Analisa Kuantitatif

Modul WMI
1. Dasar-Dasar Analisa Kuantitatif
2. Konsep Probabilitas
3. Korelasi dan Regresi Linier
Dasar Analisa Kuantitatif
 Masalah

Kuantitatif Kualitatif

Model

Variabel
 Variabel

Measurable Laten

Kualitatif Kuantitatif

Interval Rasio
Nominal Ordinal
Statistika

Statistik Populasi

Sampel
Pengumpulan

Nominal
Data

Ordinal

Laten
Statistika
Statistika adalah cabang ilmu yang mempelajari tentang
bagaimana:
• mengumpulkan
• mengelompokkan
• menganalisis
• menginterpretasi
data untuk membantu pengambilan keputusan yang
efektif.
Statistika Deskriptif dan Inferensi
• Statistik Deskriptif
– Mengumpulkan dan mengelompokkan data untuk
dirangkum, dan ditampilkan dengan cara yang lebih
informatif.
• Statistik Induktif – Inferensial
– Menganalisa dan menginterpretasikan data yang
digunakan untuk mengestimasi karakteristik populasi
berdasarkan sampel yang diperoleh.
Skala Pengukuran
• Nominal : klasifikasi tanpa menunjukkan urutan
• Jenis investasi (saham, obligasi, reksadana)
• Ordinal : mengurutkan kategori berdasarkan urutan tertentu
• Peringkat obligasi (AAA, AA, A, BBB, BB, B, dst)
• Interval : mengurutkan dengan jarak/ selisih per satuan yang
sama – tidak ada 0 mutlak
• Suhu
• Rasio : selain mengurutkan dengan selisih antar satuan yang
setara, juga dapat mengukur perbandingan – ada 0 mutlak
• Gaji
Populasi vs Sampel
• Populasi adalah semesta data yang memiliki
karakteristik tertentu
– Contoh : Saham perusahaan tercatat di BEI

• Sampel adalah bagian dari populasi yang mewakili

karakteristik dari populasi tersebut
– Contoh : 45 Saham terlikuid dari saham-saham tercatat

• Karakteristik populasi: parameter

• Karakteristik sampel: statistik.
Nilai Sentral
• Mean (rata-rata)
– Arithmetic Mean
– Geometric Mean
– Weighted Mean

• Median (nilai tengah)

• Modus
Contoh Soal

Contoh: Tentukanlah rata-rata dari persoalan berikut

1. Data return tahunan saham ABCD untuk 8 tahun
adalah: 22%, 25%, 23%, 20%, 18%, 19%, 23%, 24%
2. Gaji seorang karyawan tahun lalu naik sebesar 5%, dan
tahun ini naik sebesar 10%.
3. Data return tahunan saham ABCD untuk 3 tahun
terakhir adalah: 19%, 23%, 24% dengan bobot
berturut-turut 0.2, 0.3, 0.5.
Ukuran Letak
• Kuartil
Mengurutkan dan membagi data dalam empat
kelompok
• Desil
Mengurutkan dan membagi data dalam sepuluh
kelompok
• Persentil
Mengurutkan dan membagi data dalam seratus
kelompok
Sebaran Data
• Range: data tertinggi – data terendah
• Mean Absolute Deviation (MAD)
• Standard Deviation (σ)
–
–
• Variance (σ²)
• Coefficient of Variation (CV)
Kovariansi
Kovariansi (CovX,Y):
Aplikasi Investasi
• Jika diketahui data mengenai portfolio yang terdiri dari
saham A dan saham B sebagai berikut.
Kondisi Ekonomi Probabilitas Return Saham A Return Saham B
Resesi 20% 2% -4%
Normal 30% 10% 5%
Booming 50% 15% 20%

Jika bobot saham A adalah 60%, tentukanlah

a. Ekspektasi return portfolio
b. Standar deviasi return masing-masing saham
c. Kovariansi return kedua saham
Skewness dan Kurtosis
• Skewness menunjukkan kemiringan distribusi
– Positif: cenderung banyak nilai ekstrim (outlier)
rendah
– Netral: data cenderung simetris
– Negatif: cenderung banyak outlier tinggi
• Kurtosis menunjukkan tinggi rendah kurva
distribusi
– Leptokurtic: data terkonsentrasi di tengah
– Mesokurtic
– Platykurtic: data cenderung tersebar di pinggir
distribusi (fatter tail)
Distribusi Normal memiliki 0 Skewness dan 3 Kurtosis
Teori Probabilitas
Probabilitas/ Peluang
• Probabilitas adalah suatu nilai yang menunjukkan
kemungkinan relatif (peluang atau kecenderungan) dari
suatu kejadian.
• Percobaan adalah suatu proses yang berujung pada
munculnya satu dari beberapa observasi yang mungkin
• Outcome adalah suatu hasil tertentu dari percobaan.
Kejadian (Event) adalah kumpulan dari satu atau lebih
outcome suatu percobaan.
• Variabel acak (random variable) adalah suatu bilangan
yang merupakan hasil dari percobaan, dan merupakan
sesuatu yang tidak pasti. – discrete vs continuous
Perhitungan Probabilitas
• Metode Klasik

• Metode Empiris
Perhitungan Probabilitas
• Mengacu pada contoh pengamatan investor terhadap
perbandingan return saham ABCD dan return pasar,
misalkan diperoleh data berikut:
Outcome Frekuensi
“Lebih besar” 92
“Sama dengan” 27
“Lebih kecil” 81
Total observasi 200

• Tentukan probabilitas return saham ABCD tidak melebihi

return pasar
Sifat Probabilitas
• Untuk suatu kejadian-kejadian A, B, dan 
1. 0  P(A)  1 probabilitas suatu kejadian
2. P() = 0 probabilitas himpunan kosong adalah 0.
3. P(A)  P(B) jika A adalah himpunan bagian dari B.
4. P(Ac) = 1 – P(A) probabilitas komplemen suatu kejadian
adalah 1 – peluang kejadian tersebut.
5. P(AB) = P(A) + P(B) - P(AB)

• P(AB) : peluang kejadian A atau B terjadi (gabungan)

• P(AB) : peluang kejadian A dan B terjadi bersama-sama
(irisan)
Contoh Soal

Dari 2 saham yang dimiliki oleh investor X, kemungkinan

bahwa return saham AAAA dan BBBB melebihi return
pasar, secara berturut-turut adalah 60% dan 55%. Bila
probabilitas keduanya melebihi pasar adalah 25%,
berapakah probabilitas paling tidak salah satu return
dari saham tersebut melebihi return pasar?
Probabilitas Bersyarat

A & B Independen -> ??

Contoh Perhitungan Probabilitas

• Jika angka di dalam tabel menyatakan banyaknya saham

Kapitalisasi Pasar Return Rendah Return Tinggi Total
(R) (T)
Kapitalisasi Kecil (K) 400 100 500
Kapitalisasi Besar (B) 200 10 210
Total 600 110 710

tentukanlah:
a. Probabilitas saham menghasilkan return rendah P(R)
b. Probabilitas saham berkapitalisasi kecil P(K)
c. P(RK) , P(RB), P(TK), dan P(TB)
d. P(K|R), P(K|T), P(R|K), dan P(R|B)
Distribusi Probabilitas
• Merepresentasikan daftar seluruh hasil (outcome) dari sebuah
percobaan beserta probabilitas yang bersesuaian dengan setiap
outcome tersebut.
• Menggambarkan seberapa besar kecenderungan munculnya
suatu kejadian di masa yang akan datang untuk suatu nilai
tertentu (discrete) atau interval (continuous)

• Dinyatakan dalam bentuk fungsi p(x) untuk variabel acak X

Karakteristik Distribusi Normal
• Menyerupai lonceng dan memiliki
satu titik puncak di tengah-tengah
distribusi.
• Mean = Median = Modus.
• Total area di bawah kurva adalah 1.
• Simetris terhadap mean.
• Distribusi yang asymptotic. Tail dari
kurva merentang terus ke kedua
arah sampai tak terhingga.
• Lokasi dari distribusi normal
ditentukan oleh mean (μ),
sedangkan dispersi atau sebarannya
ditentukan oleh standar deviasi (σ).
Probabilitas pada Distribusi Normal

• Penentuan probabilitas memerlukan konversi

menjadi distribusi normal standar dengan formula:

sehingga

• Nilai probabilitas dapat dilihat pada tabel distribusi

normal standar (tabel z)
Contoh Soal
• Misalkan earnings per share (EPS) untuk perusahaan-perusahaan
di industri manufaktur memiliki distribusi normal dengan mean
Rp283 dan standar deviasi Rp1,6. Ingin diketahui probabilitas
bahwa EPS suatu perusahaan manufaktur terletak di antara
Rp283 dan Rp285,4 atau Pr(283<EPS<285,4).
• Artinya harus dicari area di bawah kurva normal yang terletak
antara 283 dan 285,4.
Pr(283<EPS<285,4) =

• Ilustrasi penentuan nilai probabilitas menggunakan tabel z

Contoh Soal
• Untuk mencari Pr(0<z<1,50), dilihat kolom z (paling kiri) yang
nilainya 1,5, lalu bergerak horizontal ke arah kanan dan baca
probabilitas di bawah kolom 0,00.
• Dari tabel di atas dapat dilihat bahwa hasilnya adalah 0,4332.
yamg menyatakan probabilitas bahwa EPS suatu observasi
bernilai antara Rp238 dan Rp285,4 adalah 0,4332.
Korelasi dan Regresi Liner
(Korelasi vs Regresi) Linier
• Korelasi Linier merupakan ukuran kekuatan
hubungan dua variabel (tidak harus memiliki
hubungan sebab akibat)
• Regresi Linier merupakan teknik statistika yang
digunakan untuk mempelajari hubungan
fungsional dari satu atau beberapa variabel
independen (variabel yang mempengaruhi)
terhadap satu variabel dependen(variabel yang
dipengaruhi)
Koefisien Korelasi Linier
• Koefisien korelasi: ukuran seberapa kuatnya hubungan
linier antara dua variabel.
• Data yang dapat digunakan ialah data dengan skala
interval atau rasio.
• Koefisien korelasi populasi: ρ
• Koefisien korelasi sampel: r.
• Koefisien korelasi bernilai antara -1 sampai dengan 1.
• Langkah awal kecurigaan adanya korelasi adalah
scatterplot antara kedua variabel
Rumus Koefisien Korelasi Linier
• Koefisien korelasi dinyatakan dengan formula

dengan
Interpretasi Koefisien Korelasi
Koefisien Korelasi: Contoh
• Diketahui data harga saham A dan harga saham B
sebagai berikut
4950
Saham A Saham B
4900
7700 4775 4850
7650 4725 4800
7750 4800 4750
7850 4875 4700
7800 4925 4650
7650 4700 4600
7600 4600 4550

7700 4625 7550 7600 7650 7700 7750 7800 7850 7900

• Hitunglah koefisien antara saham A dan saham B.

Koefisien Korelasi: Contoh
X Y
7700 4775 -12.5 21.88 -273.44
7650 4725 -62.5 -28.13 1757.81
7750 4800 37.5 46.88 1757.81
7850 4875 137.5 121.88 16757.81
7800 4925 87.5 171.88 15039.06
7650 4700 -62.5 -53.13 3320.31
7600 4600 -112.5 -153.13 17226.56
7700 4625 -12.5 -128.13 1601.56
57187.5

Harga saham A dan harga saham B memiliki korelasi positif

yang kuat.
Pengujian Signifikansi Koefisien Korelasi Linier

• Hipotesis:
H0:  = 0 (korelasi linier populasi sama dengan nol)
H1:  ≠ 0 (korelasi linier populasi tidak sama dengan nol)
• H0 ditolak jika t > t/2,n-2 atau t < -t/2,n-2
• Statistik uji:

• Latihan: ujilah signifikansi koefisien korelasi antara saham

A dan saham B dengan = 0.05 dengan t/2,n-2 = 2.447
dan t/2,n-2 = -2.447
Regresi Linier
• Analisis regresi bertujuan untuk membentuk suatu
persamaan yang menggambarkan hubungan linier
antara variabel independen dan dependen yang disebut
persamaan regresi.
• Berdasarkan jumlah variabel independen, terdapat dua
jenis regresi linier, yaitu regresi linier sederhana dan
regresi linier berganda
• Variabel independen, secara umum, diwakili oleh
variabel X dan variabel dependen dengan variabel Y.
Persamaan Regresi Linier
• Model persamaan regresi untuk i=1,2,…,n dengan n menyatakan ukuran
sampel
• Yi = b0 + b1Xi + ei
 Yi merupakan nilai pengamatan ke-i (variabel dependen)
 Xi merupakan nilai variabel independen ke-i
 b 0 adalah parameter regresi (intersep)
 b 1 adalah parameter regresi (slope)
 ei error ke-i.
• Asumsi :
 Hubungannya linier
 Error bersifat saling bebas (independen)
 Error memiliki variansi yang konstan
 Error berdistribusi normal
• Nilai b 0 dan b1 ditaksir dengan pendekatan kuadrat terkecil dari
kesalahan (Least Squared Error, selisih antara Y dan taksiran Y)
Pelanggaran Asumsi Regresi

• Heteroskedasticity: Variansi dari error tidak

konstan  transformasi variabel
• Autocorrelation: Adanya korelasi antara error 
model time series
• Multicollinearity: Adanya korelasi antara variabel
independen  variabel interaksi
Perhitungan Taksiran Koefisien Regresi

• Taksiran model regresi sederhana dituliskan dengan

Yˆi  bˆ0  bˆ1 X i
• Slope dan intercept dari persamaan regresi dapat
ditaksir dengan: sy
ˆ
b1  r ˆ  Y  bˆ X
b
sx
0 1

dimana
Pengujian Model Regresi (Goodness of Fit & Uji Parsial)
• Pengujian untuk melihat pengaruh tiap variabel
independen terhadap variabel dependen
• Hipotesis:
H0: b1= 0 (var independen tidak berpengaruh
terhadap var dependen)
H1: b1 ≠ 0 (var independen berpengaruh terhadap
var dependen)
bˆ
• Statistik uji: t 
hit
1
dengan
sb ˆ
• Kriteria Penolakan: p - value < a ,thit < -t/2;n-2 atau thit > t/2;n-2
1

• Catatan: Goodness of Fit menggunakan uji F

Contoh Hasil Analisis Regresi

• Output
Regression Statistics
Multiple R 0.700196566
R Square 0.490275231
Adjusted R Square 0.426559634
Standard Error 356.6902572
Observations 10

ANOVA
df SS MS F
Regression 1 978986.4832 978986.4832 7.694744459
Residual 8 1017823.517 127227.9396
Total 9 1996810

Standard
Coefficients Error t Stat P-value
Intercept 3538.12366 744.4161688 4.752883948 0.001439903
X Variable 1 -418.263045 150.783005 -2.773940241 0.024149352
Koefisien Determinasi (R2)
• Suatu alat ukur untuk kemampuan model (berupa
variabel independen) dalam menerangkan variasi
variabel dependen
• Misalnya suatu model diketahui memiliki R2 sebesar
0.75, artinya kemampuan model dengan variabel
independen yang ada dalam menerangkan variabel
dependen
• Nilai R2 dinyatakan dengan formula
Model Regresi dengan Variabel Dummy

• Suatu regresi dapat melibatkan variabel independen berupa data

kategorikal atau kualitatif, misalnya jenis saham (saham biasa dan
saham preferen) dan sektor industri (manufaktur, pertambangan, dan
lain sebagainya).
• Variabel tersebut harus dikuantitatifkan atributnya (cirinya) dengan .
Pembentukan variabel dummy dengan nilai 1 dan 0.
• Nilai 1 menunjukkan adanya suatu atribut, sedangkan nilai 0
menunjukkan tidak adanya ciri atribut tersebut.
• Misalnya nilai 1 digunakan untuk saham biasa maka nilai 0
menunjukkan bukan saham biasa (saham preferen), atau sebaliknya.
• Kategori yang diberi nilai 0 disebut kategori dasar, yaitu menjadi
perbandingan atas kategori.
• Jika variabel kualitatif tersebut terdiri atas lebih dari dua kategori
(misalnya total banyaknya kategori adalah n), jumlah variabel dummy
yang dibentuk adalah sebanyak n-1.
Contoh Model Regresi dengan Variabel
Dummy
Terima Kasih