Anda di halaman 1dari 22

Analisis Time Series terhadap Saham BNI

Oleh :
Arlisa Jati Wulandari1 1307100051 icha_dangerzone@yahoo.com
Mariza Selvia Dewi 2 1307100053 marmuth53@yahoo.com
Novia Assriyanti3 1307100074 nowfeecute@yahoo.com
1,2,3
Mahasiswa Jurusan Statistika FMIPA ITS

ABSTRAK
Analisis time series adalah salah satu analisis statistika yang digunakan
untuk menganalisis data yang berkala berdasarkan urutan waktu. Salah satu
metode dalam analisis time series adalah ARIMA (Box-Jenkins). Banyak
kejadian sehari-hari yang datanya dapat dihimpun berdasarkan waktu, salah
satunya adalah data saham sebuah perusahaan. Misalnya pelepasan saham
Greenshoe oleh Bank Negara Indonesia (BNI) yang dananya akan digunakan
untuk menutup target setoran privatisasi BUMN 2009. Dalam pelepasan tersebut
terjadi perubahan harga saham yang cukup signifikan pada saham BNI. Oleh
karena itu, untuk mengetahui harga saham selanjutnya di BNI maka digunakan
analisis time series. Hal ini mungkin akan berguna bagi calon investor yang akan
membeli saham di BNI. Data yang digunakan terdiri dari dua bagian yaitu data
dari periode Desember 2003 hingga Oktober 2010 serta data dari periode Maret
2006 hingga Juni 2010. Untuk mendapatkan model ARIMA yang sesuai harus
diuji dalam beberapa pengujian. Metode pemodelan yang digunakan adalah
metode correlogram, metode MINIC, SCAN dan ESACF. Model terbaik yang
didapatan dari hasil beberapa metode tersebut adalah ARIMA (0,1,1) dimana
model tersebut telah memenuhi seluruh pengujian baik untuk data pertama
maupun data kedua. Sehingga model ARIMA (0,1,1) dapat digunakan untuk
meramalkan harga saham periode selanjutnya.
Kata Kunci: Analisis time series, saham BNI, ARIMA, MINIC, SCAN, ESACF

1. Pendahuluan
Analisis time series adalah salah satu analisis statistika yang digunakan untuk menganalisis
data yang berkala berdasarkan urutan waktu. Data yang akan dianalisis dengan menggunakan
analisis time series harus sudah stasioner. Kestasioneran data dapat dibedakan menjadi dua yaitu
stasioner dalam varians dan mean. Salah satu metode dalam analisis time series adalah ARIMA
(Box-Jenkins). Terdapat beberapa langkah dalam menggunakan metode tersebut hingga didapatkan
model untuk meramalkan kejadian berikutnya. Banyak kejadian sehari-hari yang datanya dapat
dihimpun berdasarkan waktu, salah satunya adalah data saham sebuah perusahaan.
Sebelum investor mengambil keputusan investasi di pasar modal, diperlukan informasi yang
cukup relevan mengenai saham yang ingin dibeli. Informasi yang diperlukan itu misalnya berapa
besar return atau resiko atas saham yang akan dibeli. Semakin banyak orang yang ingin membeli
saham maka harga saham akan cenderung naik. Demikian pula sebaliknya, semakin banyak orang
ingin menjual saham maka harga saham akan cenderung bergerak turun.
Harga saham di pasar modal juga tidak bisa lepas dari berbagai pengaruh lingkungan terutama
lingkungan ekonomi dan politik. Pengaruh lingkungan ekonomi misalnya terjadinya peristiwa-
peristiwa ekonomi yang berhubungan dengan perusahaan, misalnya pelepasan saham Greenshoe
oleh Bank Negara Indonesia (BNI) yang dananya akan digunakan untuk menutup target setoran
privatisasi BUMN 2009. Sehingga terjadi perubahan harga saham yang cukup signifikan pada
saham BNI. Oleh karena itu, untuk mengetahui harga saham berikutnya di BNI setelah adanya
pelepasan saham Greenshoe maka digunakan analisis time series. Hal ini mungkin akan berguna
bagi calon investor yang akan membeli saham di BNI.

2. Landasan Teori
Dalam pembuatan makalah ini dibutuhkan teori-teori yang menjadi dasar dalam menganalisis
permasalahan yang akan dibahas. Berikut teori-teori yang digunakan dalam pembahasan.

1
Kestasioneran Data
Syarat data dapat diolah dengan menggunakan metode peramalan adalah stasioneritas baik
dalam mean maupun varians. Berikut ini adalah syarat kestasioneran data.
a. Stasioner dalam varians (memiliki varians yang konstan)
var (Zt) = var (Zt+k) (1)
b. Stasioner dalam mean (memiliki rata-rata yang konstan)
E (Zt) = E (Zt+k) (2)
c. Stasioner orde I (jika fungsi distribusinya konstan)
F (Zt) = F (Zt+k) (3)
d. Stasioner orde II (jika memenuhi sifat orde satu dan fungsi distribusi
bersamanya konstan)
F (Zt1, Zt2) = F (Zt1+k, Zt2+k) (4)
e. Stasioner Kuat (Strongly Stationer)
F (Zt1, Zt2, ... , Ztm) = F (Zt1+k, Zt2+k, ... , Ztm+k) (5)
Suatu data disebut stasioner kuat jika persamaan (5) berlaku untuk sembarang nilai k dan m. Jika
persamaan (5) hanya berlaku untuk nilai k dan m tertentu maka deret waktunya disebut stasioner
lemah (Wei, 2006).

Kestasioneran dalam Varians


Suatu data dikatakan stasioner dalam varians jika varians dari data tidak dipengaruhi oleh deret
waktu. Data yang tidak stasioner dalam varians maka perlu dilakukan transformasi supaya varians
yang awalnya tidak konstan menjadi lebih konstan. Transformasi yang sering digunakan adalah
transformasi Box-Cox yang dirumuskan sebagai berikut (Wei, 2006).
λ
Z t −1
T(Zt) = (6)
λ
Bentuk transformasi yang dihasilkan dari persamaan (6) akan berbeda-beda bergantung pada nilai λ
yang digunakan. Tabel 1 menunjukkan besarnya nilai λ yang biasa digunakan dan bentuk
transformasinya.
Tabel 1. Transformasi Box-Cox
λ Transformasi
-1.0 1/Zt
-0.5 1/ Z t
0.0 Ln Zt
0.5 Zt
1.0 Zt (tidak ditransformasi)

Kestasioneran dalam Mean


Data dikatakan tidak stasioner dalam mean jika nilai meannya dipengaruhi oleh deret waktu.
Data dikatakan stasioner dalam mean bila berfruktuasi disekitar garis sejajar dengan sumbu waktu
(t) atau disekitar suatu nilai mean yang konstan. Data yang tidak stasioner dalam mean perlu
dilakukan proses pembedaan (differencing). Operator shift mundur sangat tepat untuk
menggambarkan proses pembedaan (differencing) (Makridarkis dan Gee,1999).
Differencing pertama:
X’t = Xt – Xt-1 (7)
Differencing orde kedua:
X”t = X’t – X’t-1
= (Xt – Xt-1) – (Xt-1 – Xt-2)
= Xt – 2Xt-1 + Xt-2
= (1-2B+B2) Xt
= (1-B)2 Xt (8)
Secara umum proses pembedaan orde ke-d dapat ditulis :
(1-B)d Xt (9)

2
Sample Autocovariance Function
Estimasi natural untuk rata-rata µ̂ = E ( Z t ) dari proses yang stasioner tidak lain merupakan
rata-rata sampel yang dirumuskan dalam persamaan (10).
1 n
Z= ∑Zt
n i =1
(10)

Estimasi autokovarians yang disusun berdasarkan rata-rata waktu yaitu sebagai berikut.

γˆ k =
1 n −k
( )(
∑ Z t − Z Z t +k − Z
n t =1
) (11)

Sample Autocorrelation Function (ACF)


Nilai ACF suatu sampel yang berasal dari observasi time series Z1,Z2,…,Zn didefinisikan
sebagai berikut (Wei, 2006).
∑t =1 (Z t −Z) (Z t +k −Z)
n −k
γ̂
ρ̂ k = k = , k = 0, 1, 2, ... (12)
∑t =1 (Z t −Z) 2
n
γ̂ 0
Suatu proses stasioner dapat diketahui dari fungsi autokovarians γ k dan fungsi autokorelasi ρ k,
yaitu (Wei, 2006).
1. γ 0 = Var (Zt) ; ρ 0 = 1
2. | γk| ≤ γ0 ; | ρk| ≤ 1
3. γk = γ-k dan ρk = ρ-k, untuk semua k.

Sample Partial Autocorrelation Function (PACF)


Perhitungan nilai PACF dimulai dari menghitung φ̂11 =ρ̂1 , sedangkan untuk menghitung
φ̂ kk dengan menggunakan perumusan sebagai berikut (Wei, 2006).
ρ̂ k +1 −∑j =1 φ
ˆ ρ̂
k
kj k +1−j
ˆ
φk +1, k +1 = (13)
1 −∑j =1 φ
ˆ ρ̂
k
kj j

φ
ˆ
k+1, j =φ
ˆ −
kj φ
ˆ
k+1, k+1 φ
ˆ
k, k +1−j , j = 1, ... , k (14)

Model Box-Jenkins
Model Box-Jenkins merupakan salah satu teknik peramalan model time series yang hanya
berdasarkan perilaku data variabel yang diamati (let the data speak for themselves). Model Box-
Jenkins ini secara teknis dikenal sebagai model autoregressive integrated moving average
(ARIMA). Metodologi ARIMA Box-Jenkins merupakan suatu pendekatan pembentukan model
yang sangat kuat untuk analisis deret berkala (Makridarkis dan Gee,1999).

Model Stasioner
Suatu data yang stasioner baik dalam mean maupun varians merupakan hal penting yang harus
terpenuhi untuk dapat membuat model peramalan. Model time series yang stasioner terdiri dari
model Autoregressive (AR), Moving Average (MA) serta Autoregressive Moving Average (ARMA)
(Wei, 2006).

Model Autoregressive (AR(p))


Model Autoregressive (AR) menunjukkan nilai prediksi variabel dependen Zt hanya
merupakan fungsi linier dari sejumlah Zt aktual sebelumnya. Sebagai contoh, nilai variabel
dependen Zt hanya dipengaruhi oleh nilai variabel tersebut satu periode sebelumnya maka model
tersebut disebut dengan model autoregresif tingkat pertama atau disingkat AR(1) (Makridarkis dan
Gee,1999). Bentuk umum persamaan model autoregresif ordo p atau AR(p) dapat dinyatakan
dalam persamaan sebagai berikut (Wei, 2006).

3
Ẑ t =φ1 Ẑ t −1 +... +φp Ẑ t −p +a t (15)
dimana :
Ẑ t = variabel dependen pada saat t
Ẑ t −1 , ..., Ẑ t −p = lag ke-(t-1), ..., lag ke-(t-p) dari Z
at
= residual pada saat t
p = tingkat AR (orde dari AR)

Model Moving Average (MA(q))


Model Moving Average (MA) menunjukkan bahwa nilai prediksi variabel dependen Zt hanya
dipengaruhi oleh nilai residual pada periode sebelumnya. Sebagai contoh, nilai variabel dependen
Zt hanya dipengaruhi oleh nilai residual pada satu periode sebelumnya maka disebut dengan model
MA tingkat pertama atau disingkat dengan model MA(1). Bentuk umum persamaan model MA(q)
dapat ditulis sebagai berikut (Wei, 2006).
Ẑ t =a t −θ1a t −1 −... −θ q a t −q (16)
dimana :
at = residual pada saat t
a t −1 ,..., a t −q = lag ke-(t-1), ..., lag ke-(t-q) dari residual
q = tingkat MA (orde MA)

Model Autoregressive Moving Average (ARMA(p,q))


Seringkali perilaku data time series dapat dijelaskan dengan baik melalui penggabungan antara
model AR dan model MA. Model gabungan ini disebut Autoregressive Moving Average (ARMA).
Misalnya nilai variabel dependen Zt dipengaruhi oleh nilai variabel tersebut satu periode
sebelumnya dan nilai residual pada satu periode sebelumnya maka modelnya disebut dengan model
ARMA(1,1). Model ARMA(1,1) dapat ditulis dalam bentuk persamaan sebagai berikut (Wei,
2006).
(1 −φ1B) Ẑ t =θ 0 + (1 −θ1B) a t (17)
Ẑ t =φ1 Ẑ t −1 +θ 0 +a t −θ1 a t −1 (18)
Secara umum model ARMA(p,q) dapat ditulis dalam bentuk (Wei, 2006).
Ẑ t =φ1 Ẑ t −1 +... +φp Ẑ t −p +θ 0 +a t −θ1 a t −1 −... −θ q a t −q (19)

Model Autoregressive Integrated Moving Average (ARIMA(p,d,q))


Model dalam peramalan menghendaki datanya stasioner baik dalam mean maupun varians.
Jika data belum stasioner dalam varians maka dilakukan transformasi. Transformasi yang
digunakan adalah Box-Cox. Namun bila data belum stasioner dalam mean maka dilakukan proses
differencing. Proses differencing merupakan suatu proses mencari perbedaan antara data satu
periode dengan periode yang lainnya secara berurutan. Secara umum bentuk ARIMA(p,d,q) adalah
sebagai berikut (Wei, 2006).
φ( B) (1 − B) d Ẑ t = θ 0 + θ( B) a t (20)
dimana :
φ(B) =1 −φ1 B −... −φp B p
θ(B ) =1 −θ1B −... −θ q Bq

Identifikasi Model
Penentuan orde dari model MA (q), AR (p), ARMA (p,q) dan ARIMA (p,d,q) adalah (Wei,
2006).

4
Tabel 2. Pola ACF dan PACF
Model Pola ACF Pola PACF
AR (p) Menurun secara eksponensial Memotong pada lag p
MA (q) Memotong pada lag q Menurun secara eksponensial
Menurun secara eksponensial Menurun secara eksponensial
ARMA (p,q)
setelah lag (q-p) setelah lag (p-q)

Uji Signifikansi Parameter


Model peramalan yang diperoleh akan diuji signifikansi parameter modelnya dengan hipotesis
sebagai berikut.
H0 : φ i = 0, i = 1, ... , p atau θ i = 0, i = 1, ... , q

H1 : minimal terdapat satu nilai φ i ≠ 0, i = 1, ... , p atau minimal terdapat satu nilai θ i ≠ 0, i =
1,...,q
Statistik uji : thit = φ
ˆ / std( φˆ) , thit = θ̂/std( θ̂) (21)
Daerah penolakan : Tolak H0 jika  thit ≥ tα /2, n-a dimana n menunjukkan banyaknya data dan a
menunjukkan banyaknya parameter.

Diagnostic Checking
Setelah parameter dari model signifikan maka perlu dilakukan pengujian terhadap residual
untuk mengetahui ketepatan model tersebut. Pemeriksaan residual terbagi menjadi 2 yaitu
pemeriksaan white noise (Wei, 2006) dan kenormalan residual (Siegel, 1997) serta
homoskedastisitas .

White Noise
Suatu model bersifar white noise artinya residual dari model tersebut telah memenuhi asumsi
identik (variasi residual homogen) serta independen (antar residual tidak berkorelasi). Pengujian
asumsi white noise dilakukan dengan menggunakan uji Ljung-Box. Hipotesis :
H0 : ρ1 = ρ 2 = ... = ρ k = 0
H1 : Minimal ada satu ρ i yang tidak sama dengan nol, i = 1 , 2 , ..., k
K
ρ2k
Statistik uji : Q = n(n+2) ∑ (22)
k =1 n − k

Daerah penolakan : Q > χ 2


α , k-m
dimana :
n : banyaknya residual
k : lag ke-k
m : jumlah parameter

Heteroskedastisitas
Heteroskedastisitas merupakan ketidakhomogenan varians dari residual. Ada tidaknya kasus
heteroskedastisitas dapat diketahui dengan menggunakan uji Langrange Multiplier (LM).
Hipotesis :
H0 : varians residual homogen
H1 : varians residual tidak homogen
Statistik uji : ε ML = TR2
Keterangan :
T : banyaknya residual
R2 : kuadrat koefisien determinasi yang dihitung berdasarkan
model regresi.
R2 diperoleh dari regresi antara residual kuadrat (a2t) dengan residual kuadrat pada lag tertentu (a2t-
2 2 2
k). Misal untuk lag 1 maka R diperoleh dari koefisien determinasi hasil regresi antara a t dengan a t-
1 dan seterusnya.

5
Kenormalan
Asumsi lain yang harus dipenuhi adalah residual berdistribusi normal. Pengujian kenormalan
dapat dihitung dengan menggunakan Kolmogorov-Smirnov (Siegel, 1997). Hipotesis :
H0 : residual berdistibusi normal
H1 : residual tidak berdistribusi normal
Statistik uji : Dhit = maximum  F0(x) – SN (x)
Kemudian nilai Dhit dibandingkan dengan nilai D pada Tabel Kolmogorov-Smirnov dengan derajat
bebas adalah n (Siegel, 1997). Dengan :
F0(X) : fungsi yang dihipotesiskan yaitu berdistribusi normal
SN(X) : fungsi distribusi kumulatif dari data asal
n : banyaknya residual
Daerah penolakan : Tolak H0 jika Dhit > Dα, n

Pemilihan Model Terbaik


Dalam analisis time series terdapat banyak data sehingga akan menghasilkan banyak model
untuk menggambarkannya. Kadang-kadang pemilihan model terbaik memang mudah namun dilain
waktu pemilihan modelnya menjadi lebih sulit. Oleh karena itu dibutuhkan kriteria untuk
menentukan model yang terbaik dan akurat.
Beberapa kriteria pemilihan model terbaik terdiri dari (Wei, 2006).
1. AIC (Akaike’s Information Criterion) dan BIC
Diasumsikan suatu model statistik dengan M parameter sebagai penduga dari data. Penaksiran
kualitas dari model dugaan dapat menggunakan AIC dengan perumusan sebagai berikut :
AIC (M) = n ln σˆ 2 a + 2M (23)
σ̂ 2 a merupakan varians dari residual, n menyatakan banyaknya residual.
2. SBC (Schwartz’s Bayesian Criterion)
Schwartz (1978) di dalam Wei (1994) menggunakan kriteria Bayesian dalam pemilihan model
terbaik yang disebut dengan SBC dengan perumusan sebagai berikut :
SBC (M) = n ln σˆ 2 a + M ln n (24)
Selain itu pemilihan model terbaik dapat menggunakan Mean Absolute Percentage Error
(MAPE) yaitu (Wei, 2006).
n
Yt − Ŷt

t =1 Yt (25)
MAPE = ×100 %
n
n menyatakan banyaknya data yang akan dihitung residualnya.

Pengertian Saham
Surat-surat berharga yang diperdagangkan di pasar modal sering disebut efek atau sekuritas,
salah satunya yaitu saham. Darmadji dan Fakhrudin dalam Palimo (2008), saham dapat
didefinisikan tanda penyertaan atau kepemilikan seseorang atau badan dalam suatu perusahaan atau
perseroan terbatas. Wujud saham adalah selembar kertas yang menerangkan bahwa pemilik kertas
tersebut adalah pemilik perusahaan yang menerbitkan surat berharga tersebut. Porsi kepemilikan
ditentukan oleh seberapa besar penyertaan yang ditanamkan di perusahaan tersebut.
Menurut Darmadji dan Fakhruddin dalam Palimo (2008) ada beberapa sudut pandang untuk
membedakan saham.
1. Ditinjau dari segi kemampuan dalam hak tagih atau klaim:
a. Saham Biasa (common stock)
1) Mewakili klaim kepemilikan pada penghasilan dan aktiva yang dimiliki
perusahaan
2) Pemegang saham biasa memiliki kewajiban yang terbatas. Artinya, jika perusahaan
bangkrut, kerugian maksimum yang ditanggung oleh pemegang saham adalah sebesar
investasi pada saham tersebut.
b. Saham Preferen (Preferred Stock)
6
1) Saham yang memiliki karakteristik gabungan antara obligasi dan saham biasa,
karena bisa menghasilkan pendapatan tetap (seperti bunga obligasi), tetapi juga bisa
tidak mendatangkan hasil, seperti yang dikehendaki investor.
2) Serupa saham biasa karena mewakili kepemilikan ekuitas dan diterbitkan tanpa
tanggal jatuh tempo yang tertulis di atas lembaran saham tersebut; dan membayar
deviden.
3) Persamaannya dengan obligasi adalah adanya klaim atas laba dan aktiva
sebelumnya, devidennya tetap selama masa berlaku dari saham, dan memiliki hak
tebus dan dapat dipertukarkan (convertible) dengan saham biasa.
2. Ditinjau dari cara peralihannya:
a. Saham Atas Unjuk (Bearer Stocks)
1) Pada saham tersebut tidak tertulis nama pemiliknya, agar mudah
dipindahtangankan dari satu investor ke investor lainnya.
2) Secara hukum, siapa yang memegang saham tersebut, maka dialah diakui sebagai
pemiliknya dan berhak untuk ikut hadir dalam RUPS.
b. Saham Atas Nama (Registered Stocks)
Merupakan saham yang ditulis dengan jelas siapa nama pemiliknya, di mana cara
peralihannya harus melalui prosedur tertentu.
3. Ditinjau dari kinerja perdagangan
a. Blue – Chip Stocks
Saham biasa dari suatu perusahaan yang memiliki reputasi tinggi, sebagai leader di
industri sejenis, memiliki pendapatan yang stabil dan konsisten dalam membayar dividen.
b. Income Stocks
1) Saham dari suatu emiten yang memiliki kemampuan membayar dividen lebih
tinggi dari rata – rata dividen yang dibayarkan pada tahun sebelumnya.
2) Emiten seperti ini biasanya mampu menciptakan pendapatan yang lebih tinggi dan
secara teratur membagikan dividen tunai.
3) Emiten ini tidak suka menekan laba dan tidak mementingkan potensi.
c. Growth Stocks
1) (Well – Known)
Saham – saham dari emiten yang memiliki pertumbuhan pendapatan yang tinggi,
sebagai leader di industri sejenis yang mempunyai reputasi tinggi.
2) (Lesser – Known)
i. Saham dari emiten yang tidak sebagai leader dalam industri, namun memiliki ciri
growth stock.
ii. Umumnya saham ini berasal dari daerah dan kurang populer di kalangan emiten.
d. Speculative Stock
Saham suatu perusahaan yang tidak bisa secara konsisten memperoleh penghasilan dari
tahun ke tahun, akan tetapi mempunyai kemungkinan penghasilan yang tinggi di masa
mendatang, meskipun belum pasti.
e. Counter Cyclical Stockss
1) Saham yang tidak terpengaruh oleh kondisi ekonomi makro maupun situasi bisnis
secara umum.
2) Pada saat resesi ekonomi, harga saham ini tetap tinggi, di mana emitennya mampu
memberikan dividen yang tinggi sebagai akibat dari kemampuan emiten dalam
memperoleh penghasilan yang tinggi pada masa resesi.
Dan yang terbaru jenis saham yang diperdagangkan di BEI, yaitu ETF (Exchange Trade
Fund) adalah gabungan reksadana terbuka dengan saham dan pembelian di bursa seperti halnya
saham di pasar modal bukan di Manajer Investasi (MI). ETF dibagi menjadi 2 yaitu.
a) ETF index : Menginvestasikan dana kelolanya dalam sekumpulan portofolio efek yang
terdapat pada satu indeks tertentu dengan proporsi yang sama.
b) Close and ETFs : Fund yang diperdagangkan dibursa efek yang berbentuk perusahaan
investasi tertutup dan dikelola secara aktif.

7
Bank
Secara umum bank adalah suatu badan usaha yang memiliki wewenang dan fungsi untuk untuk
menghimpun dana masyarakat umum untuk disalurkan kepada yang memerlukan dana tersebut.
Berikut di bawah ini adalah macam-macam dan jenis-jenis bank yang ada di Indonesia beserta arti
definisi / pengertian masing-masing bank. Berikut ini merupakan jenis-jenis bank.
a) Bank Sentral
Bank sentral adalah bank yang didirikan berdasarkan Undang-undang nomor 13 tahun
1968 yang memiliki tugas untuk mengatur peredaran uang, mengatur pengerahan dana-dana,
mengatur perbankan, mengatur perkreditan, menjaga stabilitas mata uang, mengajukan
pencetakan/penambahan mata uang rupiah dan lain sebagainya. Bank sentral hanya ada satu
sebagai pusat dari seluruh bank yang ada di Indonesia.
b) Bank Umum
Bank umum adalah lembaga keuangan uang menawarkan berbagai layanan produk dan jasa
kepada masyarakat dengan fungsi seperti menghimpun dana secara langsung dari masyarakat
dalam berbagai bentuk, memberi kredit pinjaman kepada masyarakat yang membutuhkan, jual
beli valuta asing / valas, menjual jasa asuransi, jasa giro, jasa cek, menerima penitipan barang
berharga, dan lain sebagainya.
c) Bank Perkreditan Rakyat / BPR
Bank perkreditan rakyat adalah bank penunjang yang memiliki keterbatasan wilayah
operasional dan dana yang dimiliki dengan layanan yang terbatas pula seperti memberikan
kridit pinjaman dengan jumlah yang terbatas, menerima simpanan masyarakat umum,
menyediakan pembiayaan dengan prinsip bagi hasil, penempatan dana dalam sbi/sertifikat bank
indonesia, deposito berjangka, sertifikat / surat berharga, tabungan, dan lain sebagainya.

PT. Bank Negara Indonesia (Persero) Tbk.


Bank Negara Indonesia atau BNI (IDX: BBNI; nama lengkap: PT. Bank Negara Indonesia
(Persero) Tbk.) adalah sebuah bank pemerintah di Indonesia. BNI dipimpin oleh seorang Direktur
Utama yang saat ini dijabat oleh Gatot M. Suwondo.
BNI adalah bank komersial tertua dalam sejarah Republik Indonesia. Bank ini didirikan pada
tanggal 5 Juli tahun 1946. Saat ini BNI mempunyai 914 kantor cabang di Indonesia dan 5 di luar
negeri. BNI juga mempunyai unit perbankan syariah. Sejarah BNI:
a) 1946 : Didirikan dan dipersiapkan menjadi Bank Sirkulasi atau Bank Sentral yang
bertanggung jawab menerbitkan dan mengelola mata uang RI. Beberapa bulan setelah
pendiriannya, Bank Negara Indonesia mulai mengedarkan alat pembayaran resmi pertama
Oeang Republik Indonesia atau ORI.
b) 1955 : Peran Bank Negara Indonesia beralih menjadi bank pembangunan dan kemudian
mendapat hak untuk bertindak sebagai bank devisa. Sejalan dengan penambahan modal pada
tahun 1955, status Bank Negara Indonesia beralih menjadi bank umum dengan penetapan
secara yuridis melalui Undang-Undang Darurat No. 2 tahun 1955. Di tahun yang sama Bank
Negara Indonesia membuka cabang pertamanya di luar negeri, yaitu di Singapura.

Saham Bank Negara Indonesia


Saham Bank Negara Indonesia (BNI) adalah saham yang diterbitkan oleh bank BNI.
Berdasarkan data Bursa Efek Indonesia (BEI) sepanjang tahun ini hingga awal September 2010 (4
Januari-31 Agustus), saham BBNI sebesar 96 persen dari Rp1.930 menjadi Rp3.800. Disusul harga
saham PT Bank Tabungan Negara Tbk (BBTN) yang naik 73 persen dari Rp1.060 menjadi
Rp1.840 (Bagus, 2010).
Menurut Bagus dalam Edwin (2010), tingginya kenaikan harga saham BBNI pada tahun ini
didukung oleh fundamental perseroan. Pada awal tahun saham BBNI memang tergolong rendah
dibandingkan saham sejenis di sektor tersebut. Padahal, nilai laba bersih (price earning/PE)
perseroan cukup bagus. Sehingga investor mengakumulasi saham BBNI. Kenaikan saham BBNI
juga mencerminkan pemulihan cepat yang dilakukan perseroan. Dengan kebijakan penyisihan
cadangan, BNI cukup sukses menggelontorkan kredit dengan tetap memperhatikan angka kredit
bermasalah. Hal lain adalah upaya perseroan melepas saham greenshoe. Upaya ini yang membuat
saham Bank BNI naik tajam di tahun ini. Saham Greenshoe adalah penambahan jumlah penawaran

8
saham oleh penjamin emisi ketika melakukan penawaran saham. Tujuan green shoe biasanya untuk
mengurangi volatilitas harga saham setelah pencatatan saham di bursa.

3. Metodologi Penelitian
Data yang digunakan dalam makalah ini merupakan data sekunder saham Bank BNI periode
Desember 2003 hingga Oktober 2010. Data tersebut dibagi menjadi dua bagian yaitu data yang
lebih dari 60 (83 data) dan data yang kurang dari 60 (56 data). Data sebanyak 56 tersebut
merupakan data saham Bank BNI mulai periode Maret 2006 sampai Juni 2010. Analisis yang
dilakukan adalah sebagai berikut.
1. Statistika Deskriptif
2. Pemodelan ARIMA
Sebelum dilakukan pemodelan, data dibagi menjadi dua bagian yaitu bagian pertama
digunakan untuk menentukan model sebanyak dan bagian kedua digunakan untuk validasi
peramalan. Adapun rincian pembagiannya sebagai berikut.
1. Data yang lebih dari 60 (83): 70 data untuk bagian pertama dan 13 data untuk bagian kedua.
2. Data yang kurang dari 60 (56): bagian pertama sebanya 52 data dan sisanya sebanyak 4
digunakan untuk bagian kedua.
Berikut ini merupakan langkah-langkah yang dilakukan dalam menentukan model ARIMA:
a. Identifikasi
- membuat plot data apakah data tersebut sudah stasioner atau belum
- melakukan transformasi bila data tidak stasioner dalam varians
b. Pendugaan paramater model dan pengujian diagnostik
c. Peramalan
Pada tahap ini dilakukan peramalan out of sample. Ramalan out of sample dilakukan untuk
bagian kedua data tahap ke depan.
d. Pemilihan Model Terbaik
Model-model yang telah memadai (parameter signifikan, residual memenuhi asumsi white
noise dan distribusi normal) akan dibandingkan berdasarkan kriteria in sample AIC serta
kriteria out of sample MAPE.

4. Analisis Data dan Pembahasan


Analisis Deskriptif
Sebelum melakukan analisis time series maka perlu diketahui terlebih dahulu mengenai
gambaran dari saham Bank BNI selama periode Desember 2003 sampai Oktober 2010, dapat
dilihat pada Tabel 3.
Tabel 3. Analisis Deskriptif Data Saham Bank BNI
Nilai
Minimum 510
Maksimum 3875
Mean 1665,78
Standar deviasi 637,303
Berdasarkan Tabel 3. harga minimum saham bank BNI selama periode Desember 2003 sampai
Oktober 2010 adalah sebesar 510, sedangkan harga tertinggi sebesar 3875 dengan rata-rata harga
saham ssebesar 1665,78 dan standar deviasinya 637,303.
Pada analisis dan pembahasan dengan menggunakan anlisis time series, data yang digunakan
terdiri dari dua bagian. Bagian pertama, jumlah data sebanyak 83 data (lebih dari 60) dan yang
kedua data berjumlah 56 (kurang dari 60).

A. Data Lebih dari 60 (83 Data)


Merupakan data saham Bank BNI selama periode Desember 2003 hingga Oktober 2010. Data
tersebut merupakan data berkala karena urut berdasarkan waktu sehingga analisis yang digunakan
adalah analisis time series. Berikut merupakan analisis dari data dengan menggunakan metode
correlogram serta metode MINIC, SCAN, dan ESACF.

Pemodelan Saham Bank BNI dengan Metode Correlogram

9
Melalui identifikasi model dengan memperhatikan kondisi plot time series, plot ACF dan plot
PACF, uji parameter model, uji asumsi residual, pemilihan model terbaik dan evaluasi model
diharapkan diperoleh model ARIMA terbaik untuk peramalan data bank BNI. Dengan mengambil
70 series data sebagai data modelling dan 13 observasi terakhir sebagai testing maka model
peramalan ditentukan melalui tahapan metode ARIMA berikut.
Langkah awal yang dilakukan adalah identifikasi model dengan menggunakan Time Series
Plot, ACF Plot, dan PACF Plot.
Time Series Plot of Saham Bank BNI Autocorrelation Function for Saham Bank BNI Partial Autocorrelation Function for in-sample
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)
2500
1.0 1.0
0.8 0.8
2000 0.6 0.6

Partial Autocorrelation
0.4 0.4

Autocorrelation
in-sample

0.2 0.2
1500
0.0 0.0
-0.2 -0.2
-0.4 -0.4
1000
-0.6 -0.6
-0.8 -0.8
500 -1.0 -1.0

1 7 14 21 28 35 42 49 56 63 70 1 5 10 15 20 25 30 35 40 45 50 55 60 65 1 5 10 15 20 25 30 35 40 45 50 55 60 65
Index Lag Lag

Gambar 1. Time Series, ACF Plot, dan PACF Plot Data Saham Bank BNI awal
Time series plot pada Gambar 1. mengindikasikan bahwa data saham Bank BNI belum
stasioner dalam varians karena varians pada setiap periodenya tidak konstan (dipengaruhi oleh
deret waktu). Selain itu data tidak stasioner dalam mean jika dilihat secara visual pada time series
plot, akan tetapi ACF Plot-nya cenderung turun cepat menuju nol yang berarti data stasioner
terhadap mean. Oleh karena data Saham Bank BNI belum stasioner dalam varians maka perlu
dilakukan transformasi. Differencing pada data masih belum perlu dilakukan pada tahapan berikut.
Bentuk transformasi yang sesuai untuk data saham Bank BNI dapat dilihat pada Gambar 2
sebagai berikut.
Box-Cox Plot of Saham Bank BNI (1) Box-Cox Plot of Saham Bank BNI (2)
Lower CL Upper CL Lower CL Upper CL
Lambda Lambda
1400
(using 95.0% confidence) (using 95.0% confidence)
3.5
Estimate 0.73 Estimate 1.46
1200
Lower CL 0.19 Lower CL 0.18
Upper CL 1.38 Upper CL 2.77
1000
Rounded Value 0.50 3.0 Rounded Value 1.00

800
StDev

StDev

2.5
600

400
2.0
200 Limit
Limit
0 1.5
-5.0 -2.5 0.0 2.5 5.0 -5.0 -2.5 0.0 2.5 5.0
Lambda Lambda

Gambar 2. Box-Cox Plot Data Saham Bank BNI


Gambar 2. menunjukkan bahwa transformasi yang sesuai adalah transformasi Z t , sehingga
data yang nantinya digunakan adalah data hasil transformasi. Berikut merupakan Time series Plot,
ACF Plot dan PACF Plot dari data yang telah ditransformasi.
Time Series Plot of Saham Bank BNI (trans) Autocorrelation Function for Saham Bank BNI (trans) Partial Autocorrelation Function for Saham Bank BNI (trans)
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)
50
1.0 1.0
45 0.8 0.8
0.6 0.6
Partial Autocorrelation

40 0.4 0.4
Autocorrelation
trans1-in

0.2 0.2
35 0.0 0.0
-0.2 -0.2
30
-0.4 -0.4
-0.6 -0.6
25
-0.8 -0.8
-1.0 -1.0
20
1 7 14 21 28 35 42 49 56 63 70 1 5 10 15 20 25 30 35 40 45 50 55 60 65 1 5 10 15 20 25 30 35 40 45 50 55 60 65
Index Lag Lag

Gambar 3. Time Series Plot, ACF Plot, dan PACF Plot Data Saham Bank BNI Setelah Transformasi
Berdasarkan Gambar 3. diperoleh informasi bahwa ACF Plot turun cepat menuju nol dan cut
off setelah lag ke-3 serta pada PACF Plot cut off setelah lag ke-2. Model dugaan sementara untuk
data saham Bank BNI adalah ARIMA (2,0,0), ARIMA (0,0,3) dan ARIMA (2,0,3). Sedangkan
pada time series plot, titik-titik yang berwarna merah tidak berada di sekitar garis horisontal yang
berarti data tidak stasioner dalam mean, sehingga perlu dilakukan differencing. Hasil differencing
data dapat dilihat pada Gambar 4.

10
Time Series Plot of Saham Bank BNI (trans-diff) Autocorrelation Function for Saham Bank BNI (trans-diff) Partial Autocorrelation Function for Saham Bank BNI (trans-diff)
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)
15
1.0 1.0
0.8 0.8
10
0.6 0.6

Partial Autocorrelation
0.4 0.4

Autocorrelation
trans1_diff-in

5
0.2 0.2
0.0 0.0
0 -0.2 -0.2
-0.4 -0.4

-5 -0.6 -0.6
-0.8 -0.8
-1.0 -1.0
-10
1 7 14 21 28 35 42 49 56 63 70 1 5 10 15 20 25 30 35 40 45 50 55 60 65 1 5 10 15 20 25 30 35 40 45 50 55 60 65
Index Lag Lag

Gambar 4. Time Series Plot, ACF Plot, dan PACF Plot Data Saham Bank BNI Setelah Transformasi dan Differencing
Jika melihat Gambar 4. diduga model untuk saham Bank BNI adalah ARIMA (0,1,1), ARIMA
(0,1,[11]), ARIMA (1,1,0), ARIMA ([11],1,0) ARIMA ([1,11],1,0) ARIMA (0,1,[1,11]) dan
ARIMA ([1,11],1,[1,11]). Model dugaan berdasarkan Gambar 3. dan 4. perlu dilakukan pengujian
guna menentukan model terbaik. Pengujian yang dilakukan antara lain uji signifikansi parameter,
uji white noise, serta uji kenormalan.
Tabel 4. Taksiran parameter model ARIMA
Estimat α Keputusan
Model ARIMA Parameter e t-value p-value
0,0
AR1,1 1,16272 9,91 <0,0001 5 signifikan
(2,0,0) 0,0
AR1,2 -0,30754 -2,60 <0,0001 5 signifikan
0,0
MA1,1 -1,18369 -10,81 <0,0001 5 signifikan
0,0
MA1,2 -0,91305 -6,36 <0,0001 5 signifikan
(0,0,3) 0,0
MA1,3 -0,46174 -4,19 <0,0001 5 signifikan
0,0
MA1,1 -1,07531 -1,49 0,1421 5 tidak signifikan
0,0
MA1,2 -0,41639 -1,24 0,2209 5 tidak signifikan
0,0
MA1,3 -0,15098 -0,99 0,3247 5 tidak signifikan
0,0
(2,0,3) AR1,1 0,11922 0,16 0,8697 5 tidak signifikan
0,0
AR1,2 0,49722 0,82 0,4168 5 tidak signifikan
-0,26144 -2,23 0,029 0.0 signifikan
(0,1,1) MA1,1 5
0,0
(1,1,0) AR1,1 0,23043 1,95 0,0559 5 tidak signifikan
0,0
(0,1,[11]) MA1,1 0,26868 2,01 0,0487 5 signifikan
0,0
([11],1,0) AR1,1 -0,36915 -2,90 0,0050 5 signifikan
0,0
AR1,1 0,19145 1,68 0,0984 5 tidak signifikan
([1,11],1,0) 0,0
AR1,2 -0,34236 -2,70 0,0087 5 signifikan
0.0 signifikan
MA1,1 -0,25869 -2,25 0,0276 5
(0,1,[1,11]) 0,0
MA1,2 0,27452 2,08 0,0411 5 signifikan
([1,11],1, MA1,1 0,98165 11,62 <0,0001 0,0 signifikan
[1,11]) 5

11
0,0
MA1,2 -0,03866 -0,50 0,6182
5 tidak signifikan
0,0
AR1,1 0,89071 8,82 <0,0001 5 signifikan
0,0
AR1,2 -0,21742 -2,88 0,0054 5 signifikan
Tabel 4. menunjukkan bahwa model yang memenuhi uji signifikansi parameter antara lain
ARIMA (2,0,0), ARIMA (0,03), ARIMA (0,1,1), ARIMA (0,1,[11]), ARIMA ([11],1,0) dan
ARIMA (0,1,[1,11]) karena nilai p-value kurang dari 0,05. Uji yang selanjutnya dilakukan adalah
uji white noise.
Tabel 5. Pengujian White Noise
Model ARIMA Lag p-value α Keputusan
0,0
6 0,6545 signifikan
5
0,0
12 0,2596 signifikan
(2,0,0) 5
0,0
18 0,3294 signifikan
5
0,0
24 0,4027 signifikan
5
0,0
6 0,0156 tidak signifikan
5
0,0
12 0,0217 tidak signifikan
(0,0,3) 5
0,0
18 0,0050 tidak signifikan
5
0,0
24 0,0150 tidak signifikan
5

Tabel 5. Pengujian White Noise (Lanjutan)


Model ARIMA Lag p-value α Keputusan
0,0
6 0,7841 signifikan
5
0,0
12 0,3992 signifikan
(0,1,1) 5
0,0
18 0,4614 signifikan
5
0,0
24 0,4895 signifikan
5
0,0
6 0,2446 signifikan
5
0,0
12 0,7614 signifikan
(0,1,[11]) 5
0,0
18 0,6690 signifikan
5
0,0
24 0,7186 signifikan
5
([11],1,0) 0,0
6 0,2614 signifikan
5
0,0
12 0,7649 signifikan
5
18 0,6640 0,0 signifikan

12
5
0,0
24 0,7950 signifikan
5
0,0
6 0,5816 signifikan
5
0,0
12 0,9435 signifikan
(0,1,[1,11]) 5
0,0
18 0,9576 signifikan
5
0,0
24 0,9646 signifikan
5
Model ARIMA (0,0,3) tidak memenuhi uji white noise karena p-value nya kurang dari 0,05,
sedangkan model lainnya memenuhi uji white noise. Dapat dilihat pada Tabel 5. sehingga model
ARIMA (0,0,3) tidak dapat dilakukan pengujian selanjutnya, uji homogenitas varians.
Tabel 6. Pengujian Homogenitas Varians dari Residual
p-value
Lag ARIMA ARIMA ARIMA ARIMA ARIMA
α keputusan
(2,0,0) (0,1,1) (0,1,[11]) ([11],1,0) (0,1,[1,11])
0,0
1 0,8756 0,7592 0,6334 0,5638 0,366 homogen
5
0,0
2 0,9685 0,9417 0,8906 0,8371 0,6529 homogen
5
0,0
3 0,9097 0,8709 0,909 0,8321 0,6825 homogen
5
0,0
4 0,9605 0,9161 0,9278 0,8953 0,7837 homogen
5
0,0
5 0,9511 0,9292 0,9383 0,9232 0,8549 homogen
5
0,0
6 0,9712 0,947 0,8474 0,7467 0,7161 homogen
5
0,0
7 0,9392 0,9533 0,8506 0,787 0,8121 homogen
5
0,0
8 0,9608 0,9568 0,9025 0,855 0,8568 homogen
5
0,0
9 0,9757 0,9775 0,9388 0,9041 0,9111 homogen
5
0,0
10 0,985 0,9805 0,9605 0,9368 0,9314 homogen
5
0,0
11 0,9748 0,836 0,9779 0,9628 0,9504 homogen
5
0,0
12 0,9818 0,8872 0,9882 0,979 0,9707 homogen
5
Pada tabel 6. diperoleh informasi bahwa semua varians residual dari model ARIMA (2,0,0),
ARIMA (0,1,1), ARIMA (0,1,[11]), ARIMA ([11],1,0), dan ARIMA (0,1,[1,11]) homogen.
Pengujian berikutnya yaitu kenormalan residual dengan hipotesis sebagai berikut.
H0 : residual berdistribusi normal
H1 : residual tidak berdistribusi normal
Tabel 7. Uji Kenormalan
Model ARIMA P-value
(2,0,0) 0,1184
(0,1,1) 0,0526
(0,1,[11]) <0,0100
([11],1,0) <0,0100
(0,1,[1,11]) >0,1500

13
Berdasarkan Tabel 7. model yang memenuhi uji kenormalan adalah ARIMA (2,0,0), ARIMA
(0,1,1) dan ARIMA (0,1,[1,11]). Hal ini dikarenakan p-value yang diperoleh dengan menggunakan
uji Kolmogorov-Smirnov lebih besar dari α (0.05). Sehingga dapat disimpulkan bahwa residual
berdistribusi normal.
Berdasarkan analisis yang telah dilakukan, maka model ARIMA (2,0,0), ARIMA (0,1,1) dan
ARIMA (0,1,[1,11]) merupakan model yang sesuai untuk data saham Bank BNI. Langkah
selanjutnya setelah didapatkan model yang memadai adalah memilih model terbaik berdasarkan
kriteria in sample dan out of sample.
Tabel 8. Pemilihan Kriteria Model Terbaik
Model in sample out of sample
ARIMA AIC MAPE (%)
(2,0,0) 344,7627 31,1184
(0,1,1) 342,1835 17,7702
(0,1,[1,11]) 338,0237 24,0532
Tabel 8. memberikan informasi bahwa model terbaik berdasarkan kriteria in sample adalah
model ARIMA (0,1,[1,11]) karena memiliki nilai AIC yang paling minimum. Sedangkan model
terbaik berdasarkan kriteria out of sample adalah ARIMA (0,1,1) dengan nilai MAPE sebesar
17,7702%.

Pemodelan Saham Bank BNI dengan Metode MINIC, SCAN, dan ESACF.
MINIC (Minimum Information Criterion), SCAN (Smallest Canonical), dan ESACF (Extended
Sample Autocorrelation Function) merupakan metode-metode yang digunakan dalam pemodelan
ARIMA dengan menggunakan software SAS. Data yang digunakan dalam membentuk model
dengan kriteria in sample adalah sebanyak 70 data. Sedangkan sisanya, 13 data, digunakan untuk
peramalan. Tabel 9. merupakan keluaran hasil olahan software SAS dengan metode MINIC,
ESACF, dan SCAN.
Tabel 9. Nilai BIC dengan Metode MINIC, ESACF, dan SCAN
MINIC SCAN ESACF
p+d q BIC p+d q BIC
2,07895
1 1 2 0 2,057325
2
2,05732
2,05732 2 0 1 1 2,078952
BIC(2,0) 5
5
2,81697
0 3 3 0 2,11492
4
4 0 2,152962
0 3 2,816974
Tabel 9. memberikan informasi bahwa model dugaan berdasarkan metode MINIC, ESACF,
dan SCAN adalah ARIMA (2,0,0), ARIMA (1,0,1), ARIMA (0,0,3), ARIMA (3,0,0), dan ARIMA
(4,0,0). Berikut merupakan hasil keluaran software SAS dengan metode MINIC, dimana data yang
digunakan merupakan data transformasi dan differencing. Model dugaan yang digunakan adalah
model yang memiliki nilai BIC terkecil. Diperoleh nilai BIC terkecil yaitu sebesar 2,106782 dapat
dilihat pada Tabel 10.
Tabel 10. Nilai BIC dengan Metode MINIC
Lags MA 0 MA 1 MA 2 MA 3 MA 4 MA 5
AR 0 2,12099 2,10678 2,16280 2,21286 2,25955 2,309706
3 2 2 2 7
AR 1 2,11769 2,16711 2,22206 2,27381 2,31856 2,369758
1 7 6 5 4
AR 2 2,15632 2,21750 2,27814 2,33437 2,37784 2,410865
7 5 2 9 2
AR 3 2,21221 2,27002 2,32045 2,3649 2,41757 2,469075
3 5 2 7
AR 4 2,26447 2,31417 2,37191 2,41588 2,47313 2,527873
8 1 7
14
AR 5 2,32077 2,37325 2,41085 2,47175 2,53066 2,573644
9 8 4 7 6
Sehingga model dugaan yang diperoleh adalah ARIMA(0,1,1), sedangkan hasil keluaran
dengan metode SCAN dan ESACF adalah sebagai berikut.
Tabel 11. Nilai BIC dengan Metode SCAN dan ESACF
SCAN ESACF
p+d q BIC p+d q BIC
0 0 2,120993
2,12099 3 0 2,212213
0 0
3 2 1 2,217505
4 0 2,26447
Tabel 11. menunjukkan bahwa model dugaan untuk data saham Bank BNI berdasarkan metode
ESACF adalah ARIMA (2,1,0), ARIMA (1,1,1), dan ARIMA (3,1,0). Sedangkan berdasarkan
metode SCAN model tidak dapat diduga karena m (p+d) bernilai 0 begitu pula dengan q yang
nilainya juga 0.
Setelah itu dilakukan pendugaan parameter dan pemeriksaan diagnostik terhadap model yang
sudah diperoleh. Berikut pengujian signifikansi parameter pada model yang telah didapatkan.
Tabel 12. Taksiran parameter model ARIMA
Model ARIMA Parameter Estimate t-value p-value α Keputusan
AR1,1 1,16272 9,91 <0,0001 0,05 signifikan
(2,0,0)
AR1,2 -0,30754 -2,60 0,0114 0,05 signifikan
MA1,1 -0,32573 -2,54 0,0135 0,05 signifikan
(1,0,1)
AR1,1 0,83137 10,58 <0,0001 0,05 signifikan
MA1,1 -1,18369 -10,81 <0,0001 0,05 signifikan
(0,0,3) MA1,2 -0,91305 -6,36 <0,0001 0,05 signifikan
MA1,3 -0,46174 -4,19 <0,0001 0,05 signifikan
AR1,1 1,17155 9,44 <0,0001 0,05 signifikan
(3,0,0) AR1,2 -0,34004 -1,83 0,0719 0,05 tidak signifikan
AR1,3 0,02849 0,23 0,8204 0,05 tidak signifikan
AR1,1 1,17169 9,36 <0,0001 0,05 signifikan
AR1,2 -0,34208 -1,78 0,0797 0,05 tidak signifikan
(4,0,0)
AR1,3 0,03551 0,18 0,8541 0,05 tidak signifikan
AR1,4 -0,0061272 -0,05 0,9614 0,05 tidak signifikan
(0,1,1) MA1,1 -0,26144 -2,22 0,0294 0,05 signifikan
AR1,1 0,25867 2,13 0,0371 0,05 signifikan
(2,1,0)
AR1,2 -0,12362 -1,02 0,3133 0,05 tidak signifikan
MA1,1 -0,32529 -0,73 0,4668 0,05 tidak signifikan
(1,1,1)
AR1,1 -0,06911 -0,15 0,8832 0,05 tidak signifikan
AR1,1 0,24823 2,01 0,0480 0,05 signifikan
(3,1,0)
AR1,2 -0,10301 -0,82 0,4174 0,05 tidak signifikan
AR1,3 -0,08037 -0,65 0,5179 0,05 tidak signifikan
Tabel 12. menunjukkan bahwa parameter yang signifikan pada model ARIMA(2,0,0), ARIMA
(1,0,1), ARIMA(0,0,3), dan ARIMA (0,1,1). Langkah selanjutnya yaitu diagnostic checking pada
model yang parameternya signifikan.
Tabel 13. Pengujian White Noise

15
Model ARIMA Lag p-value α Keputusan
6 0,6545 0,05 signifikan
12 0,2596 0,05 signifikan Berdasarkan
(2,0,0) Tabel 13.
18 0,3294 0,05 signifikan
24 0,4027 0,05 signifikan diperoleh
6 0,6335 0,05 signifikan informasi
12 0,2274 0,05 signifikan bahwa
(1,0,1) semua p-
18 0,2582 0,05 signifikan
24 0,3027 0,05 signifikan value dari
lag ke-6, 12,
6 0,0156 0,05 tidak signifikan
18, dan 24
12 0,0217 0,05 tidak signifikan
(0,0,3) pada model
18 0,0050 0,05 tidak signifikan
ARIMA
24 0,0150 0,05 tidak signifikan (0,0,3) lebih
6 0,7841 0,05 signifikan kecil dari
12 0,3992 0,05 signifikan 0,05 yang
(0,1,1)
18 0,4614 0,05 signifikan berarti
24 0,4895 0,05 signifikan model
tersebut tidak memenuhi asumsi white noise.
Heteroskedastisitas merupakan ketidakhomogenan varians dari residual. Ada tidaknya kasus
heteroskedastisitas dapat diketahui dengan menggunakan uji Langrange Multiplier (LM) dengan
hipotesis sebagai beerikut.
H0 : varians residual homogen
H1 : varians residual tidak homogen
Tabel 14. Pengujian Homogenitas Varians dari Residual
P-value
Lag ARIMA ARIMA α keputusan
ARIMA (2,0,0)
(0,1,1) (1,0,1)
1 0,8756 0,7592 0,9896 0,05 homogen
2 0,9685 0,9417 0,9484 0,05 homogen
3 0,9097 0,8709 0,897 0,05 homogen
4 0,9605 0,9161 0,9485 0,05 homogen
5 0,9511 0,9292 0,924 0,05 homogen
6 0,9712 0,947 0,9538 0,05 homogen
7 0,9392 0,9533 0,9314 0,05 homogen
8 0,9608 0,9568 0,9583 0,05 homogen
9 0,9757 0,9775 0,9754 0,05 homogen
10 0,985 0,9805 0,9832 0,05 homogen
11 0,9748 0,836 0,9576 0,05 homogen
12 0,9818 0,8872 0,9715 0,05 homogen
Berdasarkan Tabel 14. dapat diketahui bahwa semua varians dari residual homogen karena p-
value lebih besar dari 0,05. Selanjutnya dilakukan uji kenormalan residual dari model yang
memenuhi uji white noise.
Tabel 15. Uji Kenormalan
Model ARIMA P-value
(2,0,0) 0,1184
(1,0,1) 0,0592
(0,1,1) 0,0526
Semua p-value pada Tabel 15. memiliki nilai lebih dari 0,05 yang artinya bahwa semua model
tersebut memenuhi asumsi kenormalan. Berdasarkan pengujian yang telah dilakukan, maka dapat
diambil kesimpulan bahwa model yang sesuai adalah ARIMA (2,0,0), ARIMA (1,0,1), dan
ARIMA (0,1,1). Selanjutnya dilakukan pemilihan model berdasarkan kriteria in sample dan out of
sample.
Tabel 16. Pemilihan Kriteria Model Terbaik
Model in sample out of sample
16
(2,0,0) 344,7627 31,1184
(1,0,1) 345,0821 29,8174
(0,1,1) 342,1835 17,7702
Model terbaik berdasarkan kriteria in sample dan out of sample adalah ARIMA (0,1,1) karena
memiliki nilai error terkecil dianntara model lainnya. Jadi model tersebut dapat digunakan untuk
meramalkan periode selanjutnya.
Tabel 17. Ramalan Out Of Sample Model ARIMA (0,1,1)
Selang Kepercayaan 95%
Periode (bulan ke-) Ramalan Aktual
Batas bawah Batas atas
2179,120
71 1744,0577 2614,1843 1850
6
2191,506
72 1497,3008 2885,7114 2025
1
2203,891
73 1323,7994 3083,9839 1980
7
2216,277
74 1183,2217 3249,3327 1930
2
2228,662
75 1062,5389 3394,7867 1910
8
Tabel 17. Ramalan Out Of Sample Model ARIMA (0,1,1) (Lanjutan)
Selang Kepercayaan 95%
Periode (bulan ke-) Ramalan Aktual
Batas bawah Batas atas
2241,048
76 955,5577 3526,5390 2275
3
2253,433
77 858,7656 3648,1122 2600
9
2265,819
78 769,9020 3761,7369 2500
5
2278,205
79 687,4787 3868,9315 2350
0
2290,590
80 610,3966 3970,7845 3025
6
2303,976
81 537,8436 4068,1087 3475
1
2315,361
82 469,1942 4161,5292 3675
7
2327,747
83 403,9553 4251,5392 3875
3
Model ARIMA (0,1,1) dikatakan sangat baik dalam memodelkan saham Bank BNI karena
berdasarkan Tabel 17. nilai aktual masih berada dalam batas dengan selang kepercayaan 95%.

B. Data Kurang dari 60 (56 Data)


Pemodelan Saham Bank BNI dengan Metode Correlogram
Metode Correlogram adalah suatu metode identifikasi model dengan memperhatikan kondisi
plot time series, plot ACF, plot PACF, uji parameter model, uji asumsi residual, pemilihan model
terbaik dan evaluasi model diharapkan diperoleh model ARIMA terbaik untuk peramalan data bank
BNI. Dengan mengambil 52 series mulai bulan Maret 2006-Juni 2010 data sebagai data modelling
dan 4 observasi terakhir mulai bulan Juli-Oktober 2010 sebagai testing maka model peramalan
ditentukan melalui tahapan metode ARIMA berikut.
Langkah awal yang dilakukan adalah identifikasi model dengan menggunakan Time Series
Plot, ACF Plot, dan PACF Plot.

17
Time Series Plot of BNI Autocorrelation Function for BNI Partial Autocorrelation Function for BNI
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

2500 1.0 1.0


0.8 0.8
0.6 0.6

Partial Autocorrelation
2000
0.4 0.4

Autocorrelation
0.2 0.2
BNI

1500 0.0 0.0


-0.2 -0.2
-0.4 -0.4
1000
-0.6 -0.6
-0.8 -0.8

500 -1.0 -1.0

1 5 10 15 20 25 30 35 40 45 50 1 5 10 15 20 25 30 35 40 45 50 1 5 10 15 20 25 30 35 40 45 50
Index Lag Lag

Gambar 5. Time series Plot, ACF Plot dan PACF Plot Data Saham Bank BNI
Berdasarkan Gambar 5. dapat diketahui bahwa data saham bank BNI belum stasioner dalam
mean dan varians. Belum stasioner dalam mean dapat diketahui juga dari ACF Plot yang turun
lambat. Belum stasioner dalam varians dapat diketahui dari time series plotnya yaitu varians pada
setiap periode yang tidak konstan (dipengaruhi oleh deret waktu).
Karena belum stasioner dalam varians maka perlu dilakukan pengecekan dengan Box-Cox
Transformation untuk mengetahui apakah data perlu ditransformasi atau tidak.
Box-Cox Plot of BNI Time Series Plot of diff
Lower CL Upper CL 1250
3500 Lambda
(using 95.0% confidence) 1000
3000 Estimate 0.85

Lower CL 0.24 750


2500 Upper CL 1.55

Rounded Value 1.00 500


2000
StDev

diff
250
1500
0
1000
-250
500
Limit -500
0
-5.0 -2.5 0.0 2.5 5.0 1 5 10 15 20 25 30 35 40 45 50
Lambda Index

(a) (b)
Gambar 6. (a)Box-Cox Transformation dan (b)Time series Plot Hasil Differencing
Berdasarkan Gambar 6 (a). dapat diketahui bahwa nilai rounded value adalah sebesar 1.00
yang berarti data saham Bank BNI tidak memerlukan transformasi. Sehingga kestasioneran data
saham akan dilakukan melalui differencing. Time series plot hasil differencing telah ditampilkan
pada Gambar 6(b) dan dapat diketahui bahwa data telah stasioner dalam mean dan varians.
Autocorrelation Function for diff Partial Autocorrelation Function for diff
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation

0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 5 10 15 20 25 30 35 40 45 50 1 5 10 15 20 25 30 35 40 45 50
Lag Lag

Gambar 7. ACF Plot dan PACF Plot Data Saham Bank BNI Stasioner
Gambar 7. menunjukkan hasil ACF Plot dan PACF Plot data saham Bank BNI setelah
dilakukan differencing. ACF plot yang turun cepat menuju nol mengindikasikan data telah stasioner
dalam mean dan ACF plot dapat pula digunakan dalam menentukan orde dari model MA.
Sedangkan untuk model AR, orde dapat ditentukan melalui plot PACF. Pada ACF Plot dan PACF
Plot menunjukkan bahwa tidak ada lag yang keluar dari batas sehingga penentuan orde dari model
ARIMA dilakukan dengan mencoba-coba berbagai model yang sesuai. Model yang sesuai pada
data saham Bank BNI periode Maret 2006 sampai Juni 2010 adalah model ARIMA (0,1,1). Berikut
merupakan pengujian signifikansi parameter yang dilakukan pada model ARIMA(0,1,1).
Tabel 18. Estimasi Parameter
Parameter Estimasi α Keputusan t-Value p-value
θ 1 -0,2813 0.0 Signifikan -2,07 0,043
5
Model ARIMA (0,1,1) memenuhi uji signifikansi parameter karena taksiran parameternya
signifikan. Langkah selanjutnya adalah uji kesesuaian model untuk mengetahui layak tidaknya
suatu model Model dikatakan layak bila memenuhi asumsi residual white noise dan mengikuti
distribusi normal. Berikut merupakan hipotesis untuk uji white noise.

18
H0 : ρ1 = ρ 2 = ... = ρ k = 0
H1 : Minimal ada satu ρ k yang tidak sama dengan nol; k = 1 , 2 , ...
Tabel 19. Pengujian White Noise
Lag p-value α Keputusan
12 0.344 0.05 Signifikan
24 0.712 0.05 Signifikan
36 0.705 0.05 Signifikan
48 0.505 0.05 Signifikan
Tabel 16. menunjukkan bahwa residual dari model ARIMA (0,1,1) telah white noise sehingga
dapat dilanjutkan pada pengujian berikutnya yaitu kenormalan residual. Hipotesis :
H0 : residual berdistribusi normal
H1 : residual tidak berdistribusi normal
Probability Plot of ARI MA(0,1,1)
Normal
99
Mean 15.79
StDev 253.1
95 N 51
KS 0.091
90
P-Value >0.150
80
70
Percent

60
50
40
30
20

10

1
-500 -250 0 250 500 750 1000
ARIMA(0,1,1)

Gambar 8. Uji Kenormalan Residual


Berdasarkan Gambar 8. dapat diketahui bahwa residual model ARIMA (0,1,1) telah
berdistribusi normal. Hal ini dapat ditunjukkan dari titik-titik yang berwarna merah berada di
sekitar garis biru. Selain itu. Dengan menggunakan uji Kolmogorov-Smirnov diperoleh nilai p-
value lebih dari 0.150 yang berarti lebih besar dari α (0.05). Sehingga dapat disimpulkan bahwa
residual berdistribusi normal.
Berdasarkan analisis yang telah dilakukan, maka model ARIMA(0,1,1) merupakan model yang
sesuai untuk data saham Bank BNI. Adapun bentuk dari model ARIMA (0,1,1) adalah Y t =Yt-1 + at
+0,2813 at-1. Langkah selanjutnya adalah membuat ramalan out of sample untuk 4 periode ke
depan. Peramalan out of sample dengan model ARIMA (0,1,1) ditampilkan pada Tabel 17.
Tabel 20. Ramalan Out Of Sample Model ARIMA (0,1,1)
Selang Kepercayaan 95%
Periode (bulan ke-) Ramalan Aktual
Batas bawah Batas atas
53 2320,64 1823,42 2817,87 3025
54 2320,64 1512,5 3128,79 3475
55 2320,64 1291,59 3349,7 3675
56 2320,64 1110,34 3530,94 3875
Nilai aktual pada Tabel 17. masih berada diantara batas atas dan batas bawah dengan selang
kepercayaan 95%, hal ini menunjukkan bahwa model ARIMA (0,1,1) mampu memodelkan data
saham Bank BNI dengan baik. Secara visual, hasil peramalan untuk 4 periode mendatang dapat
dilihat pada Gambar 9.

19
Time Series Plot for BNI
(with forecasts and their 95% confidence limits)

3500

3000

2500

BNI
2000

1500

1000

500

1 5 10 15 20 25 30 35 40 45 50 55
Time

Gambar 9. Time Series Plot dengan Peramalan 4 Periode Kedepan

Pemodelan Saham Bank BNI dengan Metode MINIC, SCAN, dan ESACF
Metode MINIC, SCAN, dan ESACF adalah suatu metode yang digunakan untuk
mengidentifikasi deret stasioner dan invertibel dari proses ARMA. Pemilihan order dari deret AR
didefinisikan sebagai deret yang dapat meminimumkan Akaike Information Criterion (AIC). Atau
dapat digunakan Bayesian Information Criterion (BIC) dimana menggunakan estimasi error deret.
Berikut pemodelan saham bank BNI dengan menggunakan metode MINIC.
Tabel 21. Model Terbaik dengan Metode MINIC
Error Series Model AR (7)
Minimum Table Value BIC(0,1)=10,61505
Berdasarkan Tabel 18. dapat diketahui bahwa nilai BIC paling minimum adalah sebesar
10.61505 dengan model ARIMA(0,1,1) sehingga akan dicoba untuk memodelkan data saham Bank
BNI. Pengujian signifikansi parameter dengan hipotesis :
H0 : θ 1 = 0
H1 : θ 1 ≠ 0
Tabel 22. Uji Signifikansi Parameter
Conditional Least Square Estimation
Paramete Estimate Standar Error t-value Approx Pr>|t| lag
r
MA1,1 -0,27968 0,13589 -2,06 0,0448 1
Berdasarkan Tabel 22. dapat diketahui bahwa model adalah signifikan karena nilai p- value
kurang dari α (0,05) sehingga model yang didapat adalah ARIMA (0,1,1). Pengujian White Noise
dengan hipotesis :
H0 : ρ1 = ρ 2 = ... = ρ k = 0
H1 : Minimal ada satu ρ k yang tidak sama dengan nol; k = 1 , 2 , ...

Tabel 23. Uji White Noise


To Lag Chi-Square DF Pr > ChiSq
6 3.96 5 0.5553
12 12.05 11 0.36
18 17.74 17 0.4053
24 18.73 23 0.7168
Berdasarkan Tabel 23. dapat diketahui bahwa residual data saham bank BNI telah white noise
pada semua lag. Langkah selanjutnya adalah uji homogenitas dari residual dengan menggunakan
uji Langrange Multiplier (LM).
Uji Homogenitas
H0 : varians residual homogen
H1 : varians residual tidak homogen
Tabel 24. Pengujian Homogenitas Varians dari Residual
Lag p-value α keputusan
1 0,9796 0,05 homogen

20
2 0,9735 0,05 homogen
3 0,8275 0,05 homogen
4 0,8993 0,05 homogen
5 0,9239 0,05 homogen
6 0,9462 0,05 homogen
7 0,9664 0,05 homogen
8 0,9606 0,05 homogen
9 0,9683 0,05 homogen
10 0,9673 0,05 homogen
11 0,9239 0,05 homogen
12 0,9414 0,05 homogen
Tabel 24. menunjukkan bahwa residual telah homogen, dapat dilihat dari p-value yang
semuanya bernilai lebih dari α (0,05). Setelah itu dilakukan pengujian residual berdistribusi
normal, berikut merupakan hipotesis dari uji kenormalan.
H0 : residual berdistribusi normal
H1 : residual tidak berdistribusi normal
Tabel 25. Uji Kenormalan Residual
Test Statistic P-value
Shapiro-Wilk W 0.936407 Pr < W 0.0088
Kolmogorov-Smirnov D 0.090563 Pr > D >0.1500
Cramer-von Mises W-Sq 0.091248 Pr > W-Sq 0.1456
Anderson-Darling A-Sq 0.623434 Pr > A-Sq 0.0991
Berdasarkan Tabel 25. uji kenormalan dengan menggunakan uji Kolmogorov-Smirnov
diperoleh nilai p-value > 0,1500 dimana lebih besar daripada α (0,05), sehingga dapat disimpulkan
bahwa residual telah berdistribusi normal.
Berdasarkan analisis yang telah dilakukan, maka model ARIMA(0,1,1) merupakan model yang
sesuai untuk data saham Bank BNI. Langkah selanjutnya adalah membuat ramalan out of sample
untuk 4 periode ke depan. Peramalan out of sample dengan model ARIMA (0,1,1) ditampilkan
pada Tabel 26.
Tabel 26. Ramalan Out Of Sample Model ARIMA (0,1,1)
Std 95% Confidence Limits
Obs Forecast Actual
Error Lower Upper
1823.44
53 2320.72 253.718 2817.998 3025
2
412.054 1513.10
54 2320.72 3128.333 3475
8 8
524.600 1292.52
55 2320.72 3348.918 3675
3 3
616.945 1111.52
56 2320.72 3529.911 3875
5 9
Informasi yang dapat diperoleh dari Tabel 22. adalah model ARIMA (0,1,1) dapat memodelkan
data saham Bank BNI dengan baik, dimana selang kepercayaan yang digunakan sebesar 95%.
Berdasarkan metode SCAN dan ESACF, keduanya menghasilkan nilai BIC minimum yaitu
10.69672. Akan tetapi model tidak dapat diduga karena nilai p+d dan q adalah 0, dapat dilihat pada
Tabel 27.
Tabel 27. Nilai BIC dengan Metode SCAN dan ESACF
SCAN ESACF
p+d q BIC p+d q BIC
0 0 10.69672 0 0 10.69672

5. Kesimpulan
Dari pembahasan dapat diambil kesimpulan sebagai berikut.

21
1. Model yang didapatkan dengan metode correlogram untuk data saham Bank BNI sejumlah
83 data berdasarkan kriteria in sample adalah ARIMA (0,1,1) sedangkan berdasarkan kriteria
out of sample adalah ARIMA (0,1,[1,11]). Metode MINIC, ESACF, dan SCAN menghasilkan
model ARIMA (0,1,1), model tersebut merupakan model terbaik berdasarkan kriteria in
sample dan out of sample.
2. Untuk data yang kurang dari 60 (56 data) dipeoleh model ARIMA (0,1,1) baik dengan
metode correlogram maupun metode MINIC. Akan tetapi, model saham bank BNI dengan
metode SCAN dan ESACF tidak dapat diperoleh karena nilai p+d dan q adalah 0.

6. Daftar Pustaka
Ade. (2010). Kementrian BUMN Prioriaskan Greenshoe Bank BNI (Online).
(http://www.ligagame.com/forum/index.php?topic=77234.1950, diakses 17 Oktober 2010,
10.10)
Anonim1. (2009). ANALISIS EFISIENSI PASAR MODAL: REAKSI HARGA SAHAM TERHADAP
PERATURAN PEMERINTAH ATAS KENAIKAN TARIF CUKAI ROKOK DAN HARGA JUAL
ECERAN ROKOK (HJE) (Studi Kasus pada Perusahaan Rokok dan Penghasil Tembakau yang
Terdaftar di BEJ) (Online). (http://jurnalskripsi.com/analisis-efektivitas-penerimaan-pajak-
hotel-pajak-restoran-dan-pajak-hiburan-sebagai-sumber-pendapatan-asli-daerah-kota-batu-
pdf.htm, diakses 16 Oktober 2010 15.00)
Anonim2. (2008). Macam/Jenis Bank & Definisi/Pengertian Bank Sentral, Umum Dan Bank
Perkreditan Rakyat (Online). (http://organisasi.org/macam-jenis-bank-definisi-pengertian-
bank-sentral-umum-dan-bank-perkreditan-rakyat, diakses 17 Oktober 2010, 09.17)
Anonim3. (2010). Bank Negara Indonesia (Online).
(http://id.wikipedia.org/wiki/Bank_Negara_Indonesia, diakses 17 Oktober 2010, 09.25)
Bagus, W. (2010). Hingga Awal September, Saham Perbankan Naik 39% (Online).
(http://economy.okezone.com/read/2010/09/23/278/375249/hingga-awal-september-saham-
perbankan-naik-39, 17 Oktober 2010, 10.00)
Makridakis, W. dan Gee Mc. (1999). Metode dan Aplikasi Peramalan, Edisi kedua, Bina Rupa
Aksara, Jakarta.
Palimo, Y. (2008). Pengertian Saham dan Jenis-jenis Saham (Online).
(http://coki002.wordpress.com/pengertian-saham-dan-jenis-jenis-saham/, diakses 17 Oktober
2010, 08.40)
Siegel, S. (1997). Statistik Non Parametrik. Gramedia Pustaka Utama: Jakarta.
Wei, W.W.S. (2006). Time Series Analysis Univariate and Multivariate Methods. Addison-Wesley
Company Inc: New York.

22