1
Analisis Stock Price pada Saham PT Bank
Negara Indonesia Tbk
Yolan Setyo Utomo,
Dosen :Dr.rer.pol. Dedy Dwi Prastyo, S.Si., M.Si.,
Departemen Statistika, FMKSD, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
I. PENDAHULUAN
B erdiri sejak 1946, BNI yang dahulu dikenal sebagai
Bank Negara Indonesia, merupakan bank pertama
yang didirikan dan dimiliki oleh Pemerintah Indonesia [1].
Bank Negara Indonesia mulai mengedarkan alat
pembayaran resmi pertama yang dikeluarkan Pemerintah
Indonesia, yakni ORI atau Oeang Republik Indonesia, pada
malam menjelang tanggal 30 Oktober 1946, hanya beberapa
bulan sejak pembentukannya. Hingga kini, tanggal tersebut
diperingati sebagai Hari Keuangan Nasional, sementara hari
pendiriannya yang jatuh pada tanggal 5 Juli ditetapkan
sebagai Hari Bank Nasional.
Menyusul penunjukan De Javsche Bank yang
merupakan warisan dari Pemerintah Belanda sebagai Bank
Sentral pada tahun 1949, Pemerintah membatasi peranan
Bank Negara Indonesia sebagai bank sirkulasi atau bank
sentral. Bank Negara Indonesia lalu ditetapkan sebagai bank
pembangunan, dan kemudian diberikan hak untuk bertindak
sebagai bank devisa, dengan akses langsung untuk transaksi
luar negeri. Semakin bertumbuhnya bank BNI,
mengakibatkan meningkatnya harga saham perusahaan
tersebut. Pada bulan februari harga saham mereka mencapai
Rp10.175 dan merupakan rekor harga tertinggi yang pernah
dicapai [2].
Kebijakan tax amnesty memberikan dampak bagus dan
strategis bagi perkembangan saham di akhir 2016 dan awal
2017 dimana dana repatriasi berpotensi untuk diinvestasikan
di sektor properti. Tax amnesty merupakan pengampunan
atau pengurangan pajak terhadap properti yang dimiliki oleh
perusahaan.
II. TINJAUAN PUSTAKA
A. Return Saham
Return saham merupakan keuntungan yang diperoleh
dari kepemilikan saham investor atas investasi yang
dilakukannya, yang terdiri dari deviden dan capital
gain/loss. [3]. Close price merupakan harga saham terakhir
kali pada saat berpindah tangan diakhir perdagangan. Close
price merupakan harga terpenting dengan alasan sebagai
berikut.
 Mencerminkan semua informasi yang ada pada semua
pelaku pasar pada saat perdagangan saham tersebut
berakhir.
 Mencerminkan posisi harga dimana pemodal berani
melakukan posisi hold, dalam menghadapi semua
informasi yang mungkin terjadi pada malam hari, ketika
tidak terjadi perdagangan.
 Lebih dari 90% indikator teknikal yang digunakan oleh
pelaku pasar menggunakan close price sebagai input
utamanya, sehingga posisi dari close price bisa memicu
signal beli atau signal jual.
Return merupakan hasil yang diperoleh dari investasi.
Return dapat berupa return realisasi yang sudah terjadi atau
return ekspektasi yang belum terjadi tetapi yang diharapkan
akan terjadi di masa akan dating. Return adalah penghasilan
yang diterima dari suatu investasi ditambah dengan
perubahan harga pasar, yang biasanya dinyatakan sebagai
persentase dari harga pasar awal dari investasi tersebut [4].
Return saham merupakan selisih antara harga jual atau
harga saat ini dengan harga pembelian atau harga awal
periode. Untuk menghitung return saham dan log return
digunakan rumus sebagai berikut.
P  Pt 1
Rt  t
Pt 1
Keterangan:
Rt : Imbal saham
Pt : Harga saham pada periode t
Pt-1 : Harga saham pada periode t-1
B. Statistika Deskriptif
Statistika deskriptif adalah metode statistika yang hanya
meliputi kegiatan-kegiatan mengumpulkan data, menyusun,
dan menggambarkan data dalam bentuk tabel atau grafik,
nilai pemusatan dan penyebaran saja, namun belum
dilakukan analisis data sehingga kesimpulan yang diperoleh
sangat terbatas terhadap populasi secara umum yaitu hanya
terbatas pada nilai pemusatan dan penyebaran [5].
Statistika deskriptif yang digunakan pada perhitungan
nilai saham adalah rata-rata, standar deviasi, dan koefisien
varians. Untuk menghitung return rata-rata saham
digunakan rumus sebagai berikut.
1 n
Rt   Rt
n t 1
Besaran risiko investasi diukur dari besaran standar
deviasi dari return yang diharapkan. Sedangkan return yang
diharapkan (expected return) adalah imbalan yang akan
diperoleh oleh investor di masa mendatang. Secara
matematis, return yang diharapkan dapat ditulis sebagai
berikut.
𝑛
𝐸(𝑅𝑡 ) = ∑ 𝑅𝑡 𝑝𝑟𝑡
𝑖=1
Keterangan:

E(Rt) : Return yang diharapkan dari suatu sekuritas
Rt : Return ke-t
prt : Probabilitas kejadian return ke-t
n : Banyaknya return yang mungkin terjadi
Untuk rumus standard deviasi return adalah sebagai
berikut.
𝑛 Metode ini juga bersifat non-parametrik. Metode ini
2 merupakan cara termudah untuk memperkirakan Value
𝜎 = √∑(𝑅𝑡 − 𝐸(𝑅𝑡 )) 𝑝𝑟𝑡
𝑖=1
Dalam pengukuran risiko juga perlu menghitung risiko
relatif. Risiko relatif ini menunjukkan risiko per unit return
yang diharapkan. Ukuran risiko relatif yang dapat dipakai
adalah koefisien variasi.
standar deviasi return
Koefisien variasi =
return yang diharapkan
C. Value-at-Risk (VaR)
Value At Risk (VaR) merupakan metode perhitungan
market risk untuk menentukan risiko kerugian maksimum
yang dapat terjadi pada suatu portfolio, baik single-
instrument ataupun multi-instruments, pada confidence level
tertentu, selama holding period tertentu, dan dalam kondisi
market yang normal [6]. Ada beberapa metode yang dapat
digunakan untuk menghitung VaR yaitu: parametrik
(disebut juga metode varian kovarian), metode simulasi
Monte Carlo, simulasi Historis, EVT dan GARCH.
1. Metode Varian Kovarian
Metode ini bersifat parametrik karena menggunakan
asumsi distribusi normal. Faktor risiko diolah
sedemikian rupa agar memiliki distribusi normal. VaR
diperoleh dengan mengalikan standar deviasi dengan
faktor pengali dari tingkat keyakina dan nilai portofolio
dimana pada metode ini dapat dihitung dengan metode
single asset. Kelebihan dari metode Varians-Kovarians
adalah untuk menghitung Value At Risk dapat dilakukan
secara sederhana dengan membuat asumsi bahwa factor-
faktor pasar yang mempengaruhi nilai asset atau
portofolio adalah berdistribusi normal. Rumus varian-
kovarian sebagai berikut :
𝑉𝑎𝑅 = 𝑃𝑧0,95 𝜎√𝑡
Dimana :
Pz0,95 : tingkat kepercayaan sebesar 95%
σ : volatilitas return aset tunggal
√𝑡 : periode waktu
2. Metode Simulasi Monte Carlo
Metode ini bersifat non-parametrik karena tidak
menggunakan asumsi distribusi normal, perbedaannya
dengan historical simulation adalah pada kemampuan
metode ini dalam menghasilkan ribuan jalur simulasi
untuk menghasilkan distribusi yang hampir akurat
terhadap distribusi faktor risiko di masa depan.
Penggunaan metode simulasi Monte Carlo untuk
mengukur risiko telah dikenalkan oleh Boyle pada tahun
1977. Dalam mengestimasi nilai Value At Risk (VaR)
baik pada aset tunggal maupun portofolio, simulasi
Monte Carlo mempunyai beberapa jenis algoritma.
Namun pada intinya adalah melakukan simulasi dengan
membangkitkan bilangan random berdasarkan
karakteristik dari data yang akan dibangkitkan, yang
kemudian digunakan untuk mengestimasi nilai VaR-nya
[7]. Rumus metode Monte Carlo sebagai berikut :
2
𝑉𝑎𝑅 = µ − (Z × σ)
Dimana :
VaR : Potensi kerugian maksimal
µ : Besarnya nilai rata-rata return
Z : Tingkat Kepercayaan σ : Standar Deviasi
3. Metode Simulasi Historis
At Risk bagi banyak portofolio. Dalam metode ini, VaR
untuk portofolio diperkirakan dengan menciptakan
hypothetical time series dari return yang diperoleh
dengan menjalankan portofolio melalui data historis
yang aktual dan perubahan yang telah terjadi di setiap
periode atas sebuah portofolio. Dalam metode ini VaR
ditentukan oleh pergerakan harga sebenarnya. Rumus
untuk menghitung VaR simulasi historis adalah sebagai
berikut [8].
(1−𝛼) = 𝜇(𝑅) −𝑅𝛼
Dimana: (1−𝛼) : potensi kerugian maksimal
(𝑅) : nilai rata-rata Return
𝑅𝛼 : rugi maksimum 𝛼 tertentu
4. EVT
Peristiwa ekstrim adalah peristiwa yang jarang terjadi
serta sering disebut juga sebagai outlier. Pemodelan
data-data yang bersifat ekstrim, ada salah satu teori yang
dapat diaplikasikan untuk masalah tersebut. Teori ini
dikenal dengan nama EVT. ribusi GEV adalah sebuah
distribusi yang dibangun dari EVT karena distribusi ini
merupakan generalisasi dari distribusi Extreme Value.
Berikut pendeketan VaR dengan GEV distribusi Frechet.
𝜎̂
𝑉𝑎𝑅𝐹 = 𝜇̂ + [1 − (−𝑛 ln(1 − 𝛼))], 0 < (1 − 𝛼) < 1
𝜉
VaRF merupakan kuantil ke-(1) , ˆ adalah estimasi
parameter lokasi, ˆ estimasi parameter skala,  ˆ
estimasi parameter ekor dan n banyaknya data.
5. GARCH
Pemanfaatan GARCH dalam menaksir volatilitas
bersyarat akan menghasilkan suatu peramalan VaR satu
hari ke depan terhadap data return indeks saham [9].
Misalkan Rt adalah tingkat pengembalian (return) indeks
saham pada saat t yang didefiniskan sebagai fungsi dari
model volatilits stokasitik sebagai beriktut:
Rt = µt + σtZt (14)
dimana µt nilai harapan tingkat pengembalian pada saat t
dan σt adalah volatilitas indeks saham dan Zt suatu
variabel pengganggu yang bersifat acak tapi diasumsikan
berdistribusi normal standar. Selain itu diasumsikan juga
Rt bersifat stasioner. Model GARCH yang paling
populer dan cocok diterapkan dalam data time series
finansial adalah GARCH(1,1) yang diformulasikan
dalam bentuk.
σ 2 t = α0 + α1ε 2 t−1 + βσ2 t−1 (15)
dimana ε = Rt−1 − µt , µt = λRt − 1, α0, α1, β + α1 < 1
dan |λ| < 1 Terlihat bahwa, dalam VaR statis, distribusi
dari F adalah tak bersyarat, sedangkan dalam VaR
dinamis distribusi F bersyarat terhadap data historis.
Untuk peramalan VaR dinamis satu hari ke depan dapat
menggunakan model GARCH(1,1), dihitung dengan
formula.
VaRq = µt + σt+1VaR(Zq) (16)
dengan asumsi bahwaFZ(z) diketahui dan berdistribusi
normal standar. Penggunaan persamaan (16) mesti
 3

didahului dengan menyaring data historis menggunakan
GARCH(1,1) setelah data tersaring dilanjutkan dengan
penerapan Block-Maxima dan POT terhadap sisa
(residual) yang dihasilkan dari proses penyaring.
D. Box-Plot
Box plot atau boxplot (juga dikenal sebagai diagram
boxand-whisker) merupakan suatu box (kotak berbentuk
bujur sangkar). Box plot adalah cara standar untuk
menampilkan distribusi data berdasarkan lima rangkuman
(minimum, kuartil pertama, median, kuartil ketiga, dan
maksimum).
2018 dan mulai tanggal perdagangan 23 Desember 2003
hingga 30 April 2018.
B. Metode Analisis Data
Metode analisis yang digunakan pada penelitian ini
adalah sebagai berikut.
1. Mengidentifikasi masalah dan tujuan penelitian.
2. Mengumpulkan data stock price PT Bank Negara
Indonesia yang diunduh dari finance.yahoo.com.
3. Menganalisis nilai return dari data close price.
4. Membandingkan nilai mean, standard deviation,
dan variance coefficient dari data return setiap
periode.
5. Membandingkan nilai Value-at-Risk (VaR) dan
kebaikan metode untuk setiap periode pada setiap
kuantil dengan setiap pendekatan.
6. Menganalisis dengan membandingkan panjang
window dan pendekatan perhitungan VaR.
7. Membuat time series plot dan multiple box-plot
pada nilai close price dan log return.
8. Membuat kesimpulan dari proses pengolahan data
yang telah dilakukan.

IV. PEMBAHASAN
A. Saham PT. Bank Negara Indonesia
Berikut adalah gambar histogram dari data close price
pada saham BBNI.JK dalam periode 1 Januari 2013 hingga
31 Mei 2018.

Dalam box plot yang paling sederhana, persegi panjang

tengah membentang kuartil pertama ke kuartil ketiga
(interquartil range atau IQR). Nilai IQR jarak kuantil dapat
diperoleh menggunakan rumus sebagai berikut.
IQR=Q3-Q1
Q3=kuartil 3
Q1 =kuartil 1
Segmen di dalam persegi panjang menunjukkan median,
dan "kumis" di atas dan di bawah persegi panjang
menunjukkan lokasi minimum dan maksimum. Data yang
terletak antara pagar dalam (inner fence) dan pagar luar
(outer fence) pantas dicurigai sebagai outliers. Data yang
berada di luar outer fence harus sangat dicurigai sebagai
outliers. Outliers adalah 3 × IQR atau lebih di atas kuartil
ketiga atau 3 × IQR atau lebih di bawah kuartil pertama.
Dugaan outliers adalah 1,5 x IQR atau lebih di atas kuartil
ketiga atau 1,5 × IQR atau lebih di bawah kuartil pertama.
Jika salah satu jenis outlier hadir, kumis di sisi yang sesuai Berdasarkan histogram tersebut dapat diketahui
diambil sampai 1,5 × IQR dari kuartil (pagar dalam) dari bahwa harga penutupan atau close price pada saham BBNI
titik data maksimum atau minimum, dan titik data individual berkisar antara Rp 3.450 hingga Rp 10.175. Transaksi close
ditampilkan sebagai lingkaran yang tidak terisi (untuk price paling sering terjadi pada harga Rp 4.500 sampai Rp
dugaan outliers) atau lingkaran yang diisi (untuk outlier). 5.000.
Pagar luar adalah 3 × IQR dari kuartil

III. METODOLOGI PENELITIAN

A. Sumber Data
Data yang digunakan pada penelitian ini adalah data
sekunder yang diperoleh dari finance.yahoo.com pada hari
Senin tanggal 4 Juni 2018. Data tersebut merupakan
historical data saham PT Bank Negara Indonesia dengan
kode BBNI.JK mulai tanggal 1 Januari 2013 hingga 31 Mei
 4

All Tax
0.000633 0.020357032 32.13661
Amnesty

Diketahui pada perbandingan tersebut rata-rata harga

saham BBNI tertinggi pada periode pasca tax amnesty
sebesar 0.001179, sedangkan terendah pada periode before
tax amnesty sebesar 0.000445. Daily Votality (Standard
Deviation) atau perubahan harga saham BBNI terbesar
setiap hari pada periode before tax amnesty sebesar 0,0218,
sedangkan perubahan harga saham terkecil pada periode tax
amnesty sebesar 0.0165. Koefisien variasi juga sama halnya
dengan standart deviation.
C. Value-at-Risk (Var)
Berikut nilai var dengan metode kebaikan metode dan
menggunakan beberapa pendekatan. Pada nilai var ini
dibagi untuk beberapa kuantil dengan hasil.
kuan
Berdasarkan plot tersebut terlihat bahwa close price Paramet Histori Monteca GARC
til EVT
saham CTRA.JK selama periode 1 Januari 2013 hingga 31 rik cal rlo H
(%)
Mei 2018 menunjukkan pergerakan harga yang tidak stabil.
0.5 0.0482 0.0504 0.0514 0.068 0.0482
B. Return Close Price 0.5 0.05244 0.0633 0.0569 0.052 0.1157
Didapatkan nilai log return close price pada tanggal . . . . . .
transaksi saham CTRA periode 1 Januari 2013 hingga 31
Mei 2018 yaitu sebagai berikut. 1 0.04354 0.0414 0.0461 0.062 0.0435
Log 1 0.04736 0.0521 0.0507 0.059 0.0948
Tanggal
Return . . . . . .
02-01-13 0 5 0.03078 0.0336 0.0317 0.057 0.0308
03-01-13 0 5 0.03348 0.0336 0.0352 0.056 0.0547
04-01-13 0.01993 . . . . . .
. . . . . . . .
. . 95 0.03078 0.0313 0.0341 0.018 -0.0308
. . 95 0.03348 0.0337 0.0364 0.022 -0.0547
23-01-17 0.00409 . . . . . .
. . 99 0.04354 0.0577 0.0483 0.017 -0.0435
31-05-18 -0.02023 99 0.04736 0.0587 0.052 0.018 -0.0948
Log return bernilai positif artinya mendapatkan . . . . . .
keuntungan atau capital gain, sedangkan log return bernilai
negatif artinya mengalami penurunan atau capital lost. 99.5 0.0482 0.0705 0.0538 0.016 -0.0482
Minimum Mean Maximum 99.5 0.05244 0.0694 0.0579 0.016 -0.1157
-0.0832 0.000634 0.11625 Dapat diketahui nilai VaR tertinggi terjadi pada periode
all, quantil 0.5% dengan pendekatan GARCH sebesar
Nilai tertinggi dan terendah pada log return sebesar 0.1623. Jadi resiko terburuk seseorang menanamkan modal
0.11625 dan -0.0832 dengan rata-rata 0.000634. Berikut saham tersebut ketika kondisi tersebut, misalnya modal awal
perbandingan mean, standart deviasi dan koefisien variasi sebesar Rp 1.000.000 ketika periode terebut dengan tingkat
dengan kondisi tertentu. keyakinan 95.5% adalah memiliki resiko sebesar 0.1623
atau diperkirakan estimasi kerugian maksimum Rp 162.300
Standart Koef.
Kondisi Mean dari modal awal.
deviation Variasi
D. Perbandingan VaR
Before Pada perbedan quantil, periode dan pendekatan dapat
Tax 4.45E-04 2.18E-02 4.90E+01 dilihat dari masing-masing periode terdapat nilai VaR
Amnesty tertinggi, sebagai berikut.
Periode
kuantil
Tax 7.64E-04 1.65E-02 2.16E+01 Periode Pendekatan VaR
Amnesty (%)
Pasca Before
99.5 Historical 0.071098
Tax 0.001179 0.018714132 15.87785 Tax
Amnesty Tax 0.5 Historical 0.052882
 5

After Tax 99.5 Historical 0.0704629 Dari gambar diatas selang nilai VaR berkisar pada 0
sampai 0.1, nilai pada garis ungu atau pendekatan GARCH
All 0.5 GARCH 0.162327
bernilai 0 serta nilai VaR tertinggi pada garis hijau
Dari tabel diatas dapat diketahui resiko terbesar ketika pendeketan EVT di kisaran tahun 2013 dan garis biru atau
menanamkan modal saham pada periode tertentu. Misalnya pendekatan historical pada kisaran tahun 2014. Berikut hasil
pada periode sebelum terjadi tax amnesty resiko terbesar pada panjang window 375.
yang akan dihadapi sebesar 0.071098 dengan pendekatan
historical dan selang kepercayaan 0.5%. Perbandingan
pendekatan pada periode tertentu antara kuantil yang
kemungkinan menghasilkan VaR sama misalkan (0.5% ;
99.5%), (1% ; 99%) dst. Berikut hasil perbandingan antara
kuantil 0.5% dan 99.5% pada periode before tax.

Dapat diketahui nilai VaR berkisar pada 0 sampai 0.1,

nilai pada garis merah atau pendekatan GARCH bernilai 0
serta nilai VaR tertinggi pada garis biru atau pendekatan
Dapat diketahui bahwa garis teratas atau mencapai nilai
historical pada kisaran tahun 2014. Berikut hasil pada
return terbesar adalah pada nilai VaR tertinggi. Garis biru
panjang window 500.
lurus berarti nilai VaR pada pendekatan historis dan menjadi
nilai VaR tertinggi pada periode before tax. Jadi semakin
mendapatkan nilai tertinggi return maka resiko yang
dihadapi atau kerugian tinggi pula, begitu pula dengan nilai
log return pada periode-periode tertentu.
E. Nilai VaR pada Moving Window
Perhitungan nilai VaR menggunakan pendeketan
sebelumnya dengan menambahkan perhitungannya
menggunkan moving window dengan tiga panjang window
yaitu: 250, 375 dan 500. Berikut perhitungan grafiknya
dengan menggunakan perbandingan kuantil 1% dan 99%.
Berikut hasil perhitungan grafiknya pada panjang window
250.

.
Berdasarkan gambar di atas diketahui nilai VaR berkisar
pada 0 sampai 0.1, nilai pada garis merah atau pendekatan
GARCH bernilai 0 serta nilai VaR tertinggi pada garis biru
atau pendekatan historical pada kisaran tahun 2015.
Jadi dapat disumpulkan bahwa pendeketan menggunakan
GARTCH pada penggunaan panjang window dalam
menghiung VaR bernilai 0. Pada ketiga panjang window
nilai VaR tertinggi pada pendekatan historical berturut-turut.
F. Time SeriesPlot dan Multiple Blox-Plot
Data yang diambil dari awal PT Bank Negara Indonesia
memulai perdagangan saham pada tanggal 23 Desember
2003 sampai 30 April 2018 . Dalam mengetahui pola suatu

data dengan periode tersebut digunakan time series plot.
Berikut hasil time series plot dari data close.
Berdasarkan pada tahun 2003 sampai 2009 nilai close
price masih belum stabil dengan naik turun tiap periode
tertentu. Pada tahun 2009 keatas nilainya cenderung
mengalami kenaikan sampai tahun 2018 meskipun
mengalami penurunan juga pada tahun 2015 ke 2016.
Diketahui garis berwarna grey adalah pada bulan mei-
oktober, Pada tahun 2013 keatas nilai close price setelah
bulan oktober selalu mengalami kenaikan. Dapat
disimpulkan bahwa model tersebut seasonal dengan tren.
Berikut hasil time series plot dari data return.
Diketahui pada gambar di atas menunjukan bahwa
model stasioner, data tersebar pada rata-rata nilai log return
dikisaran angka 0. Berdasatkan garis berwarna grey adalah
pada bulan mei-oktober, pada tahun 2013 keatas nilai log
return tertinggi berada pada kisaran bulain mei-oktober.
Dalam memberi gambaran ukuran tendensi sentral dari
distribusi data pengamatan tersebut dapat menggunakan
multiple box-plot. Berikut multiple boxplot pada close price.
Berdasarkan gambar diatas garis tengah pada beberapa
boxplot tersebut hampir sama kecuali pada bulan juni dan
juli, hal tersebut menunjukan lokasi rata-rata yang hampir
sama pada kisaran 2000-4000. Panjang beberapa box-plot
berkisar sama pada nilai 1500-5000, menunjukan bahwa
persebaran data pada tiap bulan hmpir sama kecuali pada
6
bulan juni sampai September. Dilihat dari kesimetrisan data,
pada bulan januari, februari, November dan desember garis
median berada di tengah berarti data tersebut simetris.
Berikut multiple boxplot pada log return.
Diketahui gambar diatas garis tengah pada beberapa
boxplot tersebut hampir sama, hal tersebut menunjukan
lokasi rata-rata yang hampir sama yaitu pada kisaran angka
0. Terdapat banyak nilai yang berada pada outlier dengan
gambar dot lingkaran kecil diluar boxplot atau daerah
outlier.
G. Simulasi
SUM 1 SUM 2 SUM 3 SumLogReturn
1.8767 2.521 1.916 3.1869
Berdasarkan nilai total log return di atas, nilai tertinggi
terdapat pada SUM 2 atau pada simulasi ke 2. Ketika
seseorang degan modal awal Rp 10.000.000 dan
menggunakan simulasi ke 1, maka dia akan mendapatkan
esrimasi jumlah keuntungan sebesar 1.867 kali lipat dari
modal awal, sehingga estimasi keuntungan terbesar dari
simulasi ke 1 sebesar Rp 18.767.000, begitu juga caranya
dengan simulasi lainnya. Semakin tinggi jumlah log return,
semakin besar keuntungan yang didapatkan.
V. KESIMPULAN DAN SARAN
Kesimpulan dari hasi analisis dan pembahasn sebelumnny,
sebagai berikut.
1. Pada histogram nilai close price bahwa harga penutupan
atau close price pada saham BBNI berkisar antara Rp
3.450 hingga Rp 10.175. Transaksi close price paling
sering terjadi pada harga Rp 4.500 sampai Rp 5.000.
2. Pergerakan close price periode 1 Januari 2013 hingga 31
Mei 2018 menunjukkan pergerakan harga yang tidak
stabil.
3. Hasil perhitungan log return bernilai positif artinya
mendapatkan keuntungan atau capital gain, sedangkan
log return bernilai negatif artinya mengalami penurunan
atau capital lost.
4. Rata-rata harga saham BBNI tertinggi pada periode
pasca tax amnesty sebesar 0.001179, sedangkan
terendah pada periode before tax amnesty sebesar
0.000445. Daily Votality (Standard Deviation) atau
perubahan harga saham BBNI terbesar setiap hari
pada periode before tax amnesty sebesar 0,0218,
sedangkan perubahan harga saham terkecil pada
periode tax amnesty sebesar 0.0165.
 7

5. Periode sebelum terjadi tax amnesty resiko 1.867 kali lipat dari modal awal, sehingga estimasi
terbesar yang akan dihadapi sebesar 0.071098 keuntungan terbesar dari simulasi ke 1 sebesar Rp
18.767.000. Nilai total log return di atas, nilai tertinggi
dengan pendekatan historical dan selang
terdapat pada SUM 2 atau pada simulasi ke 2. Semakin
kepercayaan 0.5%. tinggi jumlah log return, semakin besar keuntungan yang
6. Pada perbandingan kuanti; 1% dan 99% garis didapatkan.
teratas atau mencapai nilai return terbesar adalah
pada nilai VaR tertinggi. Garis biru lurus berarti DAFTAR PUSTAKA
[1] BNI.(2018). Sejarah Tentang BNI. Diperoleh 07 Juni 2018.<
nilai VaR pada pendekatan historis dan menjadi http://www.bni.co.id/id-id/perusahaan/tentangbni/sejarah>
nilai VaR tertinggi pada periode before tax. [2] Beritasatu. (22 Februari 21018). Saham BNI Prospektif untuk
7. Perhitungan moving window dengan perbandingan Dikoleksi Investor. Diperoleh 07 Juni 2018 <
http://id.beritasatu.com/home/saham-bni-prospektif-untuk-dikoleksi-
kuantil 1% dan 99%. Pada panjang window 250 selang investor/172309>
nilai VaR berkisar pada 0 sampai 0.1, nilai pada garis [3] Corrdo, Charles J. and Jordan, Bradford D. 2000.Fundamentals of
ungu atau pendekatan GARCH bernilai 0 serta nilai VaR Invesment Analysis. Fourth Edition. Mc Graw Hill. Singapore. hal 5.
tertinggi pada garis hijau pendeketan EVT di kisaran [4] Jogiyanto, Hartono. 2003. Teori Portofolio dan Analisis Investasi
Edisi Kelima. Yogyakarta. Bpfe.
tahun 2013 dan garis biru atau pendekatan historical [5] Walpole, Ronald E. 1995. Pengantar Metode Statistika Edisi 3.
pada kisaran tahun 2014. Pada panjang window 375 nilai Jakarta:PT Gramedia Pustaka.
VaR berkisar pada 0 sampai 0.1, nilai pada garis merah [6] Jorion, P., and GARP. (2007). Financial Risk Manager Handbook (4th
atau pendekatan GARCH bernilai 0 serta nilai VaR ed.). USA: John Wiley & Sons, Inc
[7] Berry, R. (2008). Investement Analytics and Consulting (December
tertinggi pada garis biru atau pendekatan historical pada ed.). JP Morgan Chase & Co.
kisaran tahun 2014. Pada panjang window 500 diketahui [8] Dowd, K. 2002. Measuring market risk, second edition. John Wiley
nilai VaR berkisar pada 0 sampai 0.1, nilai pada garis and Sons, Ltd: Chicester. 2005. Measuring market risk, second
merah atau pendekatan GARCH bernilai 0 serta nilai edition. John Wiley and Sons, Ltd: Chicester.
[9] Singh, A., D. E. Allena, and R.J. Powella. (2012). Extreme Market
VaR tertinggi pada garis biru atau pendekatan historical Risk-An Extreme Value Theory. Mathematics and Computers in
pada kisaran tahun 2015. disumpulkan bahwa Simulation. In Press, Corrected Proof, Available online 7 June 2012
pendeketan menggunakan GARTCH pada penggunaan
panjang window dalam menghiung VaR bernilai 0. Pada
ketiga panjang window nilai VaR tertinggi pada
pendekatan historical berturut-turut.
8. Time series plot close price pada tahun 2003 sampai
2009 nilai close price masih belum stabil dengan naik
turun tiap periode tertentu. Pada tahun 2009 keatas
nilainya cenderung mengalami kenaikan sampai tahun
2018 meskipun mengalami penurunan juga pada tahun
2015 ke 2016. Diketahui garis berwarna grey adalah
pada bulan mei-oktober, Pada tahun 2013 keatas nilai
close price setelah bulan oktober selalu mengalami
kenaikan. Dapat disimpulkan bahwa model tersebut
seasonal dengan tren. Pada log return model stasioner,
data tersebar pada rata-rata nilai log return dikisaran
angka 0. Berdasatkan garis berwarna grey adalah pada
bulan mei-oktober, pada tahun 2013 keatas nilai log
return tertinggi berada pada kisaran bulain mei-oktober.
Dalam memberi gambaran ukuran tendensi sentral dari
distribusi data pengamatan tersebut dapat menggunakan
multiple box-plot.
9. Multiple box-plot close price lokasi rata-rata yang
hampir sama pada kisaran 2000-4000. Panjang beberapa
box-plot berkisar sama pada nilai 1500-5000,
menunjukan bahwa persebaran data pada tiap bulan
hmpir sama kecuali pada bulan juni sampai September.
Dilihat dari kesimetrisan data, pada bulan januari,
februari, November dan desember garis median berada
di tengah berarti data tersebut simetris. Pada log return
lokasi rata-rata yang hampir sama yaitu pada kisaran
angka 0. Terdapat banyak nilai yang berada pada outlier
dengan gambar dot lingkaran kecil diluar boxplot atau
daerah outlier.

10. Pada perhitungan simulasi ke 1 modal awal Rp

10.000.000 dan menggunakan simulasi ke 1, maka dia
akan mendapatkan esrimasi jumlah keuntungan sebesar