Anda di halaman 1dari 55

Seminar Hasil Tugas Akhir

2012

Analisis Volatilitas Saham Perusahaan Go Public


dengan Metode ARCH-GARCH
Oleh
Khoiru Liummah Ayu Nastiti 1308 100 102
Dosen Pembimbing
Drs. Agus Suharsono, MS 19580823 198403 1 003

Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
2

--- AGENDA ---


1. Pendahuluan

2. Tinjauan Pustaka

3. Metodologi Penelitian

4. Hasil dan Pembahasan

5. Kesimpulan
3

Surabaya, 21 Juni 2012

Seminar Hasil Tugas Akhir


2012

1. Pendahuluan

--- Khoirunnasi Anfa’uhum Linnasi ----


4

--- Latar Belakang (1) ---

Saham Masyarakat / Instansi

Perusahaan Go Public
atau Terbuka (Tbk)

Kinerja IHSG 2010 : Terbaik di Asia Pasifik, naik 46%


5

--- Latar Belakang (2) ---

Saham

Volatilitas
Risiko Return • Manajemen Aset
• Manajemen Risiko

Heteroskedasticity
ARCH dan GARCH (tidak konstan )
(Engle 1982 dan Bollerslev 1986)
6

--- Penelitian Sebelumnya ----


• Engle (1982)
ARCH digunakan dalam memodelkan inflasi di Inggris
• Bollerslev (1986)
GARCH digunakan dalam peramalan inflasi di Amerika Serikat
• McClain (1996)
ARCH digunakan dalam mengukur risiko dan perilaku finansial dari sektor
pertambangan. Volatilitas return saham pertambangan memiliki ketergantungan
terhadap waktu dan ARCH dapat terdeteksi jika jumlah sampel besar
• Batra (2004)
Volatilitas return saham di India dengan menggunakan GARCH dan EGARCH
serta menghubungkannya dengan pola pasar dalam rentan waktu tertentu
• Hamadu (2010)
Volatilitas return saham sub sektor asuransi di Nigeria dengan model Conditional
Heteroscedasticity. Model Exponential Generalized Autoregressive Conditional
Heteroskedastic (EGARCH) lebih sesuai dalam memodelkan return saham di
Nigeria dari pada model lain
7

--- Permasalahan ---


1. Bagaimana karakteristik return saham Perusahaan Go Public?
2. Bagaimana model volatilitas return perusahaan Go Public
dengan metode ARCH-GARCH ?

---Tujuan ---
1. Mengkaji karakteristik return saham
2. Memperoleh dan menganalisis model volatilitas return
dengan metode ARCH-GARCH
8

--- Manfaat ---


1. Bagi investor, apat memberi informasi mengenai tingkat return
sehingga dapat memilih saham yang memberikan return yang
maksimal
2. Bagi peneliti dan pembaca, dapat menambah wawasan keilmuan
dalam pengembangan dan penerapan metode pendekatan ARCH-
GARCH dalam analisis volatilitas saham.
--- Batasan Masalah ---
Data lima saham dengan lima sektor yang berbeda yang termasuk
dalam indeks LQ 45 yaitu saham PT Aneka Tambang (Persero) Tbk
(ANTM), PT Astra International Tbk (ASII), PT Bank Central Asia Tbk
(BBCA), PT Semen Gresik (Persero) Tbk (SMGR) dan PT United
Tractors Tbk (UNTR). Periode yang diambil adalah penutupan harga
saham mulai Februari 2011 sampai Februari 2012.
9

Surabaya, 21 Juni 2012

Seminar Hasil Tugas Akhir


2012

2. Tinjauan Pustaka

Robert Engle Tim Bollerslev

--- Man Jadda wa jada ----


10

Model Autoregressive Integrated Moving Average


--- (ARIMA) ---

Model matematis ARIMA tanpa pola musiman sebagai berikut (Wei,2006).

(1)
11

--- ACF dan PACF ---


ACF PACF
 
Cov (Z t , Z t k ) k Cov [(Z t  Z t )(, Z t k  Z t k )]
k   (2) k  (3)
Var (Z t ) Var (Z t k ) 0  
Var (Z t  Z t ) Var (Z t k  Z t k )

No Model Pola ACF Pola PACF


PACF signifikan pada lag 1, 2, ..
1. AR (p) ACF dies down
, p dan cuts off setelah lag p
ACF signifikan pada lag 1, 2, ..
2. MA (q) PACF dies down
., q dan cuts off setelah lag q
AR (p) atau ACF signifikan pada lag 1, 2, PACF signifikan pada lag 1, 2,
3.
MA (q) ..., q dan cuts off setelah lag q ..., p dan cuts off setelah lag p
4. ARMA (p, q) ACF dies down PACF dies down

(Bowerman & O'Connell, 1993)


12

--- Estimasi Parameter ---


Metode least square dengan meminimumkan jumlah kuadrat residual
Misal AR (1)

(4)

(Cryer, 2008)
13

--- Pengujian Parameter ---

Statistik uji

(5)

--- Residual White Noise ---


Uji Ljung Box
H0 : ρ1 = ρ2 =...= ρk = 0
H1 : minimal ada satu ρj ≠ 0 untuk j= 1,2,...,k
Tolak H0 jika Q   ;( j  p q )
2
Statistik uji
k  2j residual tidak bersifat white
Q  n (n  2) (6)
j 1 ( n  j )
noise
14

--- Residual Berdistribusi Normal ---


Uji Kolmogorov Smirnov
H0 : Residual berdistribusi normal, H1 : Residual tidak berdistribusi normal
Statistik uji

(7) Jika nilai Dhit>K1-α,n maka


keputusan menolak H0
Sx = nilai distribusi kumulatif data sampel
F0x = nilai distribusi kumulatif distribusi normal

--- Mean Squared Deviation (MSD) ---


MSD merupakan salah satu kriteria pemilihan model terbaik
Model terbaik adalah model dengan nilai MSD terkecil.

(8)
15

--- Autoregressive Conditional Heteroskedasticity (ARCH) ---


(1) menyusun model ekonometrika misal ARMA (p,q) untuk data deret
return saham dan menggunakan data deret residualnya dalam menguji
pengaruh ARCH
(2) menentukan order ARCH dan mengestimasinya
(3) memeriksa model ARCH dan memperbaikinya bila perlu

(9)

(Tsay,2002)
16

--- Uji Lagrange Multiplier (LM) ---

(10)

--- Penentuan Orde ---


Menggunakan PACF dari residual at2 . Apabila residual at2 mengikuti
pola AR (m) maka model ARCH yang diperoleh adalah

 t2   0  1at21  ...  m at2m (11)


17

Generalized Autoregressive Conditional Heteroskedasticity


--- (GARCH) ---
Model matematis GARCH (m,s)

(12)

(Tsay,2002)
18

--- PT Aneka Tambang (Persero ) Tbk (ANTM) ---


Berdiri :Tahun 1968 Salah satu BUMN
Produk : bijih nikel, feronikel, emas, perak,bauksit dan jasa
pengolahan logam mulia
IPO :Tahun 1997
Kapitalisasi : Rp. 15,452 Triliun (per 30 Desember 2011)

--- PT Astra InternationalTbk (ASII) ---


Berdiri :Tahun 1957
Produk : Otomotif, jasa keuangan, alat berat, pertambangan
dan energi, agribisnis
IPO :Tahun 1990
Kapitalisasi : Rp. 229, 58 Triliun (per-30 Desember 2011)
19

--- PT Bank Central Asia Tbk (BBCA) ---


Berdiri : 1957
Produk : Jasa Keuangan
IPO :Tahun 2000
Kapitalisasi : Rp. 169,638 Triliun (per 30 Desember 2011)
--- PT Semen Gresik (Persero ) Tbk (SMGR) ---
Berdiri :Tahun 1957 Salah satu BUMN
Produk : Semen
IPO :Tahun 1991
Kapitalisasi : R. 67,91 Triliun (per 30 Desember 2011)
--- PT United Tractors Tbk (UNTR) ---
Berdiri :Tahun 1972
Produk : Distributor alat berat, kontraktor tambang
IPO :Tahun 2000
Kapitalisasi : Rp. 98,298 Triliun (per 30 Desember 2011)
20

Surabaya, 21 Juni 2012

Seminar Hasil Tugas Akhir


2012

3. Metodologi Penelitian

--- Melakukan Kebaikan di mana pun, Kebaikan mencarikan jalan Kebaikan dalam Kehidupan ---
21

--- Sumber Data ---


Data sekunder daily closing price saham bulan tanggal 1 Februari 2011 –
28 Februari 2012 yang bersumber dari www.finance. yahoo.com

Pertambangan

Aneka Industri

Keuangan

Industri Dasar dan


Kimia
Perdagangan, Jasa dan
Investasi
22

---Variabel Penelitian ---


Return dengan jumlah hari perdagangan 267 hari sehingga terdapat 266
return saham
Return
Saham Tanggal t Harga Penutupan ( Pit )
r it = ln (Pit/Pi(t-1))
1 Feb 11 1 P11 -
2 Feb 11 2 P12 r12
ANTM
... ... ... ...
28 Feb 12 267 P1267 r1267
.... ... ... ... ...
.... ... ... ... ...
1 Feb 11 1 P51 -
2 Feb 11 2 P52 r52
UNTR
... ... ... ...
28 Feb 12 267 P5267 r5267

Nilai i = 1,2,3,4 dan 5 masing-masing untuk saham ANTM, ASII, BBCA, SMGR dan UNTR.
23

--- Langkah Analisis ---


1. Menghitung return saham
2. Mmebagi data menjadi in sample periode 1 Februari 2011 – 31 Januari 2012
(246 return) dan out sample periode 1 Februari – 28 Februari 2012 (20
return)
3. Analisis deskriptif return saham
4. Membuat model time series untuk return saham menggunakan ARIMA yaitu
identifikasi (stasioneritas, plot ACF dan PACF), estimasi, uji signifikansi, uji
Ljung Box, uji Kolmogorov Smirnov, Peramalan
5. Menguji adanya efek heteroskedasticity pada return saham dengan
menggunakan uji Lagrange Multiplier (LM)
6. Plot ACF dan PACF Residual Kuadrat
7. Membuat model ARCH-GARCH volatilitas saham
8. Estimasi parameter model ARCH-GARCH volatilitas saham
9. Pemilihan model ARCH-GARCH terbaik
10.Meramal volatilitas saham
Analisis ini mengunakan bantuan software Minitab, SAS dan Eviews.
24

--- Langkah Analisis ---


Data harga penutupan
saham

Membagi data menjadi in sample dan out sample lalu menghitung


return saham (rt)

Membuat time series plot dan menghitung statistika deskriptif retun


saham

Tidak - Differencing
Uji kestasioneran - BoxCox
Transformation
Ya

Identifikasi model ARIMA pada return saham


(ACF dan PACF Plot), estimasi dan uji signifikansi dan pemilihan model
ARMA terbaik

Tidak Model ARIMA Terbaik


Uji LM untuk residual
Return Saham
Ya

ACF dan PACF residual kuadra untuk penetuan orde ARCH-GARCH

Estimasi parameter ARCH-GARCH


25

Surabaya, 21 Juni 2012

Seminar Hasil Tugas Akhir


2012

4. Analisis dan Pembahasan

--- Melayani Sebaik dan Sebanyak Orang merupakan Pengabdian Tertinggi dalam Kehidupan ---
26

---Time Series Plot Daily Closing Price Saham ---


2600 80000 8800

2400 76000 8400


72000 8000
2200
68000 7600
2000 64000 7200

1800 60000 6800


56000 6400
1600
52000 6000
1400 48000 5600
2011M04 2011M07 2011M10 2012M01 2011M04 2011M07 2011M10 2012M01 2011M04 2011M07 2011M10 2012M01
ANTM ASII BBCA

13000 30000

12000 28000

11000 26000

10000 24000

9000 22000

8000 20000

7000 18000
2011M04 2011M07 2011M10 2012M01 2011M04 2011M07 2011M10 2012M01

SMGR UNTR

Bulan Oktober : Puncak Krisis Ekonomi Eropa pada Tahun 2011


27

---Time Series Plot Return Saham ---


.08
.08
.06

.04 .04
.04
.02
.00
.00 .00

-.02
-.04
-.04
-.04
-.08 -.06
-.08

-.08
-.12
-.12
2011M04 2011M07 2011M10 2012M01 -.10
2011M04 2011M07 2011M10 2012M01
2011M04 2011M07 2011M10 2012M01
ANTM
ASII
BBCA

.08 .08

.06
.04
.04

.02 .00

.00
-.04
-.02

-.04
-.08
-.06

-.08 -.12
2011M04 2011M07 2011M10 2012M01 2011M04 2011M07 2011M10 2012M01

SMGR UNTR
28

--- Karakteristik Return Saham ---


ANTM ASII BBCA SMGR UNTR
Mean -0,000775 0,00197 0,001414 0,001404 0,001115
Maximum 0,064539 0,060418 0,054808 0,066323 0,072998
Minimum -0,09975 -0,099221 -0,087598 -0,068993 -0,099608
Std. Dev. 0,019285 0,021982 0,01774 0,02194 0,023136
Skewness -0,884663 -0,791014 -0,606498 -0,052805 -0,210949
Kurtosis 8,270888 6,034307 5,065662 3,376964 5,305650
Probability KS <0,01 0,049 <0,01 <0,01 <0,01
29

--- Uji Augmented Dickey Fuller (ADF) ---


H0 : data memiliki unit root (data tidak stasioner)
H1 : data tidak memiliki unit root (data stasioner)
Saham t-Statistics p-value
ANTM -9,3560 0,0000
ASII -16,3112 0,0000
BBCA -17,1138 0,0000
SMGR -18,8811 0,0000
UNTR -14,9647 0,0000

Nilai t-tabel -2.86432 (level signifikansi 5%).

STASIONER
30

--- Plot ACF dan PACF Return Saham (1) ---


1,0 1,0

0,8 0,8

0,6 0,6

0,4 0,4

A utocorrelation
A utocorrelation

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
A -1,0

1 5 10 15 20 25 30 35 40 45 50 55 60 A 1 5 10 15 20 25 30 35 40 45 50 55 60
Lag
N 1,0
Lag

S 1,0

T 0,8

0,6
I 0,8

0,6
M I
Partial A utocorrelation

Partial A utocorrelation
0,4 0,4
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 55 60
1 5 10 15 20 25 30 35 40 45 50 55 60
Lag
Lag

ARIMA ([2,28],0,0) ARIMA ([3,6,7],0,0)


ARIMA (0,0,[2,28]) ARIMA (0,0,[3,7,28])
31

--- Plot ACF dan PACF Return Saham (2) ---


1,0 1,0

0,8 0,8

0,6 0,6

0,4 0,4

A utocorrelation
A utocorrelation

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
B -1,0

1 5 10 15 20 25 30 35 40 45 50 55 60
S 1 5 10 15 20 25 30 35 40 45 50 55 60
Lag
B 1,0
Lag
M 1,0

C 0,8

0,6
G 0,8

0,6

A R

Partial A utocorrelation
Partial A utocorrelation

0,4 0,4

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 55 60 1 5 10 15 20 25 30 35 40 45 50 55 60
Lag Lag

ARIMA ([18,31],0,0) ARIMA [1,21,33],0,0)


ARIMA (0,0,[18,31]) ARIMA (0,0,[21,33])
32

--- Plot ACF dan PACF Return Saham (3) ---


1,0 1,0

0,8 0,8

0,6 0,6

Partial A utocorrelation
0,4 0,4
A utocorrelation

N
0,2 0,2

0,0 0,0

T -0,2

-0,4
-0,2

-0,4

R -0,6 -0,6

-0,8 -0,8

-1,0 -1,0

1 5 10 15 20 25 30 35 40 45 50 55 60 1 5 10 15 20 25 30 35 40 45 50 55 60
Lag Lag

ARIMA ([4,6,19],0,0)
ARIMA (0,0,[4,19])
33

--- Estimasi Parameter (1) ---


Saham Model Parameter Estimasi p-value
f2 0,16438 0,0076
ARIMA ([2,28],0,0)
f28 0,26259 <0,0001
ANTM
q2 -0,17484 0,0051
ARIMA (0,0,[2,28])
q28 -0,22388 0,0006
f3 -0,16069 0,011
ARIMA ([3,6,7],0,0) f6 -0,15492 0,0139
f7 0,19837 0,0016
ASII
q3 0,16653 0,0081
ARIMA (0,0,[3,7,28]) q7 -0,16236 0,0098
q28 -0,15091 0,0195
f18 0,20283 0,0014
ARIMA ([18,31],0,0)
f31 -0,14615 0,0218
BBCA
q18 -0,22394 0,0004
ARIMA (0,0,[18,31])
q31 0,18815 0,0031
34

--- Estimasi Parameter (2) ---


Saham Model Parameter Estimasi p-value
f1 -0,12843 0,0411
ARIMA [1,21,33],0,0) f21 0,13605 0,0432
SMGR f33 0,21293 0,0027
q21 -0,15030 0,0237
ARIMA (00,[21,33])
q33 -0,21576 0,0025
f4 -0,17323 0,0057
ARIMA ([4,6,19],0,0) f6 -0,12855 0,0384
UNTR f19 0,16463 0,0112
q4 0,16909 0,0074
ARIMA (0,0,[4,19])
q19 -0,15935 0,0154
35

--- ResidualWhite Noise ---


Uji Ljung Box
H0 : residual White Noise H1 : residual tidak White Noise
p-value hingga lag
Saham Model ARIMA
6 12 18 24 30 36

ANTM
ARIMA ([2,28],0,0) 0,309 0,645 0,469 0,404 0,271 0,190 √
ARIMA (0,0,[2,28]) 0,488 0,566 0,275 0,214 0,089 0,045
X
ARIMA ([3,6,7],0,0) 0,419 0,934 0,873 0,949 0,878 0,857
ASII
ARIMA (0,0,[3,7,28]) 0,131 0,656 0,505 0,623 0,674 0,548 √
ARIMA ([18,31],0,0) 0,364 0,685 0,712 0,589 0,617 0,730
BBCA
ARIMA (0,0,[18,31]) 0,450 0,742 0,745 0,611 0,668 0,728

ARIMA ([1,21,33],0,0) 0,564 0,892 0,728 0,827 0,781 0,865
SMGR √
ARIMA (00,[21,33]) 0,195 0,590 0,512 0,650 0,377 0,492
ARIMA ([4,6,19],0,0) 0,286 0,591 0,550 0,599 0,622 0,484
UNTR
ARIMA (0,0,[4,19]) 0,680 0,859 0,740 0,729 0,815 0,754

36

--- Residual Berdistribusi Normal ---


Uji Kolmogorov Smirnov
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Saham Model p-value Distribusi Normal
ARIMA ([2,28],0,0) 0,075 Ya
ANTM
ARIMA (0,0,[2,28]) 0,0277 Tidak
ARIMA ([3,6,7],0,0) 0,0556 Ya
ASII
ARIMA (0,0,[3,7,28]) >0,15 Ya
ARIMA ([18,31],0,0) >0,15 Ya
BBCA
ARIMA (0,0,[18,31]) >0,15 Ya
ARIMA ([1,21,33],0,0) >0,15 Ya
SMGR
ARIMA (00,[21,33]) >0,15 Ya
ARIMA ([4,6,19],0,0) 0,0314 Tidak
UNTR
ARIMA (0,0,[4,19]) 0,0122 Tidak
37

--- Pemilihan Model Terbaik ---


Saham Model MSD
ARIMA ([2,28],0,0) 0,000192
ANTM
ARIMA (0,0,[2,28]) 0,000199
ARIMA ([3,6,7],0,0) 0,000393
ASII
ARIMA (0,0,[3,7,28]) 0,0004
ARIMA ([18,31],0,0) 0,000218
BBCA
ARIMA (0,0,[18,31]) 0,000207
ARIMA ([1,21,33],0,0) 0,000299
SMGR
ARIMA (00,[21,33]) 0,000313
ARIMA ([4,6,19],0,0) 0,000461
UNTR
ARIMA (0,0,[4,19]) 0,000463

Return ANTM
38

--- Deteksi Outlier Return Saham UNTR ---


Terdapat 20 Outlier Bersifat Additive
Model Parameter Estimasi p-value Keterangan

f4 -0,13777 0,0317

f6 -0,17924 0,0048

ARIMA (0,0,[4,619]) f 19 0,13936 0,0372 Signifikan


-0,08862 <0,0001
0,07538 0,00031
0,06436 0,0016
39

Uji Diagnostik Model ARIMA dengan Outlier


--- Return Saham UNTR ---
Uji
Uji White Noise
Normal MSD
hingga lag p-value p-value
6 0,9255
12 0,996
18 0,9712
24 0,9906 0,0996 0,000468
30 0,9982
36 0,9966
42 0,9931

White Noise dan Normal


40

Model Matematis
•Saham PT Aneka Tambang Tbk (ANTM) ARIMA ([2,28],0,0)

•Saham PT Astra International Tbk (ASII) ARIMA([3,6,7],0,0)

•Saham PT Bank Central Asia Tbk (BBCA) ARIMA (0,0,[18,31])

•Saham PT Semen Gresik Tbk (SMGR) ARIMA ([1,21,33],0,0)

•Saham PT United Tractors Tbk (UNTR) ARIMA ([4,6,19],0,0)


dengan outlier
41

--- Peramalan ---


(Periode 1 -28 Februari 2012)
0,05
0,050 0,04
0,04
0,03

0,03 0,02
0,025
0,02 0,01

Return
Return
0,01 0,00
Return

0,000
0,00 -0,01

-0,02
-0,01
-0,025 -0,03
-0,02
-0,04
-0,03
-0,050 -0,05
-0,04 BBC A 3Feb 8Feb 10Feb 13Feb 21Feb 24Feb
3Feb 8Feb 10Feb 13Feb 21Feb 24Feb A KTU A L Tanggal
A N TM 3Feb 8Feb 10Feb 13Feb 21Feb 24Feb A S II RA M A LA N
A KTU A L A KTU A L Tanggal
RA M A LA N
Tanggal RA M A LA N
L95
U 95
L95 L95
U 95 U 95

0,050

0,050

0,025
0,025 Return
Return

0,000 0,000

-0,025 -0,025

-0,050
-0,050
SMGR 3Feb 8Feb 10Feb 13Feb 21Feb 24Feb U N TR 3Feb 8Feb 10Feb 13Feb 21Feb 24Feb
A KTU A L A KTU A L
Tanggal RA M A LA N
Tanggal
RA M A LA N
L95 L95
U 95 U 95
42

--- Uji Lagrange Multiplier (LM) ---

Nilai TR2 Uji LM


m
ANTM ASII BBCA SMGR UNTR
1 3,1889 0,3453 8,4047 8,4984 0,0742 3,8415
2 16,8654 0,3730 8,4401 11,9319 0,3812 5,9915
3 17,2363 4,0883 9,4018 18,3469 2,3972 7,8147
4 17,7987 4,1929 9,4427 21,2303 4,0668 9,4877
5 18,7740 4,3948 9,5678 23,8677 4,3973 11,0705
6 18,8389 6,8101 22,8428 23,9620 5,3151 12,5916
7 27,9047 9,7653 32,4856 24,1936 7,9615 14,0671
8 30,2454 9,9457 32,7798 29,5911 9,1045 15,5073
9 35,5242 9,9769 33,2149 29,6014 11,7624 16,9190
10 35,9571 10,2150 35,0220 29,7227 11,8194 18,3070

√ X √ √ X
43

--- Plot ACF dan PACF Residual Kuadrat (1) ---


1,0 1,0
0,8 0,8
0,6 0,6
0,4 0,4
A utocorrelation

A utocorrelation
0,2 0,2
0,0 0,0
-0,2 -0,2
-0,4 -0,4
-0,6 -0,6
-0,8
A
-0,8
-1,0 A -1,0

N 1 5 10 15 20 25 30
Lag
35 40 45 50 55 60
S 1 5 10 15 20 25 30
Lag
35 40 45 50 55 60

T 1,0 I 1,0

M 0,8

0,6
I 0,8

0,6
Partial A utocorrelation

Partial A utocorrelation
0,4 0,4
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 55 60 1 5 10 15 20 25 30 35 40 45 50 55 60
Lag Lag

ARCH (2) atau ARCH (1) atau Tidak Ada Model ARCH-
GARCH (1,1) GARCH
44

--- Plot ACF dan PACF Residual Kuadrat (2) ---


1,0 1,0

0,8 0,8

0,6 0,6

0,4 0,4

A utocorrelation
A utocorrelation

0,2 0,2

0,0 0,0

-0,2 -0,2

-0,4 -0,4

-0,6 -0,6

-0,8 -0,8

B -1,0 S -1,0

B 1 5 10 15 20 25 30
Lag
35 40 45 50 55 60
M
1 5 10 15 20 25 30
Lag
35 40 45 50 55 60

C 1,0

0,8
G
1,0

0,8

A 0,6
R 0,6

Partial A utocorrelation
Partial A utocorrelation

0,4 0,4

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 55 60 1 5 10 15 20 25 30 35 40 45 50 55 60
Lag Lag

ARCH (1) atau GARCH (1,1) ARCH (1) atau GARCH (1,1)
45

--- Plot ACF dan PACF Residual Kuadrat ---


1,0 1,0

0,8 0,8

0,6 0,6

Partial A utocorrelation
0,4 0,4
A utocorrelation

N
0,2 0,2
0,0 0,0

T -0,2

-0,4
-0,2

-0,4

R -0,6 -0,6
-0,8 -0,8
-1,0 -1,0

1 5 10 15 20 25 30 35 40 45 50 55 60 1 5 10 15 20 25 30 35 40 45 50 55 60
Lag Lag

ARCH (4)
46

--- Estimasi Parameter ARCH-GARCH(1) ---


Saham Model ARIMA Parameter Estimasi p-value

ARIMA f2 0,16438 0,0076


([2,28],0,0) f28 0,26259 <0,0001
ANTM 0 0,0000174 0,043
GARCH (1,1) 1 0,1107 0,0006
b1 0,8406 <0,0001
ARIMA q18 -0,22394 0,0004
(0,0,[18,31]) q31 0,18815 0,0031
BBCA 0 0,000237 0,2559
GARCH (1,1) 1 0,1167 0,2591
b1 0,0649 0,9309
47

--- Estimasi Parameter ARCH-GARCH(2) ---

Saham Model ARIMA Parameter Estimasi p-value

f1 -0,12843 0,0411

ARIMA ([1,21,33],0,0) f21 0,13605 0,0432


SMGR f33 0,21293 0,0027

0 0,000320 <0.0001
ARCH (1)
1 0,3067 0,0479
48

--- Peramalan ARCH-GARCH ---


0,0016 0,0018
ANTM SMGR
In Sample In Sample
0,0014 0,0016 Out Sample
Out Sample

0,0012 0,0014

0,0010 0,0012

0,0008 0,0010

0,0006
0,0008

0,0004
0,0006

0,0002
0,0004

0,0000
0,0002
April11 Juli11 Okt11 Jan12
April11 Juli11 Okt11 Jan12

POTENSI
RISIKO
TINGGI
49

Surabaya, 21 Juni 2012

Seminar Hasil Tugas Akhir


2012

5. Kesimpulan dan Saran

--- Melayani Sebaik dan Sebanyak Orang merupakan Pengabdian Tertinggi dalam Kehidupan ---
50

--- Kesimpulan ---


• Return saham perusahaan menunjukkan keadaan yang berfluktuasi selama
periode pengamatan.
• Semua saham mengalami penurunan di bulan Oktober 2011
• Puncak krisis Eropa menjadi penyebab turunnya nilai saham
• Saham PT Astra International Tbk (ASII) adalah saham dengan rata-rata
return tertinggi
• Saham PT Aneka Tambang Tbk (ANTM) adalah saham dengan rata-rata
return terendah
51

--- Kesimpulan (2) ---


Model terbaik untuk meramalkan return saham ANTM adalah
ARIMA ([2,28],0,0), saham ASII dengan model
ARIMA([3,6,7],0,0), saham BBCA dengan model ARIMA
(0,0,[18,31]), saham SMGR dengan model ARIMA
([1,21,33],0,0) sedangkan pada saham UNTR model ARIMA
terbaik diperoleh dengan penangan outlier terlebih dahulu yaitu
ARIMA ([4,6,19],0,0). Nilai MSD semua model ARIMA return
saham bernilai kurang dari 0,0005. Dalam memodelkan
volatilitas saham, hanya terdapat dua saham perusahaan yang
memiliki model ARCH-GARCH yaitu PT Aneka Tambang Tbk
(ANTM) dan PT Semen Gresik Tbk (SMGR). ANTM memiliki
model volatilitas GARCH (1,1) sedangkan SMGR memiliki
model volatilitas ARCH (1)
52

--- Saran---
Dalam penelitian selanjutnya sebaiknya dapat juga menghitung nilai Value at Risk
(VaR) dinamik saham perusahaan. Dalam pemodelan analisis volatilitas dapat
juga digunakan model ARCH-GARCH yang non linier seperti TGARCH atau
EGARCH. Saran terakhir adalah bisa menambahkan variabel lain yang berkaitan
dan nilai varians residual dalam model return saham (GARCH-M).
53

--- Daftar Pustaka (1) ---


Anton. 2006. Analisis Model Volatilitas Return Saham. Tesis Magister Sains dan
Akuntansi Universitas Diponegoro.
Bollerslev, T. 1986. Generalized Autoregressive Conditional Heteroscedasticity. Journal of
Econometrics 31 , 307-327.
Bowerman, B. L., & O'Connell, R. T. (1993). Forecasting and Time Series : An Applied
Approach (3rd edition). California: Duxbury Press.
Company Profile United Tractors. (2012, Juni ). Dipetik Juni 4, 2012, dari PT United
Tractors Tbk: www.unitedtractors.com
Cryer, J.D. 2008. Time Series Analysis with Application in R (2nd ed.) New York:
Springer Science+Bussines Media.
Deskripsi ANTAM. (2012). Dipetik Juni 4, 2012, dari ANTAM: www.antam.com
Engle, R. 1982. Autoregressive Conditional heteroscedasticity with Estimates of Variance of
UK Inflation. Econometrica , 987-1008.
Hamadu, D. 2010. Modelling and Forecasting the Volatility of the Daily Returns.
International Business Research ,Vol. 3 No. 2.
54

--- Daftar Pustaka (2) ---


Hien, M. T. 2008. Modelling and Forecasting Volatility by GARCH Type Models : The Case of
Vietnam Stock Exchange. Disertation in Finance and Investment .
Ikhtisar Astra. (2012, Juni). Dipetik Juni 4, 2012, dari PT Astra International Tbk:
www.astra.co.id
McClain, K. T., & Humphreys, H. B. 1996. Measuring Risk in The Mining Sector with
ARCH Model with Important Observations on Sample Size. Journal of Empirical
Finance , 369-391.
Riwayat Singkat Semen Gresik. (2012, Juni). Dipetik Juni 4, 2012, dari PT Semen
Gresik (Persero)Tblk: www.semengresik.com
Tentang BCA. (2012, Juni). Dipetik Juni 4, 2012, dari PT Bank Central Asia Tbk:
www.bca.co.id
Tsay, R. 2002. Analysis of Financial Time Series. New Jersey: John Wiley & Sons.
Wei, W. 2006. Time Series Analysis : Univariate and Multivariate. USA: Pearson
Education.
55

Surabaya, 21 Juni 2012

Seminar Hasil Tugas Akhir


2012

Terima Kasih
--- Melayani Sebaik dan Sebanyak Orang merupakan Pengabdian Tertinggi dalam Kehidupan ---