)= P[R = r], r = r1,r2,...,rT untuk R diskrit dan x Î ( a , b ) untuk R kontinu, dan mempunyai sifat 1.

f ( r ) ³ 0 "r Î Â

2.

å f (r ) = 1 untuk R variabel random diskrit, dan "r

3.

random kontinu. ò f (r ) = 1 untuk R variabelcommit to user

"r


digilib.uns.ac.id

Setelah variabel random R dengan himpunan terurut r1,r2,...,rT didapatkan langkah selanjutnya menguji kestasioneran data dengan menggunakan uji akar unit. 2.1.3

Uji Akar Unit

Kebanyakan dalam data runtun waktu di sektor finansial cenderung tidak stasioner dalam mean. Untuk mengetahui kestasioneran data dapat digunakan uji akar unit (Tsay, 2002) dengan hipotesis sebagai berikut H0 : f = 1 (data mempunyai akar unit / tidak stasioner) H1 : f < 1 (data tidak mempunyai akar unit / stasioner) Statistik uji dengan Augmented Dickey-Fuller (ADF) atau rasio t dirumuskan sebagai berikut T

åP t =1 T

f -1 ADF = = s (f )

P

t -1 t

åP

-1

2 t -1

t =1

(2.1)

T

å ( P - fP t =1

t

t -1

)

2

T -1

dengan P0 = 0, T adalah ukuran sampel, dan Pt adalah harga saham TELKOM. H0 akan ditolak jika ADF > ta ,(T -1) . Apabila dari data harga saham TELKOM tersebut belum stasioner dalam mean dan variansi maka dilakukan transformasi data. Tranformasi dengan mnggunakan log return. 2.1.4

Log Return dan Fluktuasi Harga

Dalam analisis finansial time series (data runtun waktu keuangan), yang menjadi pusat perhatian adalah fluktuasi harga yang terjadi. Pada dasarnya jika commit user t, yang dinotasikan dengan harga saham TELKOM merupakan fungsitowaktu


digilib.uns.ac.id

P = P(t) = Pt maka fluktuasi harga saham TELKOM merupakan variabel yang menunjukkan naik turunnya harga sebagai dampak dari mekanisme pasar yang ada. Secara umum, fluktuasi harga saham dapat didefinisikan sebagai perubahan harga saham terhadap waktu t yaitu

DPt = Pt - Pt -1 . Pendekatan untuk fluktuasi harga adalah perubahan relatif atau return yaitu

rt =

Pt . Pt -1

(2.2)

Pada kenyataannya harga saham yang diperoleh dengan nominal yang cukup besar sehingga untuk mempermudah perhitungan digunakan log return log rt = log(

Pt ) Pt -1

(2.3)

log rt = log Pt - log Pt -1

Selain itu log return juga bermanfaat untuk menjadikan data stasioner terhadap rata-rata (Tsay, 2002). Sebelum memodelkan ARCH-M, terlebih dahulu menentukan model ratarata bersyarat. Dalam memodelkan rata-rata bersyarat ARMA diperlukan suatu alat yaitu ACF dan PACF. 2.1.5

Fungsi ACF dan PACF

Fungsi autokorelasi adalah fungsi yang menunjukkan besarnya korelasi antara pengamatan pada waktu ke-t dengan pengamatan waktu sebelumnya. Sedangkan PACF adalah fungsi yang menunjukkan besarnya korelasi parsial antara pengamatan waktu ke-t dengan pengamatan waktu sebelumnya. commit to user


Menurut

digilib.uns.ac.id

Cryer

(1986)

proses

rt

dikatakan

stasioner

apabila

E (rt ) = m , Var (rt ) = s 2 adalah konstan dan

Cov(rt , rt + k ) = E (rt - m , rt + k - m ) = g k , dengan Cov(rt , rs ) adalah fungsi dari selisih waktu | − |. Korelasi antara rt dan rt +k adalah

r k = corr (rt , rt + k ) =

cov(rt , rt + k ) var(rr ) var(rt + k )

=

gk , g0

dengan g 0 = Var(rt ) = Var (rt + k ) dan r k adalah fungsi autokorelasi atau ACF. Autokorelasi parsial antara rt dan rt +k adalah korelasi antara rt dan rt +k setelah

ketergantungan

linearnya

dengan rt -1 , rt -2 ,..., rt + k -1

dihilangkan.

Autokorelasi parsial antara rt dan rt -k dinotasikan dengan

F kk

1 r1 r 2 K r k -2 r1 r1 1 r 1 K r k -3 r 2 M M M M M M r k -1 r k - 2 r k - 3 K r1 rk = 1 r1 r 2 K r k - 2 r k -1 r1 1 r 1 K r k -3 r k -2 M M M M M M r k -1 r k - 2 r k - 3 K r1 1

Φkk disebut fungsi autokorelasi parsial atau PACF.

Apabila sudah didapatkan plot ACF dan PACF, maka langkah selanjutnya

memodelkan rata-rata bersyarat AR.

commit to user


digilib.uns.ac.id

2.1.6

Model AR

Menurut Cryer (1986), model AR(p) secara umum dinotasikan sebagai berikut rt = f1 rt -1 + f 2 rt - 2 + ... + f p rt - p + e t

<=> rt - f1rt -1 - f2 rt - 2 - ... - f p rt - p = e t 2 P <=> (1 - f1 B - f 2 B - ... - f P B )rt = e t

<=> f ( B) rt = e t dengan f1f 2 ,..., f P Î R , dan e t adalah proses white noise dengan rata-rata nol. Proses AR(p) akan stasioner jika akar dari f ( B ) = 0 terletak di luar lingkaran satuan yaitu Bi > 1 , i =1,2,...,p. Tabel 2.1 merupakan ringkasan sifat teoritis ACF dan PACF untuk proses stasioner (Tarno, 2008). Tabel 2.1. Sifat-Sifat Teoritis ACF dan PACF untuk Proses-Proses Stasioner Proses AR(p)

ACF

PACF

Meluruh secara eksponensial Terputus setelah lag-p menuju nol

MA(q)

Terputus setelah lag-q

Meluruh

secara

eksponensial

menuju nol ARMA(p,q) Meluruh

menuju

nol Meluruh menuju nol kemudian

kemudian terputus setelah lag- terputus setelah lag-(q-p) (q-p)

Untuk mengetahui model AR yang diperoleh tersebut cocok digunakan untuk memodelkan harga saham TELKOM, maka dilakukan estimasi parameter. commit to user


digilib.uns.ac.id

2.1.7

Estimasi Parameter AR(1)

Estimasi parameter untuk AR(1) menggunakan metode kuadrat terkecil. Menurut Cryer (1986), estimasi parameter kuadrat terkecil yaitu dengan meminimumkan jumlahan kuadrat dari eror. Untuk model AR(1) rt - m = f ( rt -1 - m ) + e t .

Kemudian meminimumkan jumlah kuadrat dari

e t = rt - m - f (rt -1 - m ) yang

merupakan eror dari AR(1). Rumus dari jumlah kuadrat eror adalah 2

n

S * (f , m ) = å [(rt - m ) - f (rt -1 - m )]

(2.4)

t =2

) ) dengan memilih nilai m dan f yang dapat meminimumkan S * (f , m ) dengan

rumus

) m=

T

T

t =2

t =2

å rt - f å rt -1 (n - 1)(1 - f ) T

) f=

å (r - r )(r

t -1

t

t =2

T

å (r t =2

t -1

- r)

- r )2

dengan T

T rt r » å t -1 . t =2 T - 1 t =2 T - 1

r »å

Setelah diperoleh model AR yang cocok, kemudian melakukan uji autokorelasi eror. Apabila eror AR (1) tidak memiliki autokorelasi maka model AR(1) dikatakan baik. commit to user


digilib.uns.ac.id

2.1.8 Uji Autokorelasi Eror Autukorelasi merupakan korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu. Model rata-rata beryarat dikatakan baik apabila eror yang dihasilkan sudah tidak memiliki autokorelasi. Menurut William H.G (1993) dapat diuji menggunakan uji Breusch-Godfrey, hipotesisnya adalah H0 : tidak terdapat autokorelasi di dalam eror model rata-rata bersyarat H1 : terdapat autokorelasi di dalam eror model rata-rata bersyarat. Statistik uji Breusch-Godfrey adalah sebagai berikut t* = (T – k)R2

(2.5)

dengan T adalah ukuran sampel, k adalah jumlah lag dan R2 adalah koefisian determinasi dari model regresi. H0 akan ditolak jika t* > c k2 . Dalam pembahasan skripsi ini menggunakan uji F, adapun hubungan antara uji F dan c k2 adalah jika c k21 dan c k22 variabel chi-kuadrat yang didistribusikan secara independen dengan derajat bebas secara berturut-turut k1 dan k2 , variabel =

(2.6)

mengikuti distribusi F dengan derajat bebas k1 dan k2 (Gujarati, D., 1978). Selain menguji autokorelasi eror dalam model AR(1) menghitung pula nilai MSE model. Apabila nilai dari MSE kecil maka model tersebut baik digunakan. 2.1.9

MSE Model

Menurut John E. H (2005) untuk melihat kecocokan model dapat dilihat dari nilai MSE yang lebih kecil, dengan rumus commit to user


digilib.uns.ac.id

MSE =

(

1æ T ç å P t - Pˆt T è t =1

) ö÷ 2

(2.7)

ø

dengan Pt adalah data observasi waktu ke-t, Pˆt adalah nilai ramalan waktu ke-t dan T adalah banyak sampel. Setelah melakukan uji autokorelasi eror dan menghitung nilai MSE, kemudian menguji efek heteroskedastisitas dalam eror dengan menggunakan uji ARCH LM. 2.1.10 Uji Heteroskedastisitas Unsur homokedastisitas merupakan salah satu asumsi yang harus dipenuhi oleh suatu model regresi linear agar estimasi model memiliki sifat Best Linear Unbiased Estimator (BLUE). Heteroskedastisitas adalah keadaaan suatu data yang tidak memenuhi asumsi homokedastisitas yaitu variansi eror untuk setiap variabel bebas rt yang diketahui tidak konstan atau Ǵƅ

= Ε

dengan T adalah ukuran sampel. Menurut

William

H.G

=

,

(1993),

= 1,2, … menguji

ada

tidaknya

efek

heteroskedastisitas dengan menggunakan uji ARCH Lagrange Multiplier (LM) dengan uji hipotesis adalah H0 = α1 = α2 = … = αq (tidak ada efek ARCH sampai lag-q) H1 : paling sedikit terdapat satu αk ≠0, k = 1,2, …, q. Menggunakan asumsi normalitas, statistik uji yang digunakan adalah

x = TR 2

(2.8)

dengan T adalah ukuran sampel dan R2 adalah koefisian determinasi data dengan model. H0 akan ditolak jika x > c k2 . Hubungan antara uji F dan c k2 dapat dilihat commit to user pada persamaan (2.6).


digilib.uns.ac.id

Karena parameter dari model ARCH-M tersebut tidak diketahui maka dilakukan estimasi parameter menggunakan estimasi maksimum Likelihood. 2.1.11 Fungsi Maksimum Likelihood Suatu variabel random R1 , R2 ,..., RT dari suatu distribusi memiliki fungsi densitas probabilitas f (r ; f ) , dengan f merupakan suatu parameter yang tidak diketahui. Fungsi densitas probabilitas bersama dengan ukuran sampel T dari variabel random R1 , R2 ,..., RT yang dievaluasi pada r1 , r2 ,..., rT adalah

f (r1 , r2 ,..., rT ; f ) = f (r1 ; f ) f (r2 , f )... f (rT ; f ) Menurut Bain dan Engelhardt (1992) fungsi likelihood didefinisikan sebagai fungsi densitas probabilitas bersama dari r1 , r2 ,..., rT yang dapat dianggap sebagai fungsi f dan dinotasikan dengan L (f ) . L(f ) = f (r1 , r2 ,..., rT ; f ) = f (r1 ; f ) f (r2 ; f )... f (rT ; f ) T

= Õ f (ri ; f ) i =1

Estimasi maksimum likelihood dari f adalah nilai fˆ pada L (f ) yang maksimum f (r1 , r2 ,..., rT ; fˆ) = max f (r1 , r2 ,..., rT ; f )

Nilai fˆ yang akan memaksimumkan L (f ) dapat diperoleh dengan mencari solusi dari persamaan

¶ L(f ) = 0 ¶fˆ atau sering menggunakan

¶ log L(f ) = 0. ¶fˆ

(2.9)

Setelah log L (f ) diturunkan terhadap parameter f akan didapatkan nilai fˆ yang dapat memaksimumkan fungsi dari L (f ) . Nilai dari log L (f ) tidak mungkin bernilai negatif, sehingga prinsip dari log likelihood yaitu memaksimumkan akan terpenuhi. commit to user


digilib.uns.ac.id

Dalam fungsi likelihood diasumsikan data mempunyai distribusi normal. Bain dan Engelhardt (1992), mendefinisikan suatu variabel random R berdistribusi normal dengan mean

dan variansi ht2 dinotasikan R ~ N ( m , ht2 ) dan mempunyai

fungsi densitas probabilitas

f (r; m , h ) = 2 t

dengan

-¥ £ r £ ¥,

mempunnyai nilai − ∞ ≤

1 2 p h t2

-

e

1 (r - m )2 2 h t2

dan h adalah parameter yang masing-masing ≤ ∞ dan - ¥ £ ht2 £ ¥ .

Selanjutnya model ARCH yang diperkenalkan pertama kali oleh Engle

(1982), model tersebut dapat mengestimasi adanya suatu efek heteroskedastisitas. 2.1.12 Model ARCH (q) Model ARCH dapat dinyatakan dalam bentuk regresi linear. Misalkan terdapat deret runtun waktu yaitu log return {rt}. Rata-rata rt diasumsikan sebagai

b ¢X t yang merupakan kombinasi linear dari lag variabel eksogen dan dimasukkan dalam himpunan informasi y t -1 dengan b ¢ vektor parameter yang tidak diketahui. Menurut Engle (1982), model ARCH(q) adalah

rr y t -1 ~ N ( b ¢X t , ht2 ) rt = b ¢X t + e t

ht = a 0 + a1e t2-1 + ... + a q e t2-q 2

q

= a 0 + å a k e t2-k k =1

dengan

(2.10)

b ¢ adalah vektor parameter yang belum diketahui, Xt adalah variabel

eksogen, q adalah orde dari proses ARCH, a merupakan parameter variansi yang tidak diketahui dengan a 0 > 0 dan, dan e t adalah eror dari model. commit to user


digilib.uns.ac.id

2.2

Kerangka Pemikiran

Data harga saham TELKOM merupakan deretan observasi variabel random yang dapat dinyatakan sebagai data runtun waktu karena merupakan himpunan observasi terurut. Data ini ditransformasi ke dalam bentuk log return untuk mengecilkan data. Transformasi ini mengakibatkan data stasioner dalam rata-rata tetapi memiliki variansi tidak konstan. Model yang akan digunakan dalam penelitian ini adalah ARCH-M. Model ini memerlukan asumsi eror model rata-rata bersyarat tidak memiliki autokorelasi. Langkah pertama dalam pembentukan model ARCH-M adalah menguji kestasioneran data. Apabila data belum stasioner maka dilakukan transformasi. Transformasi yang dapat dilakukan dengan mengubah data ke dalam bentuk log return. Setelah itu, langkah berikutnya adalah mencari model rata-rata bersyarat AR. Eror model AR yang telah diperoleh harus diuji efek heteroskedastisitas. Apabila terdapat efek heteroskedastisitas, maka langkah selanjutnya adalah mengestimasi parameter model ARCH. Disisi lain juga mengestimasi model ARCH-M dan melakukan uji diagnostik model. Model ARCH-M digunakan untuk meramalkan data. Model yang baik adalah model yang memiliki nilai peramalan mendekati nilai data asli.

commit to user


digilib.uns.ac.id

BAB III METODOLOGI PENELITIAN Pada penelitian ini, metode yang digunakan adalah studi literatur yang diaplikasikan pada data harga saham mingguan PT TELKOM. Data diambil pada tanggal 25 Februari 2008 sampai dengan 12 April 2010 diakses tanggal 12 April 2010 (http://finance.yahoo.com/q/pr?s=TLKM). Langkah-langkah pemodelan dan peramalan menggunakan model ARCH-M adalah sebagai berikut. 1. Membuat plot data kemudian melakukan uji stasioneran dengan menggunakan uji akar unit pada persamaan (2.1) untuk melihat kestasioneran data terhadap rata-rata dan variansi. 2. Mentransformasikan data dalam bentuk log return pada persamaan (2.3), sehingga data menjadi stasioner dalam rata-rata tetapi variansi tidak konstan. 3. Menganalisis model AR. a. Membuat plot ACF dan PACF untuk mengidentifikasi model awal AR yang digunakan untuk memodelkan proses rata-rata bersyarat dari data. b. Mengestimasi parameter model AR dengan Metode Kuadrat Terkecil dengan persamaan (2.4). c. Melakukan pemeriksaan diagnostik model dengan uji statistik Breusch-Godfrey pada persamaan (2.5) untuk mengetahui apakah sudah layak model tersebut digunakan dan menentukan nilai MSE yang lebih kecil dari persamaan (2.7). 4. Menganalisis model ARCH-M. commit to user a. Mengidentifikasi model dengan memeriksa autokorelasi dalam


digilib.uns.ac.id

kuadrat eror model rata-bersyarat, jika memiliki autokorelasi berarti terdapat efek heteroskedastisitas dalam eror model rata-rata bersyarat. Efek heteroskedastisitas dapat diuji dengan uji Lagrange Multiplier (LM) pada persamaan (2.8). b. Mengestimasi model dengan Estimasi Maksimum Likelihood dengan persamaan (2.9). Menentukan model ARCH-M yang dapat digunakan untuk memodelkan heteroskedastisitas dari eror model rata-rata bersyarat. c. Melakukan pemeriksaan diagnostik. i. Memeriksa apakah sudah tidak ada efek heteroskedastisitas dalam eror terstandar menggunakan uji LM. ii. Memeriksa asumsi distribusi dari eror terstandar. 5. Melakukan peramalan.

commit to user


digilib.uns.ac.id

BAB IV PEMBAHASAN 4.1 Pembentukan Model ARCH(q)-M Menurut Engle, et al (1987) model ARCH-M secara umum dapat dituliskan sebagai berikut

rt = m t + e t

(4.1)

dengan rt adalah return yang diharapkan, m t adalah conditional mean, dan e t adalah eror model. Spesifikasinya diambil rata-rata sebagai fungsi linier dari variansinya, sehingga jika ht adalah conditional variance dari e t maka conditional mean dapat dituliskan sebagai berikut

m t = (-b ¢) X t + d (-ht )

,d > 0

(4.2)

dengan b ¢ adalah konstanta yang tidak diketahui, Xt adalah variabel eksogen, dan

d adalah parameter conditional variance. Premi resiko adalah fungsi naik dari conditional variance, dengan kata lain semakin besar return dari conditional variance semakin besar pula ganti rugi yang diperlukan (Engle, et al ,1987). Persamaan (4.1) dapat dijabarkan menjadi

rt = (- b ¢) X t + d (-ht ) + e t

(4.3)

dengan e t = u t ht , Xt adalah variabel eksogen yang merupakan nilai dari rt-1 dan

ht 2 adalah conditional variance. Sehingga model ARCH(q)-M dapat dituliskan pada persamaan (4.1) dengan conditional variance pada persamaan commit to user (2.9). Secara sederhana model


digilib.uns.ac.id

ARCH-M terbentuk jika variansi bersyarat ht dimasukkan dalam persamaan mean rt . 4.2 Estimasi Model ARCH(1)-M Jika suatu eror dari model regresi mengikuti proses ARCH, maka dengan asumsi normalitas dan didefinisikan y t sebagai himpunan informasi yang diketahui pada waktu ke-t, maka distribusi bersyarat dari eror ARCH(1)-M adalah

e t y t -1 ~ N (0, ht ) 2

dengan fungsi densitas sebagai berikut

f (e t y

t -1

) =

1 2 p h t2

-

e

1 e t2 2 h t2

.

Diberikan model ARCH(q)-M secara umum 2 e t y t -1 ~ N ( m , ht ) dengan m t = (-b ¢) X t + d (-ht )

rt = (- b ¢) X t + d (-ht ) + e t 2 ¢ ht = a Wh t + g ¢ Z t

dengan

b

: parameter dari variabel eksogen yang tidak diketahui dengan ordo vektor

k ´1 Xt

: variabel

eksogen yang merupakan nilai dari rt-1 dengan ordo vektor k ´ 1

d

: parameter conditional variance dengan ordo vektor l ´ 1

ht

: conditional variance

Zt

: vektor konstan dari ht dengan ordo j ´1 commit to user


digilib.uns.ac.id

W

: matriks identitas untuk menentukan parameter dengan ordo q ´ p

a

: vektor parameter variansi yang tidak diketahui dengan ordo q ´ 1

g

: vektor parameter variansi yang tidak diketahui dengan ordo j ´ 1

f

: kombinasi dari parameter ( a , b , g , d ).

Vektor

p ´1

h t¢ = e t2-1 ,..., e t2- q

dengan

et

adalah

eror

dari

rt - (- b ¢) X t - d (-ht ) = rt + b ¢X t + dht . Parameter ini dapat dikombinasi ke dalam ) f ¢ = (a ¢, b ¢, g ¢, d ) dengan vektor m ´ 1 dimana m = q + j + k + l .

Fungsi likelihood dapat dinyatakan dengan L (f ) = å Lt (f ) , t

dan misal Lt adalah fungsi log likelihood untuk observasi ke-t adalah L t (f ) = log f (( - b ¢) X t + d ( - h t ), h t2 ) æ = log ç 2p h t2 ç è

(

=-

)

-1

2

æ 1 (rt + b ¢X t + d h t )2 exp çç h t2 è 2

öö ÷÷ ÷÷ øø

2 1 1 (rt + b ¢X t = d h t ) log( 2p ) - log h t 2 2 h t2

(4.4)

1 1 e t2 = - log( 2p ) - log h t 2 2 h t2

dengan menghilangkan bentuk konstan dari persamaan (4.4) karena dianggap tidak berpengaruh maka persamaan (4.4) dapat ditulis sebagai berikut

1 e t2 Lt (f ) = - log ht 2 ht2 1 (rt + b ¢X t + dht ) = - log ht . 2 ht2 2

commit to user

(4.5)


digilib.uns.ac.id

) ) ) ) ) Untuk mengetahui estimasi parameter f = (a , b , g , d ) terlebih dahulu persamaan

(4.5) diturunkan terhadap masing-masing parameter. a.

) Persamaan (4.5) diturunkan terhadap parameter b ¢

¶Lt (ht ) ¶Lt (ht ) ¶ht ¶Lt (b¢) ) = )+ ) ¶ht ¶b¢ ¶b¢ ¶b¢

( )

æ 1 1æ 2(rt + b¢Xt +dht )(d) ht2 -(rt + b¢Xt +dht )2 (2ht ) öö ¶ht (rt + b¢Xt +dht )( Xt ) ÷÷ ) =ç- - ç 4 ÷÷ ¶b¢ ç ht 2ç ht ht2 è øø è æ 1 1 æ 2h (r + b¢Xt +dht )(dht -(rt + b¢Xt +dht )) öö ¶ht (rt + b¢Xt +dht )( Xt ) ÷÷ ) =ç- - çç t t 4 ÷÷ ¶b¢ ç h 2 h ht2 t øø è t è

æ 1 æ e (dh _ e ) ö ö ¶h e ( X ) = çç - - çç t t3 t ÷÷ ÷÷ )t - t 2 t ht ht ø ø ¶b ¢ è ht è 1 ¶ht æ - e t (dht - e t ) ö e t ( X t ) = ) ç - 1÷÷ ht ¶b ¢ çè ht2 ht2 ø ö e (X ) 1 ¶ht æ - e t dht + e t2 ) çç - 1÷÷ - t 2 t 2 ht ¶b ¢ è ht ht ø ¶Lt (ht ) 1 ¶ (ht2 ) æ - e t dht + e t2 ö e t ( X t ) ) = 2 ) ç - 1÷÷ 2ht ¶b ¢ çè ht2 ht2 ¶b ¢ ø =

=

1 ¶ (ht2 ) æ - e t dht + e t2 - ht2 ö e t ( X t ) ÷÷ ) ç 2 ¶b ¢ çè ht4 ht2 ø

commit to user


b.

digilib.uns.ac.id

) Persamaan (4.5) diturunkan terhadap parameter d

¶Lt (ht ) ¶Lt (ht ) ¶ht ¶Lt (d) ) = )+ ) ¶ht ¶d ¶d ¶d

( )

æ 1 1 æ 2(rt + b¢Xt +dht )(d ) ht2 - (rt + b¢Xt +dht )2 (2ht ) öö ¶ht (rt + b¢Xt +dht ) ÷÷ ) = ç- - ç 4 ÷÷ ¶d ç ht 2 ç ht ht è øø è æ 1 1 æ 2h (r + b¢Xt +dht )(dht - (rt + b¢Xt +dht )) öö ¶ht (rt + b¢Xt +dht ) ÷÷ ) = ç- - çç t t 4 ÷÷ ¶d ç h 2 h ht t t è øø è æ 1 æ e (dh -e ) öö ¶h e = ç- - çç t t 3 t ÷÷÷ )t - t ç h ÷ ht øø ¶d ht è t è =

1 ¶ht æ -et (dht -et ) ö et -1÷÷ )ç ht ¶d çè ht2 ø ht

1 ¶ht æ -etdht + et2 ö et = -1÷÷ )ç ht ¶d çè ht2 ø ht ¶Lt (ht ) 1 ¶(ht2 ) æ -etdht + et2 ö et ç -1÷÷ ) = 2 2ht ¶dˆ çè ht2 ¶d ø ht 2 2 2 1 ¶(ht ) æ -etdht + et - ht ö et ç ÷= ) ÷ h 2 ¶d çè ht4 ø t

commit to user


c.

Persamaan

digilib.uns.ac.id

(4.5)

diturunkan

¶ L t ( h t ) ¶ L t ( ht ) ¶ ht ¶ Lt (a ¢) ) = ) + ) ¶a ¢ ¶ ht ¶ a ¢ ¶a ¢

terhadap

parameter

( )

) a¢

æ 1 1 æ 2 (rt + b ¢X t + d ht )(d ) ht2 - (rt + b ¢X t + d ht )2 (2 ht ) ö ö ¶ ht ÷÷ ) = ç- ç 4 ÷ ÷ ¶a ¢ ç ht 2 ç h t è øø è æ 1 1 æ 2 ht (rt + b ¢X t + d ht )(d ht - (rt + b ¢X t + d ht )) ö ö ¶ ht ÷÷ ÷ ) = çç - çç 4 ÷ h 2 h t t è ø ø ¶a ¢ è æ 1 æ e t (d h t - e t ) ö ö ¶ h t ÷÷ ÷ ) = çç - çç 3 ÷ h h t t è ø ø ¶a ¢ è ö 1 ¶ h t æ - e t (d h t - e t ) = - 1 ÷÷ ) çç 2 ht ¶ a ¢ è ht ø ö 1 ¶ h t æ - e t d h t + e t2 - 1 ÷÷ ) çç 2 ht ¶ a ¢ è ht ø 2 ö ¶ L t ( ht ) 1 ¶ ( h t ) æ - e t d h t + e t2 = - 1 ÷÷ ) ) çç 2 2 ¶a ¢ 2 ht ¶ a ¢ è ht ø 1 ¶ ( h t2 ) æ - e t d h t + e t2 - h t2 ö ÷÷ = ) ç 2 ¶ a ¢ çè h t4 ø =

d.

) Persamaan (4.5) diturunkan terhadap parameter g ¢

¶Lt (ht ) ¶Lt (ht ) ¶ht ¶Lt (g ¢) ) = ) + ) ¶g ¢ ¶g ¢ ¶ht ¶g ¢

( )

æ 1 1 æ 2(r + b ¢X t + dht )(d ) ht2 - (rt + b ¢X t + dht )2 (2ht ) ö ö ¶ht ÷÷ ) = ç - - çç t 4 ÷ ÷ ¶g ¢ ç ht 2 h t è øø è æ 1 1 æ 2h (r + b ¢X t + dht )(dht - (rt + b ¢X t + dht )) ö ö ¶ht ÷÷ ÷ ) = çç - - çç t t 4 ÷ h 2 h t è ø ø ¶g ¢ è t æ 1 æ e (dh - e ) ö ö ¶h = çç - - çç t t 3 t ÷÷ ÷÷ )t ht ø ø ¶g ¢ è ht è =

1 ¶ht æ - e t (dht - e t ) ö - 1÷÷ )ç ht ¶g ¢ çè ht2 ø

commit to user


digilib.uns.ac.id

1 ¶ht æ - e t dht + e t2 ö - 1÷÷ ) ç ht ¶g ¢ çè ht2 ø 2 2 ö ¶Lt (ht ) 1 ¶ (ht ) æ - e t dht + e t - 1÷÷ ) = 2 ) çç 2 ¶g ¢ 2ht ¶g ¢ è ht ø =

=

1 ¶ (ht2 ) æ - e t dht + e t2 - ht2 ö ÷÷ ) ç 2 ¶g ¢ çè ht4 ø

Dari langkah-langkah penurunan masing-masing ketika d

= 0 diperoleh

¶ Lt ( ht ) ¶ L t ( ht ) ¶ ht ¶ L t (f ) ) ) + ) = ¶ ht ¶f ¶f ¶f æ ç ç ç ç ¶ Lt ( ht ) ç ) = ç ¶f ç ç ç ç è æ ç ç ç ç ç = ç ç ç ç ç ç ç è

¶ Lt ( ht ) ) ¶a ¢ ¶ Lt ( ht ) ) ¶b ¢

ö ÷ ÷ æ 0 ç ÷ çetX ÷ 2 ÷ ¶ h)t - ç h t2 ç ¶ Lt ( ht ) ÷ ¶ f ) ç 0 ÷ ¶g ¢ ÷ ç 0 è ¶ Lt ( ht ) ÷ ) ÷ ¶d ø

t

ö ÷ ÷ ÷ ÷ ÷ ÷ ø

1 ¶ ( h t2 ) æ - e t d h t + e t2 - h t2 ö ö÷ ÷÷ ) ç 2 ¶ a ¢ çè h t4 ø÷ ÷ æ 0 1 ¶ ( h t2 ) æ - e t d h t + e t2 - h t2 ö ÷ ç ÷÷ ) çç 4 ç etX ÷ 2 2 ¶b ¢ è ht ø ÷ ¶ ht ) - ç h t2 2 2 2 ç ÷ ¶ f 1 ¶ ( ht ) æ - e td ht + e t - ht ö ÷ ç 0 ÷ ) çç ÷ 2 ¶g ¢ è h t4 ç 0 ø÷ è ÷ 2 2 2 1 ¶ ( ht ) æ - e td ht + e t - ht ö ÷ ÷÷ ) ç ÷ 2 ¶ d çè h t4 øø

Persamaan (4.6) dapat dituliskan sebagai ¶Lt ( ht ) ¶Lt ( ht ) ¶ht ¶Lt ( bˆ ¢) ) = )+ ) ¶ht ¶f ¶f ¶f

commit to user

t

ö ÷ ÷ ÷ ÷ ÷ ÷ ø

(4.6)


digilib.uns.ac.id

dengan ¶ L t ( b ¢) ¶ L t ( b ¢) ¶ b ¢ ) = ) ) ¶f ¶b ¢ ¶f et ¶ L ( b ¢) ¶ b ¢ Xt = t ) ) 2 ht ¶b ¢ ¶f .

Sehingga diperoleh

¶b ¢ ) = Xt . ¶f Dengan demikian maksimum Likelihood dari parameter f adalah ¶Lt ( ht ) 1 æ e t2 - ht2 - ht de t ) = å çç 2 t è ht4 ¶f

ö ¶ ( ht2 ) æe ÷÷ ) - å çç 2t t è ht ø ¶f

öæ ¶b ' ö ÷÷çç ) ÷÷ . øè ¶f ø

(4.7)

) Dari persamaan (4.7) estimasi parameter f dapat dituliskan dalam suatu matriks

S dengan ukuran T ´ m

[S ]ti = ¶Lt ()ht ) ¶fi

dan

¶L ) = S i¢ ¶f dengan i adalah unit vektor T ´ 1 sehingga order pertama yang sederhana adalah

S i¢ = 0 . Matriks Hessian adalah matriks turunan kedua dari log likelihoods, Lt (f ) . Dengan asumsi bahwa fungsi likelihood dituliskan sebagai commit to user


digilib.uns.ac.id

æ ¶ 2 L (f ) ö æ ¶L (f ) ¶Lt (f ) ö Ãt = Eçç t ) ) ÷÷ = -Eçç ) t ) ÷÷ ¶f ¢ ø è ¶f è ¶f ¶f ¢ ø

dengan Ãt adalah matriks informasi dari observasi ke t. Maksud informasi dari sampel Ã adalah rata-rata informasi dari masing-masing observasi yakni

æ S ¢S ö Ã = Eç ÷. è T ø 4.3. Contoh Penerapan 4.3.1 Deskripsi Data Data harga saham PT TELKOM mingguan tanggal 25 Februari 2008 sampai dengan tanggal 12 April 2010 diakses tanggal 12 April 2010 (http://finance.yahoo.com/q/pr?s=TLK). Gambar 4.1 memperlihatkan harga saham PT TELKOM tidak stasioner dalam rata-rata maupun variansinya.

Gambar 4.1. Plot Harga Saham TELKOM Selain mengamati dari Gambar 4.1, data tidak stasioner dapat diuji dengan menggunakan uji akar unit dengan hipotesis H0 : f = 1 (data mempunyai akar unit / tidak stasioner) H1 : f < 1 (data tidak mempunyai akar unit / stasioner) Dengan menghitung nilai dari f diperoleh f = 1 yang berarti data tidak stasioner. Diperoleh pula dari software Eviews 4.1 bahwa nilai probabilitas Augmented commit to user Dickey-Fuller adalah 0,22. Nilai probabilitas tersebut lebih besar dari nilai


digilib.uns.ac.id

signifikansi a = 0,05 . Sehingga H0 tidak ditolak yang berarti data mempunyai akar unit atau dengan kata lain data tidak stasioner. 4.3.2 Log Return dan Fluktuasi Harga Berdasarkan plot data diatas terlihat bahwa data tidak stasioner, sehingga dilakukan transformasi untuk mempermudah analisis data sekaligus data menjadi stasioner. Transformasi dengan menggunakan log return. Gambar 4.2 merupakan plot log return data harga saham TELKOM yang telah stasioner dalam rata-rata tetapi variansi tidak konstan. Dengan menghitung nilai f mempunyai nilai 0,00 dapat disimpulkan bahwa data sudah stasioner.

Gambar 4.2. Plot Log Return Harga Saham TELKOM 4.3.3 Pembentukan Model Stasioner Pembentukan model stasioner langkah pertama adalah mengidentifikasi model. Setelah data stasioner dalam rata-rata, model dapat diidentifikasi dengan melihat fungsi autokorelasi (ACF) dan fungsi autokorelasi parsial (PACF) dari data log return.

commit to user


digilib.uns.ac.id

Gambar 4.3. Plot ACF Log return Harga Saham TELKOM

Gambar 4.4. Plot PACF Log return Harga Saham TELKOM

Berdasarkan dari Gambar 4.3 dan Gambar 4.4 terdapat kemungkinankemungkinan model rata-rata bersyarat yaitu AR(1), MA(1) dan ARMA(1,1). Selanjutnya melakukan estimasi parameter

model AR(1), MA(1) dan

ARMA(1,1). Hasil pengujian ketiga model diberikan pada Tabel 4.1. Hasil commit to user estimasi parameter MA(1) dan ARMA(1,1) mempunyai nilai probabilitas yang


digilib.uns.ac.id

lebih besar dari a = 0,05 . Berarti kedua model tersebut tidak sesuai untuk memodelkan data log return.Hasil estimasi parameter model AR(1) menunjukkan nilai fˆ signifikan berbeda dengan nol. Nilai probabilitas eror AR(1) adalah 0,0339 lebih kecil dari a = 0,05 . Berarti model AR(1) sesuai untuk memodelkan data log return. Model AR yang sesuai untuk memodelkan data log return adalah AR(1) rt = -0,201522 rt -1 + e t

dengan rt adalah log return pada waktu ke-t dan e t adalah eror model pada waktu ke-t. Tabel 4.1 Hasil Estimasi Model AR(1) pada Data Log Return Model

Variabel Koefisien

Standar

t- statistik

Probabilitas

Deviasi

Eror

AR(1)

fˆ

-0,201522

0,093805

-2,148312

0,0339

MA(1)

qˆ

-0,165154

0,094037

-1,756260

0,0818

ARMA(1,1)

ˆ ˆ (f ,q )

0,024615

0,430392

0,057192

0,9545

-0,239864

0,418154

-0,573527

0,5674

Setelah melakukan estimasi parameter model AR(1), kemudian melakukan uji diagnostik eror model AR(1). Dengan menggunakan uji Breusch-Godfrey untuk mengetahui apakah eror model rata-rata bersyarat terdapat autokorelasi atau tidak hipotesisnya adalah H0 : tidak terdapat autokorelasi di dalam eror model rata-rata bersyarat H1 : terdapat autokorelasi di dalam eror model rata-rata bersyarat. commit to user


digilib.uns.ac.id

Uji Breusch-Godfrey Eror Model AR(1) dari lag-1 sampai lag-10 diberikan pada Tabel 4.2. Tabel 4.2 Uji Breusch-Godfrey Eror Model AR(1) Koefisien

Probabilitas

AR(1)

AR(1)

Uji BreuschGodfrey

,

0,262713 5,582409

0,2124

-5,645737

0,2071

1,053203

0,2455

-0,113227

0,5831

0,137642

0,1896

0,179661

0,0712

0,002965

0,9760

-0,171994

0,0819

-0,138479

0,1653

-0,079355

0,4287

-0,083884

0,4049

Dari Tabel 4.2 dapat disimpulkan bahwa untuk lag-1 sampai lag-10 menunjukkan nilai probabilitas eror AR(1) lebih besar dari nilai a = 0,05 . Berarti tidak terdapat autokorelasi di dalam model AR(1). Selain itu nilai probabilitas eror AR(1) dalam uji Breusch-Godfrey adalah 0,262713 lebih besar dari a = 0,05 . Sehingga H0 tidak ditolak yang berarti juga tidak terdapat autokorelasi di dalam eror model rata-rata bersyarat. Oleh karena itu model AR(1) cukup baik digunakan dalam pemodelan mean data log return saham TELKOM. commit to user


digilib.uns.ac.id

Langkah selanjutnya dalam pengujian diagnostik model adalah uji u normalitas eror dari model AR(1) diberikan pada Gambar 4. 4.5. Berarti eror model AR(1) berdistribusi normal. Sehingga dapat disimpulkan model AR(1) adalah model yang sesuai untuk data log return saham TELKOM.

Gambar mbar 4.5 Histogram Distribusi Normal Eror AR(1) 4.3.4 Uji Heteroskedastisitas Sebelum melakukan estimasi model ARCH ARCH-M, M, terlebih dahulu memeriksa efek ARCH (efek heteroskedastisitas) dalam model AR(1). Menguji efek heteroskedastisitas dapat dilakukan dengan menggunakan uji ARCH LM (Lagrange Multiplier) pada Tabel 4.3 sebagai berikut : Tabel 4. 4.3 Uji ARCH LM Model AR(1)

Uji hipotesis dari ARCH LM adalah H0 : α1 = α2 = … = αq (tidak ada efek ARCH sampai lag lag-q) H1 : paling sedikit terdapat satu αk ≠0, k = 1,2, …, q.( .( terdapat efek ARCH) Pada Tabel 4.3 terlihat bahwa nilai probabilitas statistik F adalah 0,032071 lebih kecil dari a = 0,05 . Berarti erarti H0 ditolak jaditoeror commit userAR(1) terdapat efek ARCH.


digilib.uns.ac.id

4.3.5 Pembentukan Model Heteroskedastisitas Sebelum pembentukan model ARCH-M, terlebih dahulu diestimasi menggunakan model ARCH. Kemudian menggunakan model ARCH-M. Dari Tabel 4.4, parameter model ARCH(1) tidak signifikan terhadap nol dengan nilai P-value adalah 0,0858 yang lebih besar a = 0,05 . Sehingga model ARCH(1) tidak cukup baik digunakan. Disisi lain, model ARCH(1)-M signifikan berbeda nol, karena nilai P-value adalah 0,0157 yang lebih kecil a = 0,05 . Sehingga model ARCH(1)-M yang sesuai dengan data harga saham PT TELKOM. Model tersebut adalah ht2 = 0,000230 + 0,521073e t2-1

rt = -0,022111+1,130838 ht + e t dengan ht adalah conditional volatility, e t adalah eror dan rt adalah return. Intepretasi dari model ARCH(1)-M adalah jika dengan bertambahnya conditional variance (ht) maka return yang diharapkan akan bertambah sebanyak 1,130838 satuan. Tabel 4.4 Hasil Estimasi Model ARCH(1) dan Model ARCH(1)-M ARCH(1) j

ARCH(1)-M 1,130838

P-value

0,0157

a

0.000291

0,000230

P-value

0,00000

0,00000

g

0,345157

0,521073

P-value

0,0858

0,0223

b

-0,022111

P-value

0,0113

MSE

commit to user 0,020988

0,021405


digilib.uns.ac.id

Untuk menguji model yang terbentuk cukup baik menggunakan uji ARCH LM yang diperoleh pada Tabel 4.5. Diperoleh nilai probabilitas statistik F adalah 0,916811 lebih besar dari a = 0,05 . Berarti H0 tidak ditolak jadi eror ARCH(1)M tidak terdapat efek ARCH dalam eror. Tabel 4.5 Uji ARCH LM Model ARCH(1)-M

Langkah selanjutnya adalah mengetahui ada tidaknya autokorelasi dalam model dengan korelogram eror kuadrat yang distandarisasi. Dari Tabel 4.6 bahwa plot ACF dan PACF, semua grafik tidak melewati garis Bartlett. Selain itu nilai probabilitas lebih besar dari a = 0,05 , sehingga dapat disimpulkan tidak ada korelasi serial dalam model. Tabel 4.6 Korelogram Eror Kuadrat yang Distandarisasi

commit to user


digilib.uns.ac.id

Selanjutnya menguji kenormalan eror model ARCH(1)-M. Gambar 4.6 terlihat bahwa eror model ARCH(1)-M mengikuti kurva normal. Sehingga dapat disimpulkan model ARCH(1)-M cukup baik digunakan untuk memodelkan data log return harga saham TELKOM.

Gambar 4.6 Histogram Distribusi Normal Eror Model ARCH(1)-M 4.3.6 Peramalan Dari pemeriksaan model diagnostik diperoleh model yang cocok adalah model ARCH(1)-M tanpa menggunakan model rata-rata bersyarat. Untuk mengetahui model tersebut yang lebih cocok maka akan dilakukan peramalan. Model yang baik adalah model yang nilai peramalannya mendekati nilai data sebenarnya. Hasil ramalan dapat disajikan pada Tabel 4.7. Karena log return bukan data yang sebenarnya, maka bentuk log return diubah dalam bentuk semula yakni hasil ramalan dalam bentuk harga. Log return dirumuskan sebagai log rt = log(

Pt ) Pt -1

log rt = log Pt - log Pt -1

dengan Pt adalah data harga saham TELKOM periode t, Pt-1 adalah data harga saham TELKOM periode t-1. Persamaan untuk data harga saham pada periode t adalah Pt = Pt -1 ´ 10 log rt commit to user


digilib.uns.ac.id

Persamaan tersebut untuk mencari nilai harga saham TELKOM berdasarkan nilai ramalan dari log return. Hasil ramalan pada bulan April sampai Mei tahun 2010. Tabel 4.7 Hasil Peramalan Harga Saham TELKOM Bulan April sampai Mei 2010 BULAN APRIL

MEI

DATA ASLI

RETURN

RAMALAN

8.150,00

0,00267221847927

8.200,00

8.100,00

0,00267221847927

8.150,00

8.000,00

0,00267221847927

8.049,00

8.050,00

0,00267221847927

8.100,00

7.850,00

0,00267221847927

7.898,00

7.600,00

0,00267221847927

7.647,00

7.650,00

0,00267221847927

7.697,00

Dari Tabel 4.7 terlihat bahwa data asli dan data peramalan terpaut kurang lebih Rp 50,00. Nilai MSE untuk peramalan tersebut sebesar Rp 2.387,00.

commit to user


digilib.uns.ac.id

BAB V PENUTUP 5.1 Kesimpulan Kesimpulan yang dapat diambil dari pembahasan adalah sebagai berikut. 1.

Model yang sesuai untuk memodelkan data harga saham PT TELKOM mingguan tanggal 25 Februari 2008 sampai 12 April 2010 adalah model ARCH(1)-M . Model ARCH(1)-M adalah ht2 = 0,000230 + 0,521073e t2-1

rt = -0,022111+1,130838 ht2 + e t 2.

Nilai peramalan harga saham PT TELKOM bulan April sampai Mei 2010 mempunyai nilai MSE sebesar Rp 2.387,00.

5.2 Saran Hasil peramalan menggunakan model ARCH(1)-M memberikan informasi bagi investor. Akan tetapi, dari hasil peramalan masih mempunyai selisih nilai yang cukup besar terhadap nilai asli. Oleh karena itu, bagi pembaca yang tertarik untuk mengembangkan penelitian ini dapat menggunakan model lainnya yang lebih cocok untuk memodelkan data finansial, misalnya GARCH-M.

commit to user

PREDIKSI HARGA SAHAM TELKOM DENGAN ARCH-M

Recommend Documents