Jurnal Referensi Skripsi

SKRIPSI
ANALISIS DALAM MEMPREDIKSI HARGA SAHAM

PERUSAHAAN OTOMOTIF DAN KOMPONEN DI
BURSA EFEK INDONESIA MENGGUNAKAN
METODE ARIMA
OLEH
LAMBOK SIAGIAN
170523017
PROGRAM STUDI EKONOMI PEMBANGUNAN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS SUMATERA UTARA
MEDAN
2019
v
Universitas Sumatera Utara
vi
vii
viii
ABSTRAK
ANALISIS DALAM MEMPREDIKSI HARGA SAHAM PERUSAHAAN

OTOMOTIF DAN KOMPONEN DI BURSA EFEK INDONESIA
MENGGUNAKAN METODE ARIMA
ARIMA (Autoreggresive Integrated Moving Average) merupakan salah

metode peramalan time series yang dikembangkan oleh George Edward Pelham
Box dan Gwilym Meirion Jenkins. Penelitian ini bertujuan untuk melihat sejauh
mana akurasi metode ARIMA dalam memprediksi harga saham perusahaan
otomotif dan komponen yang direpresentasikan dalam sebuah grafik.
Sampel dalam penelitian ini berjumlah 9 perusahaan otomotif dan
komponen. Jenis data yang digunakan adalah data sekunder dari setiap perusahaan
otomotif dan komponen yang terdaftar di Bursa Efek Indonesia selama 1 tahun
dari september 2018 sampai september 2019 berupa data harian. Pengambilan
sampel dengan menggunakan teknik purposive sampling.
Hasil penelitian ini adalah ARIMA dapat memprediksi harga saham
dimasa depan atau harga aktual secara akurat apabila harga dimasa lalu memiliki
pergerakan yang sama dengan harga dimasa depan atau harga aktual. Dan
sebaliknya, jika harga saham dimasa depan atau harga aktual memiliki pergerakan
yang naik ataupun turun secara signifikan, maka hasil dari forecasting ARIMA
tidak akan mampu mengikuti pergerakan harga dimasa depan atau harga aktual.
Kata kunci: ARIMA, Box-Jenkins, Peramalan Harga Saham, Otomotif dan

Komponen, Time Series.
i
ABSTRACT
ANALYSIS FORECASTING STOCK PRICE OF AUTOMOTIVE AND

COMPONENTS COMPANIES IN INDONESIA STOCK EXCHANGE USING
ARIMA METHOD
ARIMA (Autoregressive Integrated Moving Average) is one of the Time Series
forecasting methods developed by George Edward Pelham Box and Gwilym
Meirion Jenkisn. This study aims to see how accurate the ARIMA method is in
predicting the banking sector stock price that is represented in a graph.
The sample in this study amounted to 9 companies of the automotive and
components. The type of data used is secondary data of each automotive and
components company listed on the Indonesia Stock Exchange for 1 years from
september2018 to september 2019 of daily data. Sampling using purposive
sampling technique.
The result of this research is ARIMA can predict the stock price in the
future or actual price accurately if the price in the past have the same movement
with the price of future or actual price. On the other hand, if the price of the
future or actual price has a significant upward or downward movement, the result
of ARIMA forecasting will not be able to follow future price movements or actual
prices.
Keyword : ARIMA, Box-Jenkins, Forecasting Stock Price, Automotive And

Components , Time Series.
ii
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, atas
berkat-Nya sehingga penyusunan skripsi yang berjudul “Analisis Dalam
Memprediksi Harga Saham Perusahaan Otomotif Dan Komponen Di Bursa
Efek Indonesia Menggunakan Metode ARIMA” dapat diselesaikan dengan
baik. Penulisan skripsi ini sebagai salah satu untuk memperoleh gelar sarjana
ekonomi di Fakultas Ekonomi dan Bisnis prodi Ekonomi Pembangunan
Universitas Sumatera Utara.
Pada kesempatan ini, penulis menyampaikan rasa terima kasih kepada
semua pihak yang telah membantu Penulis dan memberi dukungan dari berbagai
pihak, baik berupa moril maupun material, sehingga penulis semakin termotivasi
untuk menyelesaikan penelitian dan penulisan skripsi ini yang mana banyak sekali
menemukan kendala-kendala yang cukup berarti dalam penyusunannya. Oleh
karena itu, dengan segala kerendahan hati penulis mengucapkan terima kasih yang
sebanyak-banyaknya kepada pihak-pihak yang telah membantu penulis,
diantaranya kepada:
1. Kedua orang tua tercinta Ayahanda J. Siagian dan Ibunda D. Panjaitan,
yang telah mendidik, merawat dan memberikan saya cinta, doa, dan kasih
sayang yang sangat besar kepada saya.
2. Bapak Prof. Dr. Ramli, SE, MS, selaku Dekan Fakultas Ekonomi dan
Bisnis Universitas Sumatera Utara.
3. Bapak Drs. Coki Ahmad Syahwier, MP, selaku Ketua Program Studi S1
dan Ibu Inggrita Gusti Sari Nasution, SE, M.Si, selaku Sekretaris Program
Studi S1 Ekonomi Pembangunan Fakultas Ekonomi dan Bisnis
Universitas Sumatera Utara.
4. Bapak Syarief Fauzie, SE, M.AK, Ak., selaku dosen pembimbing yang
telah memberikan bimbingan dan arahan kepada saya selama masa
pendidikan.
5. Bapak Paidi Hidayat, SE, M.Si., selaku dosen penguji I dan Bapak Bapak
Wahyu Sugeng Imam Soeparno, SE, M.Si., selaku dosen penguji II yang
telah memberikan saran dan masukan untuk perbaikan skripsi ini.
6. Seluruh Dosen Pengajar di Departemen Ekonomi Pembangunan Fakultas
Ekonomi dan Bisnis Universitas Sumatera Utara.
7. Seluruh Staf Adminitrasi di Fakultas Ekonomi dan Bisnis Universitas
Sumatera Utara, khususnya Departemen Ekonomi Pembangunan.
8. Kepada seluruh keluarga saya yang telah memberikan doa dan dukungan
dalam proses penyusunan skripsi ini.
9. Kepada teman saya Siska, Evi, Anjel, Hillary, Impi. Kakak Saya
Chatherine dan Abang Saya Demus yang telah membantu dalam
penyusunan skripsi ini.
10. Kepada seluruh teman-teman Ekonomi Pembangunan 2017 serta kepada
seluruh pihak lainnya yang telah banyak membantu dalam penyusunan
skripsi ini, namun tidak dituliskan pada lembaran ini, penulis mohon maaf
dan kelalaian ini tidak mengurangi rasa terimakasih penulis.
iii
iv
DAFTAR ISI
Halaman
ABSTRAK ......................................................................................................... i
ABSTRACT ....................................................................................................... ii
KATA PENGANTAR ....................................................................................... iii
DAFTAR ISI ...................................................................................................... v
DAFTAR TABEL ............................................................................................. vii
DAFTAR GAMBAR ......................................................................................... ix
DAFTAR LAMPIRAN ..................................................................................... x
BAB I PENDAHULUAN
1.1 Latar Belakang ........................................................................... 1
1.2 Rumusan Masalah ...................................................................... 6
1.3 Tujuan Penelitian ....................................................................... 7
1.4 Manfaat Penelitian ..................................................................... 7
BAB II TINJAUAN PUSTAKA

2.1 Pasar Modal ............................................................................... 9
2.2 Saham .......................................................................................... 11
2.3 Peramalan ................................................................................... 13
2.4 Metode Box-Jenkins ................................................................... 15
2.4.1 Model Autoregressive (AR) .............................................. 16
2.4.2 Model Moving Average (MA) ........................................... 16
2.4.3 Model Autoregressive-Moving Average (ARMA) ............ 17
2.4.4 Model Autoregressive Integrated Moving
Average (ARIMA) ............................................................. 17
2.5 Penelitian Terdahulu.................................................................... 18
2.6 Kerangka Konseptual .................................................................. 20
BAB III METODE PENELITIAN

3.1 Jenis Penelitian ......................................................................... 22
3.2 Batasan Operasional .................................................................. 22
3.3 Definisi Operasional .................................................................. 23
3.4 Jenis Data ................................................................................... 24
3.5 Metode Pengumpulan Data ...................................................... 24
3.6 Pengolahan Data ......................................................................... 24
3.7 Teknik Analisis Data .................................................................. 25
BAB IV ANALISIS DAN PEMBAHASAN

4.1 Deskripsi Objek Penelitian......................................................... 31
4.2 Hasil Pengolahan Data ............................................................... 31
v
4.2.1 Peramalan Harga Saham PT. Astra International (ASII) .. 31
4.2.2 Peramalan Harga Saham PT. Astra Otoparts (AUTO) ...... 37
4.2.3 Peramalan Harga Saham PT. Garuda Metalindo (BOLT) 42
4.2.4 Peramalan Harga Saham PT. Gajah Tunggal (GJTL) ....... 44
4.2.5 Peramalan Harga Saham PT. Indomobil Sukses
International (IMAS) ........................................................ 50
4.2.6 Peramalan Harga Saham PT. Indosprings (INDS) ............ 55
4.2.7 Peramalan Harga Saham PT. Multistrada Arah
Sarana (MASA) ................................................................. 60
4.2.8 Peramalan Harga Saham PT. Prima Alloy Steel
Universal (PRAS).............................................................. 66
4.2.9 Peramalan Harga Saham PT. Selamat Sempurna
(SMSM)............................................................................. 71
4.3 Pembahasan Hasil Pengolahan ................................................... 77
BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan ................................................................................ 79
5.2 Saran........................................................................................... 79
DAFTAR PUSTAKA ........................................................................................ 80

LAMPIRAN
vi
DAFTAR TABEL
Halaman
Tabel 2.1 Ringkasan Penelitian Terdahulu .............................................. 18
Tabel 3.1 Daftar Perusahaan Otomotif dan Komponen yang dijadikan
sampel ...................................................................................... 23
Tabel 3.2 Pola AFC dan PAFC ................................................................. 26
Tabel 4.1 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) ........... 32
Tabel 4.2 Uji Stasioner dengan Augmented Dickey-Fuller pada
First Difference .......................................................................... 32
Tabel 4.3 Estimasi Model ARIMA ............................................................ 33
Tabel 4.4 Uji Ljung Box ............................................................................ 34
vii

Tabel 4.32 Uji Stasioner dengan Augmented Dickey-Fuller (ADF) .......... 72
First Difference ......................................................................... 72
Tabel 4.34 Estimasi Model ARIMA ........................................................... 73
Tabel 4.35 Uji Ljung Box ........................................................................... 74
viii

DAFTAR GAMBAR
Halaman
Gambar 2.1 Kerangka Konseptual ............................................................. 20
Gambar 4.1 Plot Data ASII ......................................................................... 31
Gambar 4.2 Validasi Harga Saham ASII Actual dan Forecast .................. 35
Gambar 4.3 Akurasi Peramalan .................................................................. 36
Gambar 4.4 Plot Data AUTO ...................................................................... 37
Gambar 4.5 Validasi Harga Saham AUTO Actual dan Forecast ............... 41
Gambar 4.6 Plot Data BOLT ...................................................................... 42
Gambar 4.7 Plot Data GJTL ....................................................................... 44
Gambar 4.8 Validasi Harga Saham GJTL Actual dan Forecast ................. 48
Gambar 4.9 Akurasi Peramalan .................................................................. 49
Gambar 4.10 Plot Data IMAS ...................................................................... 50
Gambar 4.11 Validasi Harga Saham IMAS Actual dan Forecast ............... 54
Gambar 4.12 Akurasi Peramalan ................................................................. 55
Gambar 4.13 Plot Data INDS ...................................................................... 59
Gambar 4.14 Validasi Harga Saham INDS Actual dan Forecast ................ 60
Gambar 4.15 Plot Data MASA .................................................................... 59
Gambar 4.16 Validasi Harga Saham MASA Actual dan Forecast .............. 64
Gambar 4.18 Plot Data PRAS ...................................................................... 66
Gambar 4.19 Validasi Harga Saham PRAS Actual dan Forecast ............... 70
Gambar 4.21 Plot Data SMSM .................................................................... 71
Gambar 4.22 Validasi Harga Saham SMSM Actual dan Forecast .............. 75
ix

DAFTAR LAMPIRAN
Nomor Judul
1 Daftar Perusahaan Otomotif dan Komponen yang
Menjadi Populasi
2 Data Harga Saham Perusahaan Otomotif dan Komponen
3 Daftar Perusahaan Otomotif dan Komponen dengan
Forecasting ARIMA
4 Hasil Pengolahan Eviews untuk perusahaan ASII
5 Hasil Pengolahan Eviews untuk perusahaan AUTO
6 Hasil Pengolahan Eviews untuk perusahaan BOLT
7 Hasil Pengolahan Eviews untuk perusahaan GJTL
8 Hasil Pengolahan Eviews untuk perusahaan IMAS
9 Hasil Pengolahan Eviews untuk perusahaan INDS
10 Hasil Pengolahan Eviews untuk perusahaan MASA
11 Hasil Pengolahan Eviews untuk perusahaan PRAS
12 Hasil Pengolahan Eviews untuk perusahaan SMSM

BAB I
PENDAHULUAN
1.1 Latar Belakang
Pasar modal (capital market) merupakan pasar untuk berbagai instrumen
keuangan jangka panjang yang bisa diperjual belikan, baik surat utang (obligasi),
ekuiti (saham), reksa dana, instrumen derivatif maupun instrumen lainnya. Pasar
modal memiliki peran yang penting bagi perekonomian suatu negara karena pasar
modal menjalankan dua fungsi, yaitu pertama sebagai sarana bagi pendanaan
usaha atau sebagai sarana bagi perusahaan untuk mendapatkan dana dari
masyarakat pemodal (investor). Dana yang diperoleh dapat digunakan untuk
pengembangan usaha (ekspansi), penambahan modal kerja dan lain-lain. Kedua,
pasar modal menjadi sarana bagi masyarakat untuk berinvestasi pada instrumen
seperti saham, obligasi, reksadana, dan lain-lain, maka investor dapat
menempatkan dana yang dimilikinya sesuai dengan karakteristik keuntungan dan
risiko masing-masing instumen.
Instrumen keuangan yang umumnya dipilih investor adalah saham, di mana
saham adalah surat berharga yang menunjukkan bagian kepemilikan atas suatu
perusahaan. Jika perusahaan untung, maka investor tersebut berhak atas sebagian
kepemilikan dan keuntungan dari perusahaan dalam bentuk dividen. Selain return,
kegiatan investasi juga dapat menimbulkan risiko bagi para investor. Semakin
besar return yang akan diterima maka semakin besar pula potensi risiko yang
akan dihadapi. Tingkat risiko yang terdapat pada perusahaan yang akan dipilih
oleh investor merupakan gambaran ketidakpastian yang akan ditanggung para

2
investor jika menanamkan modalnya pada saham perusahaan tersebut, oleh karena
itu investor harus bijak dapat mempertimbangkan kapan harus membeli dan
menjual (Fauziah, 2013).
Pasar modal Indonesia sejak 1989 menunjukkan pasang surut yang
menggembirakan, setelah pemerintah mengeluarkan berbagai deregulasi, baik
dalam bidang ekonomi pada umumnya maupun dipasar modal pada khususnya.
Mobilisasi dana masyarakat semakin lancar, jumlah perusahaan yang menawarkan
saham kepada masyarakat melonjak, dan jumlah perdagangan saham baik nilai
maupun volumenya meningkat tajam. Perkembangan yang sangat pesat bisa
dilihat dari jumlah emiten yang terdaftar di Bursa Efek Indonesia. Data yang
tercatat sampai September 2018, terdapat 600 emiten saham dan obligasi Bursa
Efek Indonesia. Jumlah ini akan terus bertambah di masa yang akan datang,
sejalan dengan perkembangan ekonomi nasional secara keseluruhan,
meningkatnya jumlah perusahaan yang go public serta semakin bertambahnya
minat investor lokal maupun pemodalan internasional terhadap pasar modal
Indonesia. Berdasarkan data Bursa Efek Indonesia sampai Juni 2019, tercatat 173
perusahaan yang bergerak di bidang industri manufaktur. Kemudian dari
perusahaan-perusahan tersebut dibagi menjadi tiga kelompok/sektor yang terdiri
dari sektor industri dasar dan kimia (72 emiten), sektor industri barang
konsumsi (53 emiten), dan sektor aneka industri (48 emiten) dan dari setiap
sektor akan dibagi menjadi beberapa sub sektor salah satunya perusahaan sub
sektor otomotif dan komponen (www.idx.co.id).

3
Perkembangan sektor otomotif di Indonesia dewasa ini terus mengalami
pertumbuhan. Hal itu dapat dilihat dari hasil penjualan yang semakin meningkat
setiap tahunnya. Kementrian perindustrian (Kemenperin) mencatat, pada tahun
2018 angka penjualan mobil sebanyak 1,3 juta unit, atau senilai USD 13,7 miliar.
Dan ekspornya mencapai 346.000 unit atau setara dengan USD 4,78 miliar. Selain
itu, Indonesia memiliki potensi pasar yang terbuka lebar dalam industri otomotif,
dimana hal ini merupakan sebuah peluang yang bagus bagi para pelaku industri
otomotif untuk melakukan ekspansi. Dengan semakin majunya sektor otomotif,
maka perusahaan-perusahaan yang berada dalam bidang ini akan mampu
mendapatkan laba yang lebih besar lagi dan otomatis investor akan berinvestasi
pada saham perusahaan-perusahaan otomotif.
Secara umum, faktor yang mempengaruhi keputusan investor untuk
membeli saham dapat digolongkan menurut faktor rasional maupun faktor yang
tidak rasional. Investor yang melakukan investasi pada perusahaan dengan cara
membeli suatu saham perusahaan, akan melakuan analisis keadaan dari
perusahaan tersebut terlebih dahulu. Terdapat dua macam pendekatan investasi
yang dapat digunakan investor antara lain pendekatan analisis teknikal dan
pendekatan analisis fundamental. Pendekatan analisis teknikal merupakan salah
satu cara yang digunakan dalam memprediksi harga saham melalui pengamatan
secara langsung perubahan harga saham perusahaan. Kemudian pendekatan
analisis fundamental yaitu adalah sebuah teknik analisis harga saham perusahaan
dengan cara mempelajari dasar-dasar keuangan serta fakta ekonomi dalam suatu
perusahaan untuk memprediksi nilai harga saham (Van Home, 2005). Pada

4
umumnya, pendekatan Analisis Fundamental menilai suatu saham berdasarkan
laba dalam bentuk deviden dan prospek usaha perusahaan. Variabel-variabel ini
akan sangat mempengaruhi pilihan mengenai saham yang akan dibeli jika investor
memang berpegang teguh pada Analisis Fundamental.
Analisis pribadi juga perlu dilakukan terhadap perilaku perdagangan saham
ataupun dengan menggunakan sarana yang di dapat dari analisis di pasar modal.
Pola perilaku perdagangan dalam pasar modal memberikan kontribusi bagi pola
perilaku harga saham dalam pasar modal. Pola perilaku dari harga saham tersebut
dapat menentukan pola dari return yang diperoleh dari saham (Budi 2003, dalam
Nathaniel, 2008). Harga saham di bursa ditentukan oleh kekuatan pasar, yang
berarti harga saham tergantung dari kekuatan permintaan dan penawaran
(Harianto dan Sudono, 1998:73). Jika terjadi ekspektasi positif, minat untuk
membeli akan meningkat yang akan menggerakkan harga ke atas, sebaliknya jika
ekspektasi negatif akan mendorong harga menurun karena tekanan jual akan
meningkat. Selain itu, pergerakan indeks harga saham di suatu pasar modal juga
dapat menjelaskan apakah aktifitas transaksi saham-saham yang diperjualbelikan
di pasar modal tersebut dipengaruhi dengan adanya sentimen positif (aksi beli)
atau sentimen negatif (aksi jual). Berita baik seperti membaiknya perekonomian
suatu negara, meningkatnya kinerja para emiten, semakin kondusifnya iklim
investasi, membaiknya masalah keamanan suatu negara merupakan sentimen
positif bagi para investor. Bila terjadi aksi teror, kudeta, peperangan di suatu
negara, hal ini merupakan sentimen negatif bagi investor meskipun kondisi
fundamental ekonomi di negara tersebut sangat menjanjikan. Pasar modal yang

5
tercatat di bursa efek memiliki pergerakan harga saham yang kadang-kadang
menunjukkan pola pergerakan yang sulit diprediksi atau sulit dijelaskan. Oleh
karena itu wajar jika banyak orang menggambarkan pasar modal sebagai
irasional, dan tidak beraturan. Sehingga dinamika dan mekanisme harga saham
perusahaan manufaktur pun selalu berubah-ubah dipasar modal. Sehingga
diperlukan metode yang terbaik dalam memprediksi harga saham dimasa yang
akan datang, agar para investor mau menginvestasikan modalnya untuk
mendapatkan return yang sebesar-besarnya.
Metode Box-Jenkins menjadi salah satu dari berbagai macam pilihan yang
ditawarkan para ahli dalam memprediksi harga saham di masa depan. Metode ini
banyak digunakan untuk peramalan harga saham harian, penerimaan, penjualan,
tenaga kerja, dan variabel runtut waktu lainnya. Metode ini sangat baik
ketepatannya untuk peramalan jangka pendek dengan menggunakan nilai masa
lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka
pendek yang akurat. Model ARIMA dibagi dalam 3 unsur, yaitu: model
autoregresif (AR) yaitu nilai x dipengaruhi oleh nilai x periode sebelumnya
hingga ke periode ke-p, jadi yang berpengaruh disini adalah variabel itu sendiri,
moving average (MA) yaitu nilai variabel x dipengaruhi oleh error dari variabel x
tersebut dan integreted (I) yaitu menyatakan differencing dari data yang menjadi
syarat keharusan yang harus dipenuhi adalah stasioneritas data. Apabila data
stasioner pada level maka ordonya sama dengan 0, namun apabila stasioner pada
difference pertama maka ordonya 1 dan selanjutnya. Bentuk umumnya menjadi

6
ARIMA (p,d,q), p menyatakan ordo AR, d menyatakan ordo I dan q menyatakan
ordo MA.
Hasil penelitian Djoni Haditja (2011) dalam penelitiannya menyatakan
bahwa untuk memprediksi harga saham maksimum PT. Telkom, Tbk diketahui
bahwa parameter p=3, d=1, q=3 atau ARIMA (3,1,3) dengan nilai MSE yang
terkecil yaitu 18123 yang dapat digunakan untuk memprediksi harga saham bulan
Mei sampai Juni 2011. Dan untuk memprediksi harga saham minimum PT.
Telkom, Tbk diketahui bahwa parameter p=3, d=1, q=1 atau ARIMA (3,1,1)
dengan nilai MSE yang terkecil yaitu 17336 yang dapat digunakan untuk
memprediksi harga saham bulan Mei sampai Juni 2011.
La Pimpi (2013) dalam penelitiannya menyatakan bahwa untuk
memprediksi Indeks Harga Konsumen (IHK) Indonesia diketahui bahwa
parameter p=3, d=1, q=2 atau ARIMA (3,1,2) dengan nilai MSE 0,14966 yang
dapat digunakan untuk memprediksi nilai IHK untuk November (2012) sampai
Juni (2013).
Berdasarkan uraian diatas penulis tertarik mengambil judul penelitian
“Analisis Dalam Memprediksi Harga Saham Perusahaan Otomotif dan
Komponen Di Bursa Efek Indonesia Menggunakan Metode ARIMA”.
1.2 Rumusan Masalah
1. Bagaimana akurasi metode ARIMA dalam memprediksi harga saham
perusahaan otomotif dan komponen periode Oktober‒November 2019
dengan menggunakan harga saham harian periode 1 September 2018‒30
September 2019?

7
2. Bagaimana validasi harga saham perusahaan otomotif dan komponen
yang telah diprediksi menggunakan metode ARIMA periode Oktober–
November dengan menggunakan harga saham harian 1 September 2018‒
30 September 2019?
1.3 Tujuan Penelitian
Adapun yang menjadi tujuan penelitian ini adalah:
1. Untuk mengetahui hasil prediksi harga saham perusahaan otomotif dan
komponen pada Oktober‒November 2019 dengan menggunakan metode
ARIMA.
2. Memvalidasi hasil tersebut dengan harga aktual yang direpresentasikan
ke dalam sebuah grafik.
1.4 Manfaat Penelitian
Hasil penelitian ini diharapkan dapat memberikan manfaat bagi:
1. Para praktisi bursa
Khususnya para investor yang berinvestasi pada saham perusahaan
otomotif dan komponen mendapatkan informasi yang relevan sebagai
proyeksi pergerakan harga saham di masa yang akan datang dan
antisipasi risiko sekaligus menentukan sikap keputusan investasi yang
tepat pada kondisi pasar modal tertentu.
2. Kalangan akademis
Menambah wacana bagi para akademis untuk menelaah dan mengkaji
secara mendalam tentang perdagangan saham di pasar modal Indonesia.

8
3. Kalangan umum
Masyarakat luas yang ingin menambah wawasan dan pengetahuan yang
luas dalam transaksi keputusan investasi pada perdagangan emiten saham
perusahaan otomotif dan komponen.
4. Bagi penulis
Penelitian ini bermanfaat untuk mengetahui proses metode ARIMA
(Autoregressive Integrated Moving Average) dalam memprediksi harga
saham emiten perusahaan otomotif dan komponen dimasa yang akan
datang.

BAB II
TINJAUAN PUSTAKA
2.1 Pasar Modal
Pasar modal dalam Undang-Undang Pasar Modal No. 8 Tahun 1995 yaitu
sebagai suatu kegiatan yang bersangkutan dengan penawaran umum dan
perdagangan efek, perusahaan publik yang berkaitan dengan efek yang
diterbitkannya, serta lembaga dan profesi yang berkaitan dengan efek.
Kata efek berasal dari bahasa Belanda effecten. Didalam bukunya, Analisis
Pasar Modal, E.A Koetin (1993) menulis bahwa menurut pengarang Belanda, B.
De Smalem, Istilah effecten berasal dari bahasa Latin effectus. Menurut kamus
bahasa Latin disusun oleh Drs. Prent C. M. Dan Drs. J. Adisubrata, kalau kata ini
digolongkan sebagai kata benda effectus berarti “pelaksanaan, pengalaman, hal
mempraktikkan, pekerjaan, dan penyelesaiaan”; kalau dianggap sebagai kata sifat
artinya”sempurna”.
Meskipun sudah diperdagangkan selama ratusan tahun, defenisi tentang efek
digunakan secara resmi pada tahun 1947, dalam Beschikking Beursverkeer dd 27
Maart 1997 art. 1. Menurut defenisi ini, efek adalah saham, obligasi, surat gadai,
bukti fraksi depot, bukti keuntungan dan bukti pendiri, bukti opsi dan surat
berharga serupa. Selain itu, kata tersebut juga bermakna sertifikat dari nilai
(warden) tersebut di muka, atau resipis dari nilai (warden) tersebut di muka
khusus diterbitkan dan kemudian ditukarkan dengan surat definitif (Katoppo,
1997:1).

10
Tujuan utama penyelenggaraan pasar modal adalah memupuk sumber
pembiayaan, baik bagi pemerintah maupun dunia usaha untuk kegiatan yang
bersifat produktif. Pasar modal menawarkan ragam instrumen investasi diluar
investasi mainstream seperti misalnya, menabung di bank, emas, properti dan
asuransi. Pasar modal menjadi satu alternatif instrumen investasi dengan tujuan
untuk mengamankan portofolio aset. Para investor tidak perlu khawatir
berinvestasi di pasar modal karena pasar modal diatur dengan peraturan
perundang-undangan yang resmi yaitu Undang-Undang No. 8 Tahun 1995
mengenai kegiatan pasar modal. (https://www.cermati.com/artikel/mengenal-
pasar-modal-di-indonesia seperti-apa-sejarahnya).
Didalam buku Invesments, Bodie et all (2006) membagi pasar modal atas
empat segmen, yaitu:
1 . Pasar obligasi jangka panjang,
2. Pasar modal,
3. Pasar derivatif untuk opsi,
4. Pasar derivatif kontrak berjangka
Pasar obligasi terdiri atas pinjaman jangka panjang atau instrumen utang
selain yang diperdagangkan dipasar uang. Pasar ini meliputi surat utang dan
obligasi pemerintah, obligasi pemerintah, obligasi perusahaan, obligasi
pemerintah daerah, sekuritas hipotek, dan utang badan pemerintah federal.
Pasar saham adalah pasar untuk perdagangan saham perusahaan yang
dipegang umum dan instrumen finansial yang berhubungan (termasuk opsi saham,
perdagangan dan perkiraan indeks saham).

11
Derivatif merupakan turunan dari efek utama yang bersifat penyertaan
maupun uang, turunan ini dapat berarti dari turunan langsung dari efek pertama
maupun turunan-turunan selanjutnya. Produk turunan dari derivatif ini merupakan
suatu kontrak atau perjanjian yang nilai maupun peluang keuntungannya
tergantung dari kinerja asset lain. Jadi dapat diambil suatu kesimpulan bahwa
derivatif merupakan instrument keuangan yang nilainya ditentukan oleh harga
pasar dari sejumlah aktiva lain.
2.2 Saham
Saham, dikenal sebagai sekuritas ekuitas, atau cukup disebut sebagai ekuitas
(equities), menunjukkan bagian kepemilikan di sebuah perusahaan. Masing-
masing lembar saham biasa mewakili satu suara tentang segala hal dalam
pengurusan perusahaan dan menggunakan suara tersebut dalam rapat tahunan
perusahaan dan pembagian keuntungan (Bodie et all, 2006).
Saham dari kebanyakan perusahaan besar dapat diperoleh atau dijual bebas
di satu atau lebih pasar saham. Perusahaan yang memiliki saham yang tidak
diperjualbelikan bebas disebut perusahaan tertutup atau perusahaan terbatas. Di
sebagian besar perusahaan tertutup, pemilik perusahaan bertindak secara aktif
dalam manajemen sehingga pengambil alihan biasanya bukan merupakan
masalah.
Untuk meningkatkan modal, salah satu cara yang bisa ditempuh perusahaan
adalah menjual sekuritas baru. Sekuritas ini bisa berupa saham, obligasi, atau
sekuritas lain yang dijual ke publik melalui bankir investasi dalam pasar yang
disebut pasar primer/perdana (primary market) pembelian dan penjualan antar

12
investor atau sekuritas yang telah diterbitkan terjadi di pasar sekunder (secondary
market).
Menurut Mangasa Simatupang (2010) berdasarkan cara peralihan saham, maka
saham dapat digolongkan menjadi:
1. Saham Atas Nama (Registered Stock), adalah dimana nama pemilik saham
tertera di atas saham tersebut dan cara peralihan saham ini harus melalui
pencatatan dokumen peralihan.
2. Saham Atas Ujuk (Bearer Stock), adalah saham dimana, nama pemilik saham
tidak tertera di atas saham, sehingga otomatis pemegang saham dianggap
sebagai pemilik saham, dengan demikian barang siapa yang dapat menunjukan
sertifikat saham itu, maka ia dapat dikatakan pemilik dari saham tersebut,
kecuali dapat dibuktikan telah terjadi pelanggaran.
Pada dasarnya terdapat dua keuntungan yang diperoleh pemodal dengan membeli
atau memiliki saham perusahaan go-public, yaitu:
1. Dividen, adalah keuntungan bersih setelah dikurangi pajak yang diberikan
perusahaan penerbit saham kepada para pemegang saham.
2. Capital gain adalah keuntungan yang diperoleh para investor di pasar modal
dari selisih antara harga beli dan harga jual (harga jual > harga beli). Data
transaksi d Bursa Efek menunjukkan bahwa banyak investor di pasar modal
melakukan investasi saham memprioritaskan mendapatkan capital gain dari
pada dividen. Hal ini dapat terlihat dari banyaknya investor melakukan
investasi bersifat jangka pendek.

13
Dalam berinvestasi saham pasti selalu ada risiko yang menghantui para investor,
diantaranya adalah:
1. Capital Loss merupakan kebalikan dari Capital Gain, yaitu suatu kondisi
dimana investor menjual saham lebih rendah dari harga beli.
2. Risiko Likuidasi merupakan perusahaan yang sahamnya dimiliki, dinyatakan
bangkrut oleh pengadilan, atau perusahaan tersebut dibubarkan. Dalam hal ini
hak klaim dari pemegang saham mendapat prioritas terakhir setelah seluruh
kewajiban perusahaan dapat dilunasi (dari hasil penjualan kekayaan
perusahaan). Jika masih terdapat sisa dari hasil penjualan kekayaan perusahaan
tersebut, maka sisa tersebut dibagi secara proporsional kepada seluruh
pemegang saham. Namun jika tidak terdapat sisa kekayaan perusahaan, maka
pemegang saham tidak akan memperoleh hasil dari likuidasi tersebut. Kondisi
ini merupakan risiko yang terberat dari pemegang saham. Oleh karena itu
seorang pemegang saham dituntut untuk secara terus menerus mengikuti
perkembangan perusahaan.
2.3 Peramalan
Peramalan merupakan teknik untuk memprediksi keadaan di masa yang
akan datang berdasarkan kondisi dimasa lalu maupun kondisi saat ini.
Bersadarkan periodenya, peramalan dibagi menjadi 3 bentuk
(Montgomery,dkk,2008):
1. Jangka Pendek (Short Term)
Peramalan jangka pendek meliputi kurun waktu mulai dari hari, minggu,
sampai bulan. Data historis sangat relevan dalam peramalan ini, karena jangka

14
waktu peramalan sangat singkat. Contoh peramalan jangka pendek adalah
peramalan penjualan produk satu bulan ke depan.
2. Jangka Menengah (Medium Term)
Peramalan jangka menengah dapat meliputi kurun waktu mulai dari satu
musim ( triwulan, kuartal, atau lainnya) sampai dua tahun ke depan. Dalam
peramalan jangka menengah, data historis masih dianggap relevan. Salah satu
contoh peramalan jangka menengah adalah peramalan anggaran produksi.
3. Jangka Panjang (Long Term)
Data di masa lalu kurang relevan dalam peramalan jangka panjang. Hal ini
disebabkan oleh peramalan jangka panjang meliputi kurun waktu dua tahun ke
depan atau lebih. Dalam peramalan harga saham, peramalan jangka panjang
biasanya menggunakan analisis fundamental dan intuisi.
Jenis-jenis Peramalan
Peramalan dapat dibedakan atas peramalan kuantitatif dan peramalan kualitatif.
Pada dasarnya metode peramalan kuantitatif dapat dibedakan atas:
a. Metode Regresi (kausal)
Metode peramalan kausal ini didasarkan atas penggunaan analisa pola
hubungan antara variabel yang akan diperkirakan dengan variabel lain yang
mempengaruhinya, yang bukan waktu. Metode ini mengasumsikan bahwa
faktor-faktor yang diramalkan menunjukkan suatu hubungan sebab akibat
denga satu atau lebih variabel bebas.

15
Metode regresi ini terdiri dari:
1. Metode regresi dan korelasi
2. Metode ekonometrika
3. Metode input dan output
b. Runtun Waktu
Metode peramalan deret berkala (time series) didasarkan atas penggunaan
analisa pola hubungan antar variabel yang diperkirakan dengan variabel waktu,
yang merupakan deret waktu (time series). Metode peramalan deret waktu data
historis dianalisa untuk mengidentifikasi pola data dan diasumsikan bahwa
pola data tersebut akan terus berlanjut pada masa yang akan datang. Pola data
yang di peroleh kemudian dianalisa untuk memperoleh peramalan pada masa
yang akan datang. Dalam model peramalan deret waktu tidak ada usaha
menemukan faktor yang mempengaruhi terhadap historis yang dianalisa.
Metode peramalan deret waktu ini terdiri dari:
1. Metode Smoothing
2. Metode Box-Jenkins
3. Metode Trend dan Regresi
2.4 Metode Box - Jenkins
Metode Box–Jenkins dinamakan dari statistikawan George Box dan
Gwilym Jenkins. Metode ini merupakan pengembangan dari teknik time series.
Model ini muncul pada tahun 1970, dalam buku yang mereka rilis dengan judul
Time Series Analysis: Forecasting And Control. Model Box-jenkins ini terdiri dari
beberapa model yaitu: Autoregressive (AR), Moving Avarage (MA),

16
Aautoregressive-moving Avarage (ARMA), dan Autoregressive Integrated
Moving Avarage (ARIMA). ARIMA merupakan suatu metode yang menghasilkan
ramalan-ramalan berdasarkan sintesis dari pola data secara historis (Arsyad,
1995). ARIMA ini sama sekali mengabaikan variabel independen karena model
ini menggunakan nilai sekarang dan nilai-nilai lampau dari variabel dependen
untuk menghasilkan peramalan jangka pendek yang akurat.
2.4.1 Model Autoregressive (AR)
Model Autoregressive menunjukkan nilai prediksi dari variabel dependen Yt
hanya merupakan fungsi linear dari sejumlah Yt aktual sebelumnya. Secara umum
bentuk model umum Autoregressive (AR) dapat dinyatakan dalam persamaan
berikut:
Yt = + + + + et
Dimana:
Y = variabel awal
Yt-1, Yt-2, Yt-p = kelambanan (lag) dari Y ;
P = tingkat AR
et = residual (kesalahan peramalan).
Banyaknya nilai lampau yang digunakan (p) pada model AR menunjukkan tingkat
dari model ini. Jika hanya digunakan sebuah nilai lampau, dinamakan model
autoregresive tingkat satu dan dilambangkan dengan AR (1).
2.4.2 Model Moving Avarage (MA)
Model ini menyatakan bahwa nilai prediksi variabel dependen hanya
dipengaruhi oleh nilai residual periode sebelumnya. Secara umum, bentuk model
dari Moving Avarage dapat dinyatakan dalam bentuk persamaan sebagai berikut:
= + + + +........+

17
Dimana:
= residual
, , = variabel bebas yang merupakan lag dari residual;
q = tingkat MA
Banyaknya kesalahan yang digunakan pada persamaan ini (q) menandai tingkat
model moving average. Jika pada model digunakan dua kesalahan masa lalu,
maka dinamakan model average tingkat 2 dan dilambangkan sebagai MA (2).
2.4.3 Model Autoregressive – Moving Average (ARMA)
Seringkali perilaku suatu data time series dapat dijelaskan dengan baik
melalaui penggabungan antara model AR dan model MA. Model gabungan ini
disebut Autoregressive Moving Avarage (ARMA). Secara umum bentuk model
ini dapat ditulis dalam bentuk persamaan sebagai berikut:
Yt = + + +....+ + + + + +....+
2.4.4 Model Autoregressive Integrated Moving Average (ARIMA)
Model time series yang digunakan berdasarkan asumsi bahwa data time
series tersebut stasioner, artinya rata-rata varian ( ) suatu data time series
konstan. Tapi seringkali kita ketahui bahwa banyak data time series dalam ilmu
ekonomi adalah tidak stasioner, melainkan integrated. Model dengan data yang
stasioner melalui proses differencing disebut model ARIMA. Dengan demikian,
jika data stasioner pada proses differencing d kali dan mengaplikasikan ARMA (p,
q), maka modelnya ARIMA (p, d, p) dimana p adalah tingkat AR , d tingkat
proses membuat data menjadi stasioner dan q merupakan tingkat merupakan
tingkat MA. ARIMA (2, 1, 2) berarti menunjukkan AR (2), proses differencing 1

18
untuk membuat data stasioner dan tingkat MA pada level 2. Model AR (2) oleh
karena itu tidak lain merupakan model ARIMA (2, 0, 0)
2.5 Penelitian Terdahulu
Penelitian terdahulu mengenai metode ARIMA dalam memprediksi
berbagai harga saham dapat dilihat pada tabel ini bawah ini:
Tabel 2.1
Ringkasan Penelitian Terdahulu
Nama Peneliti
NO Judul Penelitian Data yang Digunakan Hasil Penelitian
dan Tahun
1 Fauziah (2013) Analisis Peramalan Harga Saham bulanan Model Arima yang
Harga Saham dalam sektor perkebunan digunakan pada setiap
Keputusan Investasi September 2011 – peramalan saham sektor
Pada Perusahaan Agustus 2013 perkebunan ini berbeda-
Perkebunan di PT. beda. Secara teknikal
Bursa Efek Indonesia model ARIMA ini dapat
dimanfaatkan untuk
meramalkan momentum
harga saham perkebunan
jangka pendek.
2 Reksa Nila Peramalan Saham Nilai Jakarta Islamic Model ARIMA yang
Anityaloka dan Jakarta Islamic Indeks Indeks (JII) Bulan Mei – diperoleh adalah ARIMA
Nurani Menggunakan Juli 2010 (1,0,0). Prediksi nilai JII di
Ambarwati Metode ARIMA Bulan Bursa Efek Indonesia
(2013) Mei-Juli 2010 selama 10 periode ke
depan di bulan Agustus
mengalami penurunan .
Hal ini disebabkan oleh
beberapa faktor, misalnya
kondisi Bursa Efek
Indonesia yang belum
efisien karena komposisi
kepemilikan saham yang
masih didominasi oleh
investor asing.
3 Djoni Haditja Penerapan Model Data berupa nilai Harga saham minimum
ARIMA untuk saham maksimum dan PT. Telkom April 2011
Memprediksi Saham maksimum dan tidak terlalu jauh berbeda
PT. Telkom minimum PT. Telkom dengan harga prediksi
dari Januari 2008 – untuk April 2011
Maret 2011 mengunakan ARIMA (3,
1, 1) bisa digunakan
untuk memprediksi harga
saham Maksimum PT.
Telkom, Tbk bulan Mei –
Juni 2011. Dan untuk
memprediksi harga

19
Nama Peneliti
NO Judul Penelitian Data yang Digunakan Hasil Penelitian
dan Tahun
saham minimum
menggunakan ARIMA
(3,1,3).
4 La Pimpi (2013) Penerapan Metode Data yang digunakan Penerapan metode
ARIMA yaitu data IHK ARIMA terbaik untuk
(Autoregressive Indonesia periode meramalkan Indeks
Integrated Moving September 2008 hingga Harga Konsumen (IHK)
Average) dalam Oktober 2012. Indonesia periode
meramalkan indeks November 2012 hingga
harga konsumen Juni 2013 adalah ARIMA
(IHK) Indonesia (3,1,2).
Tahun 2013
5 Hartati (2017) Penggunaan Metode Data Aktual Inflasi Dengan metode ARIMA
ARIMA dalam Februari 2011 – laju inflasi memberikan
Meramal Pergerakan Februari 2016 dari Bank hasil sebesar peramalan
Inflasi Indonesia 0.6285%. Dan
berdasarkan grafik
peramalan dengan
metode ini mampu
mengikuti pergerakan
data aktual dari laju
inflasi.
6 Jason C. York Evaluating the Data Kecelakaan dari Dimana pada penelitian
dan Jeremy M. Performance and MSHA (Mine Safety and ini membandingkan
Gernand (2017) Acuracy of Incident Heatlh Administration) beberapa metode
Rate Forecasting dan CDC (Center For peramalan. Dimana
Methods For Mining Disease Control) metode ARIMA memiliki
Operation periode Januari 1983 – akurasi
Desember 2007 peramalan:91,85%
setelah metode Double
Eksponensial Smoothing
92,23%.
7 Greis S Lilipaly, Prediksi Harga Data yang digunakan Penerapan Model ARIMA
Djoni Hatidja, Saham PT. BRI,Tbk. harga saham harian untuk harga saham
John S Mengunakan Metode PT.BRI,Tbk.sejak 3 maksimum adalah ARIMA
Kekenusa ARIMA Januari 2011- 20 (2, 1, 3) dan harga saham
(2014) (Autoregressive Oktober 2014. minimum adalah model
Integrated Moving ARIMA (2, 1, 3) untuk
Average) memprediksi data bulan
November 2014.
Sumber: Data diolah (2019)

20
2.6 Kerangka Konseptual
Start
Data Times Series
Stasion Tidak
er Transformasi
terhada
Ya
Stasion Tidak
er Differencing
Terhad
Ya
Identifikasi model ARIMA dengan
AFC dan PACF
Model ARIMA yang dipilih
Tidak Uji
Modifikasi
Model Parameter
Ya
Ya
Data Validas Dat
Estimasi i Data a
Rea
Grafik
Validasi
Selesai
i
Gambar 2.1
Kerangka Konseptual

21
Dari gambar konseptual diatas, ada beberapa langkah yang harus diambil di dalam
menganalisis data dengan menggunakan teknik ARIMA secara detail dapat
dijelaskan sebagai berikut:
1. Menyediakan data Saham Perusahaan Otomotif dan Komponen yang akan
diperdiksi, lalu membuat plot data time series untuk mengetahui apakah data
mengandung trend, musiman, outliner, varians tidak konstan. Dari plot data ini
data diketahui apakah data tersebut stasioner atau tidak.
2. Data yang disajikan harus stasioner agar dapat diprediksi. Dimana harus
stasioner terhadap Varians dan Means. Apabila belum stasioner dilakukan
transformasi data untuk menstasionerkan data terhadap Varians dan dilakukan
diffrencing untuk menstasionerkan data terhadap Means.
3. Setelah data stasioner langkah selanjutnya adalah identifikasi model melalui
diagram AFC dan PACF.
4. Menguji parameter apakah signifikan atau parameter tersebut tidak signifikan
dan menguji residu model yang dipilih.
5. Melakukan prediksi, setelah didapat model yang sesuai, maka selanjutnya
melakukan model tersebut sesuai dengan periode waktu peramalan yang
diinginkan.
6. Akurasi data, membandingkan data yang telah diprediksi dengan data real.
Dimana direpresentasikan kedalam sebuah grafik.

BAB III
METODE PENELITIAN
3.1 Jenis Penelitian
Penelitian ini menggunakan jenis penelitian prediktif (predictive research).
Penelitian prediktif menurut Edi Riadi (2015:6) bertujuan untuk memprediksi atau
memperkirakan apa yang akan terjadi atau berlangsung pada saat yang akan
datang dengan melihat perkembangan selama jangka waktu, pada saat ini atau saat
yang lalu.
3.2 Batasan Operasional
Penelitian ini memiliki beberapa batasan operasional. Diantaranya dalam
memilih sampel perusahaan dan teknik pengambilan sampel. Teknik pengambilan
sampel menggunakan Purposive sampling, yaitu sampling yang digunakan untuk
memudahkan peneliti dalam meneliti dengan menetapkan kriteria-kriteria khusus
yang sesuai dengan tujuan penelitian sehingga diharapkan dapat menjawab
permasalahan penelitian (Notoadmodja:2010).
Dalam penelitian ini populasi yang digunakan adalah seluruh perusahaan
otomotif dan komponen yang terdaftar di Bursa Efek Indonesia yang berjumlah
13 perusahaan. Untuk menentukan jumlah sampel yang digunakan dalam
penelitian ini. Peneliti menetapkan kriteria pengambilan sampel sebagai berikut :
1. Perusahaan otomotif dan komponen yang terdaftar di Bursa Efek Indonesia.
2. Perusahaan otomotif dan komponen yang menerbitkan harga saham harian
www.yahoofinance.com.
22

23
3. Perusahaan otomotif dan komponen yang memiiki data lengkap untuk
penelitian.
Berikut ini nama perusahaan otomotif dan komponen yang menjadi sampel
penelitian yaitu:
Tabel 3.1
Daftar Perusahaan Otomotif dan komponen yang dijadikan sampel
No Kode Nama Perusahaan

1 ASII PT. Astra International Tbk.
2 AUTO PT. Astra Otoparts Tbk.
3 BOLT PT. Garuda Metalindo Tbk.
4 GJTL PT. Gajah Tunggal Tbk.
5 IMAS PT. Indomobil Sukses Internasional Tbk.
6 INDS PT. Indosprings Tbk.
7 MASA PT. Multistrada Arah Sarana Tbk.
8 PRAS PT. Prima Alloy Steel Universal Tbk.
9 SMSM PT. Selamat Sempurna Tbk.
Sumber: Lampiran 1
3.3 Defenisi Operasional
Pada penelitian kali ini menggunakan penelitian prediktif, dimana variabel
yang digunakan adalah variabel dependen dan mengabaikan variabel independen.
Variabel dependen yang digunakan adalah Data Runtut Waktu (Time Series).
1. Variabel Independen : merupakan tipe variabel yang menjelaskan atau
mempengaruhi variabel lain. Dalam penelitian kali ini yang termasuk dengan
variabel independennya adalah harga saham harian perusahaan terpilih dari 1
September 2018–30 September 2019.
2. Variabel Dependen : merupakan tipe variabel yang dijelaskan atau dipengaruhi
oleh variabel independen. Dalam penelitian ini yang menjadi variabel
dependen yaitu forecasting ARIMA terhadap harga saham perusahaan terpilih
Oktober–November 2019.

24
3. Data Runtut Waktu (Times Series) : sekumpulan observasi dalam rentang
waktu tertentu. Data ini dikumpulkan dalam interval waktu secara kontiniu.
Dimana dalam penelitian ini data yang dikumpulkan adalah penutupan harga
saham perusahaan terpilih dari 1 September 2018 hingga 30 September 2019.
3.4 Jenis Data
Jenis data yang digunakan pada penelitian ini adalah jenis data kuantitatif
yang bersifat times series. Dimana data yang digunakan adalah data harga saham
penutupan harian dalam bentuk angka dalam kurun waktu 1 September 2018
sampai dengan 30 September 2019.
3.5 Metode Pengumpulan Data
Pada penelitian ini metode yang digunakan dalam mengumpulkan data
adalah metode studi dokumentasi. Dimana metode ini mengumpulkan data dengan
mempelajari catatan/dokumen perusahaan sesuai dengan data yang diperlukan
dalam penelitian. Dalam hal ini laporan penutupan harga saham perusahaan
terpilih yang diambil melalui www.yahoofinance.com.
3.6 Pengolahan Data
Pengolahan data yang digunakan dalam penelitian kali ini adalah dengan
menggunakan software Microsoft Excel dan Eviews.
3.7 Teknik Analisis Data
Untuk memprediksi harga saham perusahaan terpilih di masa depan penulis
menggunakan metode ARIMA. Dimana ada beberapa langkah yang harus diambil

25
dalam memprediksi harga saham perusahaan terpilih dengan menggunakan
metode ARIMA, yaitu:
a. Identifikasi Model ARIMA
1. Uji Stasioner Melalui Correlogram
Metode sederhana yang dapat digunakan untuk menguji apakah data
stasioner atau tidak dengan melihat correlogram melalui Autocorrelation
Function (AFC). ACF menjelaskan seberapa besar korelasi data yang
berurutan dalam runtut waktu. ACF dengan demikian adalah perbandingan
antara kovarian pada kelambanan k dengan variannya. Dengan demikian
ACF pada kelambanan k ( k) dapat ditulis sebagai berikut:
imana:
∑( ̅ )( ̅)
=
∑ ̅
=
N = jumlah observasi
̅ = rata-rata
Secara formal stasioner tidaknya suatu data time series dapat dilakukan
melalui uji statistik berdasarkan standart error (Se). = 1,96 (se) atau
= 1,96 (√ ). Jika nilai koefisien AFC ( ) terletak di dalam interval
tersebut maka menerima hipotesis nol (H0) bahwa nilai sama dengan nol,
berarti data stasioner. Tetapi jika nilai terletak di luar interval maka kita

26
menolak hipotesis nol (H0) bahwa tidak menuju nol atau dengan kata
lain data tidak stasioner.
2. Identifikasi Ordo AR-MA
Setelah kita mengetahui stasioner data maka selanjutnya adalah melakukan
identifikasi model ARIMA. Pada tahap ini, nilai yang diperoleh baik dari
hasil perhitungan menggunakan fungsi otokorelasi (AFC) maupun fungsi
otokorelasi parsial (PAFC) dipergunakan untuk identifikasi orde p dan q.
Kegunaan AFC adalah mengukur korelasi antar pengamatan dan lag ke k,
sedangkan PACF mengukur korelasi antara yt (pengamatan) dengan yt-k (lag
ke k) dengan menghilangkan efek yt terletak diantara kedua pengamatan
tersebut. Secara ringkas pemilihan model ARIMA disajikan dalam tabel
berikut ini.
Tabel 3.2
Pola AFC dan PAFC
Model Pola AFC Pola PAFC

AR (p) Menurun secara eksponensial Menurun drastis pada lag tertentu
MA (q) Menurun drastis pada lag tertentu Menurun secara eksponensial
ARMA Menurun secara eksponensial Menurun secara eksponensial
(p,q)
Sumber : Widarjono, Agus, 2017. Ekonomimetrika, Edisi Keempat.
b. Estimasi Model ARIMA
Setelah berhasil mendapatkan model p,d,q, selanjutnya adalah memperkirakan
parameter dari model terbaik. Untuk itu dilakukan pemeriksaan terhadap:
1. Residu

27
Model yang telah diperkirakan akan memperhatikan perbedaan residu antara
nilai-nilai data time series dan nilai-nilai estimasi dari model yang sangat
kecil. Residu dapat diperoleh dari persamaan berikut:
et = Yt – Yt ( h)
Dimana:
et = Kesalahan Peramalan
Yt = Nilai Y pada orde ke t
Yt ( h) = Nilai Peramalan
2. Pemeriksaan Kesalahan Standar Residu
Nilai (Standart Error) dari rk adalah :
SE (rk) =
Dimana:
Rk = Koefisien autokorelasi lag ke k, dimana k = 0,1, ,k
n = Banyaknya data
c. Diagnosis
Setelah model ditentukan, kemudian kita cek apakah model cocok dengan
data dan memenuhi persyaratan model peramalan yang baik. Jika estimasi
residualnya white noise (berpola acak) maka model cocok, namun jika tidak
maka harus dilakukan pengecekan kembali. Model dikatakan memadai jika
asumsi dari error memenuhi proses white noise (berpola acak) dan
berdistribusi normal.
1. Ljung – Box
Untuk memeriksa apakah autokorelasi nilai-nilai sisa (residu) berpola acak
(bersifat white noise), digunakan Ljung-box dengan persamaan:

28
Q (m) = n (n+2)∑
Dimana :
Q = Hasil perhitungan ljung-box / chi-square
m = Jumlah lag autokorelasi residu
n = N – (d+SD)
N = Jumlah keseluruhan data
d = Ordo pembedaan bukan musiman
D = Ordo pembedaan musiman
S = Jumlah periode per musim
rk = Koefisien autokorelasi lag ke k, dimana k= 0,1, ,...,k
Kriteria pengujian:
Jika Q ≤ (chi-square), berarti: nilai error bersifat random (model
diterima).
Jika Q > (chi-square), berarti: nilai error tidak bersifat random (model
tidak dapat diterima).
d. Peramalan
Menurut Linda, (2013) setelah parameter-parameter model ARIMA telah
di diagnostik, maka selanjutnya adalah menggunakan model tersebut untuk
peramalan. Sebagai contoh, pertama-tama ditetapkan model ARIMA (1,1,1)
dengan persamaan regresi biasa:
Yt = Yt-1 + + et - et-1
Untuk meramalkan satu periode kedepannya, maka dapat ditambahkan
didepannya:
Yt+1 = Yt + Yt + Yt-1 – + et+1 - et
Untuk meramalkan Yt (h) periode kedepannya yaitu maka:
Yt+h = Yt-1+ h + Yt + Yt-1+ h+ Yt-2+ h – + et+1 - et-1+ h
Dimana :

29
Yt = nilai series yang stasioner

Yt-1 , Yt-2 = nilai lampau series yang bersangkutan
et+1 ,et+2 = variabel bebas yang merupakan lag dari residual
, , = koefisien model
e. Akurasi Peramalan
Ada beberapa metode yang digunakan untuk menunjukkan kesalahan yang
disebabkan oleh suatu teknik peramlan tertentu. Hampir semua ukuran
tersebut menggunakan beberapa fungsi dari perbedaan antara nilai
sebenarnya dengan nilai peramalannya. Perbedaan nilai sebenarnya dengan
nilai peramalan ini biasanya di sebut sebagai residual.
Menurut Arsyad (1995) ada beberapa teknik untuk mengevaluasi hasil
peramalan, diantaranya:
1. MAD (Mean Absolute Deviation) atau simpangan absolut rata-rata
MAD ini sangat berguna jika seseorang analisis ingin mengukur kesalahan
peramalan dalam unit ukuran yang sama seperti data aslinya.
2. MSE (Mean Square Error) atau kesalahan rata-rata kuadrat
∑[ ]
Pendekatan ini mengukur suatu kesalahan yang besar karena dikuadratkan.
Pendekatan ini penting karena satu teknik yang menghasilkan kesalahan
yang moderat yang lebih disukai oleh suatu peramalan yang biasanya
menghasilkan kesalahan yang lebih kecil.

30
3. MAPE (Mean Absolute Presentase Error) atau persentase kesalahan
absolut rata-rata
∑{ }
Kadang kala lebih bermafaat jika kita menghitung kesalahan peramalan
dengan menggunakan persentase dibandingkan nilai absolutnya. Pendekatan
ini sangat berguna jika ukuran variabel peramalan merupakan faktor penting
dalam mengevaluasi akurasi peramalan tersebut. MAPE memberikan
petunjuk seberapa besar kesalahan peramalan dibandingkan dengan nilai
sebenarnya dari series tersebut.
Dimana:
= Data aktual
= Data hasil ramalan
= Banyak periode ramalan
f. Validasi Harga Saham
Hasil validasi harga saham dengan membandingkan harga forecasting dan
harga aktual yang direpresentasikan dalam sebuah grafik.

BAB IV
HASIL DAN PEMBAHASAN
4.1 Deskripsi Objek Penelitian
Pada bab ini akan dibahas hasil penelitian setelah dilakukan tahap-tahap
pengolahan data sehingga permasalahan dapat dianalisis. Dalam penelitian ini
objek yang dijadikan penelitian adalah perusahaan otomotif dan komponen yang
terdaftar di Bursa Efek Indonesia. Objek penelitian terdiri dari 9 perusahaan
otomotif dan komponen yang dipilih berdasarkan kriteria yang telah ditetapkan
dengan menggunakan teknik purposive sampling. Tujuan penelitian ini adalah
untuk mengetahui hasil prediksi harga saham perusahaan otomotif dan komponen
pada Oktober-November 2019 dengan menggunakan metode ARIMA dan
memvalidasi hasil tersebut dengan harga aktual, dimana direpresentasikan ke
dalam sebuah grafik.
4.2 Hasil Pengolahan Data
4.2.1 Peramalan Harga Saham PT. Astra International (ASII)
Dengan menggunakan Software Eviews 10, diperoleh plot data sebagai berikut:
Time Series Plot of ASII
8,800
8,400
8,000
7,600
7,200
6,800
6,400
6,000
10
11
12
10
11
9
9
M
M
M
2018 2019

Gambar 4.1
Plot Data ASII
31

32
Berdasarkan plot aktual data harga saham harian ASII terlihat bahwa harga saham
harian ASII mengalami pergerakan naik dan turun (berfluktuasi), mengandung
implikasi data bersifat non-stasioner.
1. Pengujian Stasioneritas
Tahap pertama dalam memulai analisis data ini adalah dengan melakukan uji
stasioneritas data. Uji stasioner dilakukan untuk memastikan data tidak memiliki
akar unit dan pola varians konstan dari waktu ke waktu dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Maka
pengujian stasioneritas suatu data yaitu dengan melakukan Uji Unit Root atau
(Unit Roots Test). Berikut hasil uji stasioner dengan menggunakan uji Augmented
Dickey-Fuller (ADF).
Tabel 4.1
Uji Stasioner dengan Augmented Dickey-Fuller (ADF)
Variabel P-Value
ASII 0.5136 > 0.05 (Tidak Stasioner pada Level)
Sumber: Hasil Output Eviews 10
Berdasarkan hasil pengujian stasioner dengan uji Augmented Dickey-Fuller pada
Tabel 4.1, diketahui data ASII tidak stasioner pada level dengan nilai p = 0,5136 >
0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
pengujian stasioner. Tabel 4.2 disajikan hasil pengujian stasioner dengan uji
Augmented Dickey-Fuller, pada data first difference.
Tabel 4.2
Uji Stasioner dengan Uji Augmented Dickey-Fuller pada First Difference
Variabel P-Value
ASII 0.000 < 0.05 (Stasioner pada First Difference)

33
Tabel 4.2, diketahui data ASII stasioner pada first difference.
2. Estimasi Model ARIMA dan Pemilihan Model ARIMA
Pemilihan model terbaik ARIMA dilakukan dengan melihat nilai Akaike
Information Criteria (AIC) dan Schwarz criterion (SIC). Diketahui model ARIMA
dengan AIC dan SIC optimal adalah model ARIMA(4,1,2) dengan nilai AIC dan
SIC paling minimum.
Tabel 4.3
Estimasi Model ARIMA
Variabel Coefficinet t-Statistic Prob

C -0.000228 -0.265445 0.7909
AR(1) -1.526446 -23.86619 0,0000
AR(2) -1.173814 -14.25357 0,0000
AR(3) -0.254725 -3.045151 0,0026
AR(4) -0.162663 -2.605602 0,0097
MA(1) 1.512435 20.14322 0,0000
MA(2) 0.994988 11.26401 0,0000
SIGMASQ 0.000270 10.13775 0,0000
R Squared 0.068574 AIC -5.311333
Adj Rsquared 0.044515 SIC -5,207212
F Statistic 2.850252 HQ -5.269565
Prob (F stat) 0,006948 DW stat 2.000843
Sumber: Hasil Estimasi Eviews 10
3. Uji Ljung Box
Langkah selanjutnya adalah melakukan uji diagnostik, tahap ini digunakan untuk
mendeteksi apakah secara keseluruhan data estimasi yang diperoleh layak
digunakan dalam peramalan. Kemudian estimasi model ARIMA (4,1,2) harus
dilihat residualnya.

34
Tabel 4.4
Uji Ljung Box
Partial
Autocorrelation Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 -0.032 -0.032 0.2954
.|. | .|. | 2 0.001 -0.001 0.2954
.|. | .|. | 3 0.013 0.013 0.3429 0.558
.|. | .|. | 4 0.001 0.002 0.3433 0.842
.|. | .|. | 5 0.069 0.069 1.7202 0.632
.|. | .|. | 6 -0.038 -0.034 2.1341 0.711
.|. | .|. | 7 0.019 0.017 2.2410 0.815
.|* | .|* | 8 0.086 0.086 4.3689 0.627
.|. | .|. | 9 0.025 0.031 4.5502 0.715
.|. | .|. | 10 0.038 0.035 4.9737 0.760
.|. | .|. | 11 0.009 0.014 4.9954 0.835
.|. | .|. | 12 0.014 0.010 5.0496 0.888
.|. | .|. | 13 0.061 0.052 6.1564 0.863
.|. | .|. | 14 -0.035 -0.029 6.5098 0.888
.|. | .|. | 15 -0.015 -0.024 6.5801 0.922
*|. | *|. | 16 -0.093 -0.104 9.1465 0.822
*|. | *|. | 17 -0.113 -0.131 12.958 0.606
.|. | .|. | 18 0.058 0.035 13.988 0.600
.|. | .|. | 19 -0.047 -0.042 14.665 0.620
.|. | .|. | 20 0.019 0.012 14.771 0.678
.|. | .|. | 21 -0.035 -0.034 15.143 0.713
.|. | .|. | 22 0.028 0.038 15.382 0.754
.|. | .|. | 23 -0.001 -0.006 15.382 0.803
*|. | .|. | 24 -0.091 -0.059 17.910 0.711
.|. | .|. | 25 0.017 0.035 18.002 0.757
.|. | .|. | 26 -0.031 -0.018 18.300 0.788
.|. | .|. | 27 -0.055 -0.044 19.239 0.785
.|. | .|. | 28 -0.007 -0.001 19.253 0.826
.|. | .|. | 29 -0.034 -0.008 19.615 0.847
.|. | .|. | 30 0.006 0.000 19.625 0.878
.|. | .|. | 31 0.016 0.009 19.703 0.902
.|. | .|* | 32 0.067 0.081 21.114 0.884
.|. | *|. | 33 -0.063 -0.087 22.390 0.870
.|. | .|. | 34 0.035 0.042 22.784 0.885
.|. | .|. | 35 -0.003 0.007 22.787 0.909
.|* | .|* | 36 0.078 0.083 24.731 0.878

35
Tabel 4.4 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga dapat
disimpulkan bahwa residual model mengikuti proses random (p-value > 0,05).
Model ARIMA (4,1,2) layak digunakan untuk tahap peramalan karena residual
pada model tidak berkorelasi dan model tersebut mengikut proses random.
4. Peramalan
Dengan model ARIMA (4,1,2) tersebut dapat dirumuskan peramalan harga saham
ASII sebagai berikut:
Yt = Yt-1 – Yt-2 – Yt-3 – Yt-4 – + + + et
Dengan demikian, prediksi data 44 periode atau 2 bulan kedepan menjadi:
Y= – 1,526446 Yt-1 – 1,173814 Yt-2 – 0,254725 Yt-3 – 0,162663 Yt-4– 0,000228
+1,512435 + 0,994988 + et
Validasi Harga Saham ASII Oktober-November 2019

7,200.00
7,000.00
6,800.00
Harga Saham
6,600.00
6,400.00 ASII
6,200.00 ASIIf
6,000.00
5,800.00
Gambar 4.2
Validasi Harga Saham ASII Actual dan Forecast

36
Terlihat pada gambar bahwa harga saham forecast ARIMA (4,1,2) berada
diantara harga saham aktual tertinggi dan terendah pada bulan Oktober dan
selisihnya tidak terlalu jauh. Sehingga metode ARIMA (4,1,2) cukup akurat untuk
memprediksi harga saham ASII periode Oktober-November 2019.
5. Akurasi Peramalan
Metode peramalan tidak ada yang sempurna di setiap kondisi. Bahkan ketika
manajemen menemukan pendekatan yang memuaskan, peramalan tersebut masih
tetap harus terus dimonitor dan dikendalikan untuk memastikan kesalahan
peramalan tidak terlalu tinggi (Hezier dan Render, 2006). Keakuratan peramalan
selain berdasarkan pola data dan juga ukuran lainnya. Beberapa teknik mengukur
kesalahan peramalan yang dapat dilihat hasil berdasarkan nilai RMSE, MAE dan
MAPE. MAPE merupakan ukuran ketepatan relatif yang digunakan untuk
mengetahui persentase penyimpangan hasil peramalan. MAPE ini yang akan
menentukan apakah metode peramalan yang di pilih ini sudah tepat atau belum.
Semakin kecil nilai MAPE, maka peramalan tersebut semakin akurat.

9,000
Forecast: ASIIF
8,500 Actual: ASII
Forecast sample: 9/03/2018 11/29/2019
8,000 Adjusted sample: 9/10/2018 10/04/2019
Included observations: 280
7,500 Root Mean Squared Error 121.8611
Mean Absolute Error 90.38752
7,000
Mean Abs. Percent Error 1.220494
Theil Inequality Coefficient 0.008124
6,500
Bias Proportion 0.000005
Variance Proportion 0.001350
Covariance Proportion 0.998645
6,000
M9 M10 M11 M12 M1 M2 M3 M4 M5 M6 M7 M8 M9 Theil U2 Coefficient 0.991329
2018 2019 Symmetric MAPE 1.219841
ASIIF ± 2 S.E.

37
Gambar 4.3
Akurasi Peramalan
Berdasarkan Gambar 4.3 diketahui nilai Root Mean Squared Error (RMSE) =
121,86, Mean Absolute Error (MAE) = 90,38 dan nilai Mean Absolute Percent
Error (MAPE) adalah 1,22.
4.2.2 Peramalan Harga Saham PT. Astra Otoparts (AUTO)
Time Series Plot of AUTO
1,800
1,700
1,600
1,500
1,400
1,300
1,200
10
11
12
10
11
9
9
M
M
M
M
2018 2019
Gambar 4.4
Plot Data AUTO
Berdasarkan plot aktual data harga saham harian AUTO terlihat bahwa harga
saham harian AUTO mengalami pergerakan naik dan turun (berfluktuasi),
mengandung implikasi data bersifat non-stasioner.

38
Tabel 4.5
Variabel P-Value
AUTO 0.8388 > 0.05 (Tidak Stasioner pada Level)
Tabel 4.5, diketahui data AUTO tidak stasioner pada level dengan nilai p =
0,8388 > 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
Tabel 4.6
Variabel P-Value
AUTO 0.000 < 0.05 (Stasioner pada First Difference)
Tabel 4.6, diketahui data AUTO stasioner pada first difference.
dengan AIC dan SIC optimal adalah model ARIMA (2,1,8) dengan nilai AIC dan
SIC paling minimum.

39
Tabel 4.7

C -0.000417 -0.664983 0.5066
AR(1) 0.191461 7.294258 0,0000
AR(2) -0.972035 -38.92519 0,0000
MA(1) -0.140952 -0.146808 0,8834
MA(2) 0.963872 0.067492 0,9462
MA(3) 0.057838 0.225030 0,8221
MA(4) -0.086707 -0.083146 0.9338
MA(5) -0.080210 -0.598653 0.5499
MA(6) -0.094585 -0.071565 0.9430
MA(7) -0.136539 -0.043128 0.9656
MA(8) -0.072580 -0.040261 0,9679
SIGMASQ 0.000139 0.090981 0,9276
R Squared 0.086816 AIC -5.942309
Adj Rsquared 0.049194 SIC -5,786127
F Statistic 2.307604 HQ -5.879657
Prob (F stat) 0.010246 DW stat 1.987966
3. Uji Ljung Box

40
Tabel 4.8
Uji Ljung Box
Partial
.|. | .|. | 1 0.068 0.068 1.3167
.|. | .|. | 2 -0.001 -0.006 1.3169
.|. | .|. | 3 -0.002 -0.001 1.3177 0.251
.|. | .|. | 4 -0.025 -0.025 1.4966 0.473
*|. | *|. | 5 -0.092 -0.089 3.9298 0.269
*|. | *|. | 6 -0.088 -0.077 6.1676 0.187
.|. | .|. | 7 -0.040 -0.031 6.6271 0.250
.|. | .|. | 8 0.000 0.003 6.6272 0.357
.|. | .|. | 9 0.004 -0.001 6.6310 0.468
.|. | .|. | 10 -0.032 -0.044 6.9270 0.545
.|. | .|. | 11 -0.002 -0.013 6.9277 0.645
.|. | .|. | 12 -0.012 -0.025 6.9685 0.728
.|* | .|* | 13 0.079 0.077 8.8103 0.639
.|* | .|* | 14 0.139 0.132 14.585 0.265
.|. | .|. | 15 -0.010 -0.031 14.614 0.332
.|. | .|. | 16 -0.037 -0.044 15.020 0.377
*|. | *|. | 17 -0.077 -0.081 16.785 0.332
.|. | .|. | 18 -0.035 -0.012 17.157 0.376
*|. | *|. | 19 -0.137 -0.104 22.824 0.155
.|. | .|. | 20 -0.052 -0.020 23.652 0.167
.|. | .|. | 21 -0.022 -0.027 23.804 0.204
.|* | .|* | 22 0.114 0.096 27.789 0.114
.|. | .|. | 23 0.073 0.049 29.435 0.104
.|. | .|. | 24 -0.010 -0.033 29.464 0.132
.|* | .|* | 25 0.092 0.078 32.105 0.098
.|* | .|* | 26 0.114 0.099 36.155 0.053
.|. | .|. | 27 -0.002 -0.022 36.157 0.069
.|. | .|. | 28 -0.034 -0.032 36.513 0.083
.|. | .|. | 29 -0.020 -0.011 36.644 0.102
.|. | .|. | 30 0.003 0.034 36.647 0.127
.|. | .|. | 31 0.018 0.057 36.746 0.153
.|. | .|. | 32 -0.032 0.003 37.064 0.175
.|. | .|. | 33 -0.049 -0.019 37.844 0.185
.|* | .|* | 34 0.141 0.156 44.186 0.074
.|. | .|. | 35 -0.028 -0.054 44.437 0.088
.|. | .|. | 36 -0.018 -0.061 44.542 0.107

41
Tabel 4.8 menunjukan bahwa nilai p-value untuk setiap lag > 0,05,sehingga
dapatdisimpulkan bahwa residual model mengikuti proses random (p-value >
0,05). Model ARIMA (2,1,8) layak digunakan untuk tahap peramalan karena
residual pada model tidak berkorelasi dan model tersebut mengikut proses
random.
4. Peramalan
AUTO sebagai berikut:
Yt = Yt-1– Yt-2– et
Yt = 0,191461Yt-1 – 0,972035Yt-2 – 0,000417– 0,140952 + 0,963872 +
0.057838 – 0.086707 – 0.080210 – 0.094585 –0.136539 –
0,072580 – et
Validasi Harga Saham AUTO Oktober-November 2019

1,300.00
1,250.00
Harga Saham
1,200.00
1,150.00 AUTO
1,100.00 AUTOf
1,050.00
Sumber : Data diolah (2019)
Gambar 4.5
Validasi Harga Saham AUTO Actual dan Forecast

42
Terlihat pada gambar bahwa harga saham hasil forecasting ARIMA (2,1,8) tidak
mampu mengikuti harga aktual, walaupun sebagian harga forecasting mampu
mendekati harga aktual sehingga metode ARIMA tidak disarankan digunakan.
4.2.3 Peramalan Harga Saham PT. Garuda Metalindo (BOLT)
Time Series Plot of BOLT
1,050
1,000
950
900
850
800
750
700
10
11
12
10
11
9
9
M
M
M
M
2018 2019

Gambar 4.6
Polt Data BOLT
Berdasarkan plot aktual data harga saham harian BOLT terlihat bahwa harga
saham harian BOLT mengalami pergerakan naik dan turun (berfluktuasi),

43
Tabel 4.9
Variabel P-Value
BOLT 0.6345 > 0.05 (Tidak Stasioner pada Level)
Tabel 4.9, diketahui data BOLT tidak stasioner pada level dengan nilai p =
0,6345> 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
Tabel 4.10
Variabel P-Value
BOLT 0.000 < 0.05 (Stasioner pada First Difference)
Tabel 4.10, diketahui data BOLT stasioner pada first difference.
SIC paling minimum.

44
Tabel 4.11

C -0.000141 -0.235772 0.8138
R Squared 0.000000 AIC -6.377080
Adj Rsquared 0.000000 SIC -6.364065
F Statistic HQ -6.371859
Prob (F stat) DW stat
Dari Tabel 4.11 dapat dilihat bahwa nilai AR dan MA tidak dapat di estimasi
sehingga proses peramalan tidak dapat dilanjutkan.
4.2.4 Peramalan Harga Saham PT. Gajah Tunggal (GJTL)
Time Series Plot of GTJL
850
800
750
700
650
600
550
9
9
10
11
12
10
11
M
M
M
2018 2019

Gambar 4.7
Polt Data GJTL
Berdasarkan plot aktual data harga saham harian GJTL terlihat bahwa harga
saham harian GJTL mengalami pergerakan naik dan turun (berfluktuasi),

45
Tabel 4.12
Variabel P-Value
GJTL 0.1071 > 0.05 (Tidak Stasioner pada Level)
Tabel 4.12, diketahui data GJTL tidak stasioner pada level dengan nilai p =
Tabel 4.13
Variabel P-Value
GJTL 0.000 < 0.05 (Stasioner pada First Difference)
Tabel 4.13, diketahui data GJTL stasioner pada first difference.

46
SIC paling minimum.
Tabel 4.14

C 0.110870 0.128708 0.8977
AR(1) 0.666614 9.132473 0,0000
AR(2) -1.042843 -11.20132 0.0000
AR(3) 0.012340 0.155348 0,8767
AR(4) -0.146220 -2.208313 0,0281
MA(1) -0.747938 -20.62278 0,0000
MA(2) 0.975804 26.24611 0.0000
SIGMASQ 120.3584 0.000356 0,9997
R Squared 0.510136 AIC 8.367793
Adj Rsquared 0.495622 SIC 8.484929
F Statistic 35.14670 HQ 8.414782
3. Uji Ljung Box

47
Tabel 4.15
Uji Ljung Box
Partial
*|. | *|. | 1 -0.082 -0.082 1.8944
.|. | .|. | 2 0.000 -0.007 1.8944
.|. | .|. | 3 -0.016 -0.017 1.9697 0.160
.|. | .|. | 4 -0.001 -0.004 1.9699 0.373
.|. | .|. | 5 -0.034 -0.034 2.2967 0.513
.|. | .|. | 6 0.043 0.037 2.8220 0.588
.|. | .|. | 7 0.004 0.011 2.8276 0.727
.|. | .|. | 8 -0.017 -0.017 2.9106 0.820
.|. | .|. | 9 0.016 0.015 2.9852 0.886
.|. | .|. | 10 -0.031 -0.030 3.2744 0.916
.|. | .|. | 11 0.017 0.014 3.3594 0.948
.|. | .|. | 12 0.060 0.062 4.4228 0.926
*|. | *|. | 13 -0.107 -0.101 7.8085 0.730
.|. | .|. | 14 0.006 -0.007 7.8191 0.799
.|. | .|. | 15 0.023 0.022 7.9745 0.845
.|. | .|. | 16 -0.056 -0.055 8.9113 0.837
.|. | .|. | 17 0.057 0.054 9.8981 0.826
.|* | .|* | 18 0.088 0.087 12.247 0.727
.|. | .|. | 19 0.023 0.043 12.404 0.775
*|. | *|. | 20 -0.145 -0.138 18.776 0.406
.|. | .|. | 21 0.059 0.034 19.850 0.404
*|. | .|. | 22 -0.070 -0.050 21.346 0.377
.|. | .|. | 23 0.000 -0.022 21.346 0.438
.|. | .|. | 24 -0.027 -0.034 21.563 0.486
.|. | .|. | 25 -0.003 -0.005 21.567 0.547
.|. | .|. | 26 0.016 0.015 21.647 0.600
.|. | .|. | 27 -0.034 -0.039 22.004 0.635
.|. | .|. | 28 -0.005 0.003 22.011 0.688
.|. | .|. | 29 0.058 0.048 23.073 0.681
.|. | .|. | 30 -0.021 -0.025 23.213 0.722
.|. | .|. | 31 -0.034 -0.012 23.570 0.750
.|. | .|. | 32 -0.037 -0.032 23.999 0.772
.|. | .|. | 33 0.007 -0.026 24.017 0.810
*|. | .|. | 34 -0.072 -0.056 25.676 0.778
.|. | *|. | 35 -0.055 -0.089 26.642 0.775
.|. | .|. | 36 0.056 0.026 27.661 0.770

48
dapat disimpulkan bahwa residual model mengikuti proses random (p-value >
random.
4. Peramalan
GJTL sebagai berikut:
Yt = Yt-1 – Yt-2 + Yt-3 – Yt-4 + – + + et
Y= 0,666614 Yt-1 – 1, 042843 Yt-2 + 0,012340 Yt-3 – 0,146220 Yt-4+ 0,110870 –
0.747938 + 0,975804 + et
Validasi Harga Saham GJTL Oktober-November 2019

700
680
660
Harga Saham
640
620 GJTL
GJTLf
600
580
560
Gambar 4.8

49
Validasi Harga Saham GJTL Actual dan Forecast

Terlihat pada gambar bahwa harga saham hasil forecasting ARIMA (4,1,2) ,
cukup akurat dalam memprediksi harga saham GJTL dimana range perbedaan
harga antara actual dan forecasting tidak terlalu jauh. Sehinnga metode ARIMA
pada kasus ini dapat digunakan sebagai referensi dalam memprediksi harga saham
GJTL.

900
Forecast: GTJLF
850 Actual: GTJL
Forecast sample: 9/03/2018 11/29/2019
800
Adjusted sample: 9/10/2018 10/04/2019
750
Root Mean Squared Error 15.50142
700 Mean Absolute Error 10.63901
650 Theil Inequality Coefficient 0.011366
600 Variance Proportion 0.000078
550
M9 M10 M11 M12 M1 M2 M3 M4 M5 M6 M7 M8 M9
Theil U2 Coefficient 0.991947
Symmetric MAPE 1.548853
2018 2019
GTJLF ± 2 S.E.

50
Gambar 4.9
Akurasi Peramalan
4.2.5 Peramalan Harga Saham PT. Indomobil Sukses Internasional (IMAS)
Time Series Plot of IMAS
3,500
3,250
3,000
2,750
2,500
2,250
2,000
1,750
1,500
10
11
12
10
11
9
9
M
M
M
M
2018 2019
Gambar 4.10
Polt Data IMAS
Berdasarkan plot aktual data harga saham harian IMAS terlihat bahwa harga
saham harian IMAS mengalami pergerakan naik dan turun (berfluktuasi),

51
Tabel 4.16
Variabel P-Value
IMAS 0.7852 > 0.05 (Tidak Stasioner pada Level)
Tabel 4.16, diketahui data IMAS tidak stasioner pada level dengan nilai p =
Tabel 4.17
Variabel P-Value
IMAS 0.000 < 0.05 (Stasioner pada First Difference)
Tabel 4.17, diketahui data IMAS stasioner pada first difference.
SIC paling minimum.

52
Tabel 4.18

C 2142.125 3.734712 0.0002
AR(1) 1.554816 91.33834 0,0000
AR(2) -1.552930 -75.33934 0.0000
AR(3) 0.983409 70.32035 0,0000
MA(1) -0.559219 -20.88820 0,0000
MA(2) 0.969724 34.16093 0.0000
SIGMASQ 5272.070 18.42220 0,0000
R Squared 0.975892 AIC 11.47588
F Statistic 1841.834 HQ 11.51233
3. Uji Ljung Box
Tabel 4.19
Uji Ljung Box
Partial
.|. | .|. | 1 0.046 0.046 0.5870
.|. | .|. | 2 -0.001 -0.003 0.5870
.|. | .|. | 3 0.003 0.003 0.5893 0.443
.|. | .|. | 4 0.053 0.053 1.3826 0.501
.|. | .|. | 5 0.069 0.064 2.7475 0.432
.|. | .|. | 6 0.052 0.047 3.5330 0.473
.|. | .|. | 7 -0.057 -0.062 4.4827 0.482
.|. | .|. | 8 -0.038 -0.036 4.9047 0.556
.|. | .|. | 9 0.021 0.017 5.0335 0.656
.|* | .|* | 10 0.087 0.078 7.2716 0.508
.|. | .|. | 11 -0.056 -0.065 8.2068 0.513

53
.|. | .|. | 12 0.026 0.040 8.4093 0.589

.|. | .|. | 13 0.038 0.045 8.8393 0.637
.|. | .|. | 14 0.003 -0.011 8.8413 0.716
.|. | .|. | 15 0.029 0.018 9.0995 0.765
.|. | .|. | 16 -0.017 -0.023 9.1892 0.819
.|. | .|. | 17 -0.033 -0.022 9.5070 0.850
.|. | .|. | 18 0.014 0.008 9.5669 0.888
.|. | .|. | 19 0.022 0.012 9.7097 0.915
.|* | .|* | 20 0.099 0.103 12.698 0.809
*|. | *|. | 21 -0.076 -0.074 14.470 0.756
.|. | .|. | 22 0.005 0.007 14.477 0.806
.|. | .|. | 23 -0.001 -0.005 14.477 0.848
.|* | .|* | 24 0.133 0.127 19.939 0.587
.|. | .|. | 25 0.033 0.006 20.283 0.625
.|. | .|. | 26 0.022 0.027 20.429 0.672
.|. | .|. | 27 -0.046 -0.033 21.101 0.687
.|. | .|. | 28 0.006 -0.009 21.113 0.736
.|. | .|. | 29 0.017 -0.006 21.202 0.777
.|* | .|. | 30 0.084 0.061 23.442 0.711
*|. | .|. | 31 -0.080 -0.056 25.460 0.654
.|. | .|. | 32 -0.059 -0.059 26.581 0.645
.|. | .|. | 33 0.012 0.018 26.630 0.691
.|. | .|. | 34 -0.010 -0.032 26.661 0.734
.|. | .|. | 35 -0.016 -0.014 26.743 0.771
.|. | .|. | 36 -0.019 -0.013 26.856 0.803
random.
4. Peramalan
IMAS sebagai berikut:
Yt = Yt-1– Yt-2 + Yt-3 + – + + et

54
Y= 1,554816 Yt-1 – 1, 552930Yt-2 + 0,983409 Yt-3+ 2142,125 –0.559219 +
0,969724 + et
Validasi Harga Saham IMAS Oktober-November 2019

2,000.00
1,800.00
1,600.00
Harga Saham
1,400.00
1,200.00
1,000.00 IMAS
800.00
600.00 IMASf
400.00
200.00
0.00
Gambar 4.11
Validasi Harga Saham IMAS Actual dan Forecast
Terlihat pada gambar bahwa harga saham hasil forecasting ARIMA (3,1,2) ,
cukup akurat dalam memprediksi harga saham IMAS dimana range perbedaan
harga antara aktual dan forecasting tidak terlalu jauh. Sehinnga metode ARIMA
pada kasus ini dapat digunakan sebagai referensi dalam memprediksi harga saham
IMAS.

55

4,000
Forecas t: IMASF
3,600 Actual: IMAS
Forecas t s am ple: 9/03/2018 11/29/2019
3,200
Adjus ted s am ple: 9/07/2018 10/03/2019
Included obs ervations : 280
2,800
2,400 Mean Abs olute Error 47.93473
Mean Abs . Percent Error 2.008792
2,000 Theil Inequality Coefficient 0.014916
1,600
1,200
2018 2019 Symm etric MAPE 2.021970
IMASF ± 2 S.E.
Gambar 4.12
Akurasi Peramalan
72,59 Mean Absolute Error (MAE) = 47,93 dan nilai Mean Absolute Percent
4.2.6 Peramalan Harga Saham PT. Indosprings (INDS)
Time Series Plot of INDS
2,600
2,500
2,400
2,300
2,200
2,100
2,000
1,900
1,800
0
1
9
9
1
1
M
M
M
2018 2019
Gambar 4.13
Polt Data INDS

56
Berdasarkan plot aktual data harga saham harian INDS terlihat bahwa harga
saham harian INDS mengalami pergerakan naik dan turun (berfluktuasi),
Tabel 4.20
Variabel P-Value
INDS 0.0737 > 0.05 (Tidak Stasioner pada Level)
Tabel 4.20, diketahui data INDS tidak stasioner pada level dengan nilai p= 0,0737
> 0,05. Selanjutnya data ditransformasi pada first difference dan dilakukan
Tabel 4.21
Variabel P-Value
INDS 0.000 < 0.05 (Stasioner pada First Difference)

57
Tabel 4.21, diketahui data INDS stasioner pada first difference.
SIC paling minimum.
Tabel 4.22

C 7.719360 371.1282 0.0000
AR(1) 0.943862 48.16679 0,0000
SIGMASQ 0.000360 25.15687 0,0000
R Squared 0.891777 AIC -5.060842
F Statistic 1141.268 HQ -5.045222
3. Uji Ljung Box

58
Tabel 4.23
Uji Ljung Box
Partial
.|. | .|. | 1 0.001 0.001 0.0002
.|. | .|. | 2 -0.060 -0.060 1.0376 0.308
.|. | .|. | 3 -0.038 -0.038 1.4455 0.485
.|. | .|. | 4 -0.026 -0.030 1.6461 0.649
*|. | *|. | 5 -0.123 -0.129 5.9948 0.200
.|. | .|. | 6 0.009 0.003 6.0163 0.305
.|. | .|. | 7 0.019 0.001 6.1241 0.409
.|. | .|. | 8 -0.015 -0.026 6.1862 0.518
.|. | .|. | 9 -0.010 -0.016 6.2169 0.623
*|. | *|. | 10 -0.102 -0.122 9.2346 0.416
.|. | .|. | 11 -0.046 -0.052 9.8692 0.452
.|. | .|. | 12 0.059 0.045 10.897 0.452
.|. | .|. | 13 0.060 0.040 11.957 0.449
.|. | .|. | 14 0.070 0.066 13.392 0.418
.|. | .|. | 15 -0.040 -0.062 13.880 0.459
*|. | *|. | 16 -0.070 -0.072 15.352 0.426
*|. | .|. | 17 -0.074 -0.062 17.002 0.385
.|. | .|. | 18 0.018 0.017 17.101 0.448
.|. | .|. | 19 -0.014 -0.016 17.159 0.512
.|* | .|. | 20 0.085 0.057 19.357 0.434
.|* | .|* | 21 0.111 0.086 23.081 0.285
.|. | .|. | 22 -0.001 0.006 23.081 0.340
.|. | .|. | 23 0.004 0.042 23.086 0.397
*|. | *|. | 24 -0.083 -0.068 25.188 0.341
.|. | .|. | 25 -0.057 -0.052 26.181 0.344
.|. | .|. | 26 -0.000 -0.012 26.181 0.398
.|. | .|. | 27 0.030 -0.001 26.460 0.438
.|. | .|. | 28 0.036 0.051 26.865 0.471
.|* | .|* | 29 0.086 0.103 29.201 0.402
.|. | .|. | 30 -0.059 -0.041 30.308 0.399
.|. | .|. | 31 -0.043 -0.007 30.906 0.420
.|. | *|. | 32 -0.053 -0.073 31.786 0.427
.|. | .|. | 33 0.019 -0.001 31.907 0.471
.|. | .|. | 34 -0.013 -0.035 31.959 0.519
.|. | .|. | 35 0.045 0.011 32.612 0.536
.|. | .|. | 36 0.032 0.050 32.943 0.568

59
random.
4. Peramalan
INDS sebagai berikut :
Yt = Yt-1 + + et
Y= 0,943862 Yt-1+ 7,719360 + et
Validasi Harga Saham INDS Oktober-November 2019

2,800.00
2,700.00
Harga Saham
2,600.00
2,500.00
2,400.00 INDS
2,300.00 INDSf
2,200.00
2,100.00
2,000.00
Gambar 4.14
Validasi Harga Saham INDS Actual dan Forecast
Terlihat pada gambar bahwa harga saham hasil forecasting ARIMA (1,1,0)
berada dibawah harga saham INDS aktual. Dan selisih antara harga actual
dengan forecasting jauh berbeda, oleh sebab itu forecasting ARIMA (1,1,0)

60
tidak dapat digunakan untuk memprediksi harga saham INDS periode Oktober-
November 2019.
4.2.7 Peramalan Harga Saham PT. Multistrada Arah Sarana (MASA)
Time Series Plot of MASA
900
800
700
600
500
400
300
10
11
12
10
11
9
9
M
M
M
M
2018 2019
Gambar 4.15
Polt Data MASA
Berdasarkan plot aktual data harga saham harian MASA terlihat bahwa harga
saham harian MASA mengalami pergerakan naik dan turun (berfluktuasi),

61
Tabel 4.24
Variabel P-Value
MASA 0.1376 > 0.05 (Tidak Stasioner pada Level)
Tabel 4.24, diketahui data MASA tidak stasioner pada level dengan nilai p=
Tabel 4.25
Variabel P-Value
MASA 0.000 < 0.05 (Stasioner pada First Difference)
Tabel 4.25, diketahui data MASA stasioner pada first difference.
SIC paling minimum.

62
Tabel 4.26

C 6.296263 34.43701 0.0000
AR(1) 2.286757 24.67258 0,0000
AR(2) -2.155359 -12.85289 0.0000
AR(3) 0.862382 10.00182 0,0000
MA(1) -1.225986 -13.18235 0,0000
MA(2) 0.878951 10.19096 0.0000
SIGMASQ 0.001648 22.72999 0,0000
R Squared 0.972850 AIC -3.504829
F Statistic 1630.391 HQ -3.468381
3. Uji Ljung Box
Tabel 4.27
Uji Ljung Box
Partial
.|. | .|. | 1 0.014 0.014 0.0587
.|. | .|. | 2 -0.046 -0.046 0.6450
.|. | .|. | 3 -0.000 0.001 0.6450
.|. | .|. | 4 -0.029 -0.031 0.8867
*|. | *|. | 5 -0.082 -0.082 2.8328 0.092
*|. | *|. | 6 -0.070 -0.071 4.2503 0.119
.|. | .|. | 7 -0.044 -0.051 4.8117 0.186
.|. | .|. | 8 0.046 0.039 5.4290 0.246
*|. | *|. | 9 -0.080 -0.092 7.2790 0.201
.|. | .|. | 10 0.056 0.052 8.2092 0.223
.|. | .|. | 11 0.065 0.042 9.4538 0.222
.|. | .|. | 12 -0.024 -0.031 9.6261 0.292
.|. | .|. | 13 -0.016 -0.014 9.6978 0.376

63
.|. | .|. | 14 -0.031 -0.041 9.9763 0.443

.|. | .|. | 15 -0.059 -0.057 10.995 0.444
.|. | .|. | 16 0.039 0.042 11.456 0.490
.|. | .|. | 17 0.049 0.058 12.162 0.514
.|. | .|. | 18 -0.024 -0.038 12.330 0.580
.|. | .|. | 19 0.054 0.054 13.219 0.585
.|. | .|. | 20 0.024 0.018 13.400 0.643
.|. | .|. | 21 0.012 0.005 13.441 0.706
.|. | .|. | 22 -0.062 -0.055 14.616 0.688
.|* | .|* | 23 0.095 0.116 17.354 0.566
.|. | .|. | 24 0.051 0.046 18.144 0.578
.|. | .|. | 25 -0.035 -0.008 18.517 0.616
.|. | .|. | 26 0.005 0.032 18.524 0.675
.|. | .|. | 27 -0.029 -0.058 18.781 0.714
*|. | *|. | 28 -0.092 -0.080 21.449 0.612
.|. | .|. | 29 -0.035 -0.022 21.835 0.645
.|. | .|. | 30 0.044 0.054 22.432 0.665
.|. | .|. | 31 0.050 0.036 23.222 0.673
.|. | .|. | 32 0.049 0.073 23.974 0.683
.|. | .|. | 33 0.055 0.047 24.935 0.682
.|. | *|. | 34 -0.026 -0.066 25.144 0.718
.|. | .|. | 35 -0.022 -0.017 25.302 0.754
.|. | .|. | 36 0.052 0.064 26.174 0.756
random.
4. Peramalan
MASA sebagai berikut :
Yt = Yt-1 – Yt-2 + Yt-3 + – + + et

64
Y= 2,286757 Yt-1 – 2,155359 Yt-2 + 0,862382 Yt-3+ 6,296263 – 1,225986 +
0,878951 + et
Validasi Harga Saham MASA Oktober-November 2019

600
580
Harga Saham
560
540
520 MASA
500 MASAf
480
460
Gambar 4.16
Validasi Harga Saham MASA Actual dan Forecast
dimana pada awal bulan Oktober sampai pertengahan Oktober, menunjukkan
bahwa foresacting ARIMA (3,1,2) cukup akurat dalam memprediksi harga saham
MASA, karena hasil harga forecasting mendekati harga aktual. Sehingga ARIMA
(3,1,2) dapat digunakan untuk memprediksi harga saham MASA periode Oktober-
November 2019.

65

900
Forecast: MASAF
800 Actual: MASA
Forecast sample: 9/03/2018 11/29/2019
700
Adjusted sample: 9/07/2018 10/02/2019
600
500 Mean Absolute Error 13.15360
200
M9 M10 M11 M12 M1 M2 M3 M4 M5 M6 M7 M8 M9
2018 2019
MASAF ± 2 S.E.
Gambar 4.17
Akurasi Peramalan

66
4.2.8 Peramalan Harga Saham PT. Prima Alloy Steel Universal (PRAS)
Time Series Plot of PRAS
210
200
190
180
170
160
150
140
10
11
12
10
11
9
9
M
M
M
M
2018 2019

Gambar 4.18
Polt Data PRAS
Berdasarkan plot aktual data harga saham harian PRAS terlihat bahwa harga
saham harian PRAS mengalami pergerakan naik dan turun (berfluktuasi),
mengandung data bersifat non-stasioner.

67
Tabel 4.28
Variabel P-Value
PRAS 0.5161 > 0.05 (Tidak Stasioner pada Level)
Tabel 4.28, diketahui data PRAS tidak stasioner pada level dengan nilai p=
Tabel 4.29
Variabel P-Value
PRAS 0.000 < 0.05 (Stasioner pada First Difference)
Tabel 4.29, diketahui data PRAS stasioner pada first difference.
SIC paling minimum.

68
Tabel 4.30

C -0.136498 -4.097025 0.0001
AR(1) 0.358468 1.334520 0,1831
AR(2) 0.529352 2.331128 0.0205
MA(1) -0.587133 -0.017605 0,9860
MA(2) -0.412866 -0.011434 0.9909
SIGMASQ 11.46147 0.093748 0,9254
R Squared 0.078372 AIC 5.328771
F Statistic 4.643012 HQ 5.360097
3. Uji Ljung Box
Tabel 4.31
Uji Ljung Box
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 -0.001 -0.001 0.0006
.|. | .|. | 2 -0.015 -0.015 0.0669
.|. | .|. | 3 -0.039 -0.039 0.4989
.|. | .|. | 4 0.006 0.005 0.5085
.|. | .|. | 5 0.042 0.041 1.0076 0.315
.|. | .|. | 6 0.029 0.028 1.2467 0.536
.|. | .|. | 7 0.024 0.026 1.4138 0.702
.|. | .|. | 8 -0.056 -0.052 2.3184 0.677
.|. | .|. | 9 0.013 0.015 2.3644 0.797
*|. | *|. | 10 -0.066 -0.068 3.6268 0.727
.|. | .|. | 11 0.037 0.031 4.0345 0.776
.|. | .|. | 12 -0.040 -0.043 4.4980 0.810
.|. | .|. | 13 0.007 0.006 4.5106 0.875
.|. | .|. | 14 0.056 0.060 5.4528 0.859
.|. | .|. | 15 0.014 0.019 5.5117 0.904
.|. | .|. | 16 -0.012 -0.012 5.5536 0.937

69
.|. | .|. | 17 0.022 0.033 5.6951 0.957

.|. | .|. | 18 0.001 -0.007 5.6952 0.974
.|. | .|. | 19 0.020 0.023 5.8185 0.983
.|. | .|. | 20 0.020 0.007 5.9398 0.989
.|. | .|. | 21 -0.047 -0.044 6.6111 0.988
.|. | .|. | 22 0.019 0.018 6.7174 0.992
.|. | .|. | 23 -0.033 -0.031 7.0473 0.994
.|. | .|. | 24 0.031 0.030 7.3420 0.995
.|. | .|. | 25 0.023 0.024 7.5064 0.997
.|. | .|. | 26 0.031 0.033 7.8062 0.998
.|. | .|. | 27 -0.044 -0.034 8.4177 0.998
*|. | *|. | 28 -0.078 -0.079 10.307 0.993
.|. | .|. | 29 -0.055 -0.060 11.259 0.992
.|* | .|* | 30 0.081 0.080 13.333 0.981
.|* | .|. | 31 0.075 0.054 15.123 0.968
.|. | .|. | 32 -0.055 -0.045 16.068 0.965
.|. | .|. | 33 -0.025 -0.021 16.265 0.972
.|. | .|. | 34 0.003 0.024 16.268 0.980
.|. | .|. | 35 -0.004 -0.009 16.273 0.986
.|. | .|. | 36 -0.043 -0.056 16.864 0.987
residual pada model tidak berkorelasi dan model tersebut mengikuti proses
random.
5. Peramalan
PRAS sebagai berikut :
Yt = Yt-1– Yt-2 – – + + et
Y= 0,358468 Yt-1 – 0,529352Yt-2– 0,136498 – 0,587133 + 0,412866 + et

70
Validasi Harga Saham PRAS Oktober-November 2019

170
165
Harga Saham
160
155
150 PRAS
145 PRASf
140
135
Gambar 4.19
Validasi Harga Saham PRAS Actual dan Forecast
berada dibawah harga aktual saham PRAS. Dimana selisih harga forecasting dan
aktual tidak terlalu jauh oleh sebab itu foresacting ARIMA (2,1,2) ini dapat
digunakan dan dianggap mampu untuk memprediksi harga saham PRAS periode
Oktober-November 2019.

71

210
Forecast: PRASF
200 Actual: PRAS
Forecast sample: 9/03/2018 11/29/2019
190
Adjusted sample: 9/06/2018 10/01/2019
180
170 Mean Abs olute Error 2.051818
Mean Abs . Percent Error 1.170816
140
M9 M10 M11 M12 M1 M2 M3 M4 M5 M6 M7 M8 M9
2018 2019
PRASF ± 2 S.E.
Gambar 4.20
Akurasi Peramalan
3.41, Mean Absolute Error (MAE) = 2,05 dan nilai Mean Absolute Percent Error
(MAPE) adalah 1,17.
4.2.9 Peramalan Harga Saham PT. Selamat Sempurna (SMSM)
Time Series Plot of SMSM
1,800
1,700
1,600
1,500
1,400
1,300
1,200
10
11
12
10
11
9
9
M
M
M
2018 2019
Gambar 4.21

72
Polt Data SMSM
Berdasarkan plot aktual data harga saham harian SMSM terlihat bahwa harga
saham harian SMSM mengalami pergerakan naik dan turun (berfluktuasi),
Tabel 4.32
Variabel P-Value
SMSM 0.1243 > 0.05 (Tidak Stasioner pada Level)
Tabel 4.32, diketahui data SMSM tidak stasioner pada level dengan nilai
p=0,1243>0,05. Selanjutnya data ditransformasi pada first difference dan
dilakukan pengujian stasioner. Tabel 4.33 disajikan hasil pengujian stasioner
dengan uji Augmented Dickey-Fuller, pada data first difference.

73
Tabel 4.33
Variabel P-Value
SMSM 0.000 < 0.05 (Stasioner pada First Difference)
Tabel 4.33, diketahui data SMSM stasioner pada first difference.
SIC paling minimum.
Tabel 4.34

C 7.298310 279.3369 0.0000
AR(1) 0.967973 23.15382 0.0000
AR(2) -0.914432 -16.81049 0.0000
AR(3) 0.860030 20.46097 0.0000
MA(1) 0.042711 0.097114 0,9227
MA(2) 0.999999 0.049085 0.9609
SIGMASQ 0.000350 0.098351 0,9217
R Squared 0.924619 AIC -5.045110
F Statistic 558.0983 HQ -5.008662
3. Uji Ljung Box

74
Tabel 4.35
Uji Ljung Box
Partial
.|. | .|. | 1 -0.025 -0.025 0.1813
.|. | .|. | 2 0.003 0.003 0.1845
.|. | .|. | 3 0.000 0.000 0.1846 0.667
.|. | .|. | 4 -0.049 -0.049 0.8775 0.645
.|. | .|. | 5 0.006 0.004 0.8889 0.828
.|. | .|. | 6 0.041 0.041 1.3648 0.850
*|. | *|. | 7 -0.099 -0.097 4.1777 0.524
.|. | .|. | 8 0.023 0.016 4.3334 0.632
.|. | .|. | 9 0.041 0.044 4.8276 0.681
.|. | .|. | 10 0.021 0.026 4.9547 0.762
.|. | .|. | 11 -0.047 -0.058 5.6137 0.778
.|. | .|. | 12 -0.024 -0.025 5.7832 0.833
.|. | .|. | 13 0.016 0.028 5.8549 0.883
.|. | .|. | 14 0.065 0.058 7.1133 0.850
*|. | *|. | 15 -0.151 -0.158 13.884 0.382
.|. | .|. | 16 -0.029 -0.033 14.128 0.440
.|. | .|. | 17 0.042 0.060 14.657 0.476
.|. | .|. | 18 -0.049 -0.055 15.394 0.496
.|. | .|. | 19 -0.006 -0.039 15.406 0.566
.|. | .|. | 20 -0.003 0.003 15.408 0.634
*|. | *|. | 21 -0.102 -0.068 18.549 0.486
.|. | .|. | 22 0.049 0.006 19.272 0.504
*|. | *|. | 23 -0.088 -0.108 21.625 0.421
*|. | .|. | 24 -0.083 -0.065 23.726 0.362
.|. | .|. | 25 0.063 0.071 24.936 0.354
.|. | .|. | 26 0.049 0.037 25.690 0.369
.|. | .|. | 27 -0.000 -0.025 25.690 0.424
.|. | .|. | 28 0.013 0.000 25.744 0.477
.|. | .|. | 29 -0.034 0.010 26.110 0.513
.|. | .|. | 30 0.053 0.029 26.998 0.518
.|. | *|. | 31 -0.031 -0.069 27.304 0.555
.|* | .|* | 32 0.085 0.115 29.616 0.485
*|. | *|. | 33 -0.124 -0.117 34.567 0.301
.|* | .|. | 34 0.078 0.062 36.519 0.267
*|. | *|. | 35 -0.097 -0.120 39.562 0.200
*|. | *|. | 36 -0.067 -0.098 41.002 0.190

75
random.
4. Peramalan
SMSM sebagai berikut :
Yt = Yt-1 – Yt-2 + Yt-3 + – + + et
Y= 0,967973 Yt-1 – 0,914432 Yt-2 + 0,860030 Yt-3 + 7,298310 – 0,042711 +
0,999999 + et
Validasi Harga Saham SMSM Oktober-November 2019
1,650.00
1,600.00
1,550.00
Harga Saham
1,500.00
1,450.00 SMSM
1,400.00 SMSMf
1,350.00
1,300.00
1,250.00
Gambar 4.22
Validasi Harga Saham SMSM Actual dan Forecast

76
Terlihat pada gambar bahwa harga saham forecast ARIMA (3,1,2) berada
dibawah harga aktual saham SMSM. Dimana selisih harga forecasting dan aktual
tidak terlalu jauh oleh sebab itu foresacting ARIMA (3,1,2) ini dapat digunakan
dan dianggap mampu untuk memprediksi harga saham SMSM periode Oktober-
November 2019.

1,900
Forecas t: SMSMF
1,800 Actual: SMSM
Forecas t sample: 9/03/2018 11/29/2019
1,700
Adjus ted sample: 9/07/2018 9/25/2019
Included obs ervations : 274
1,600
1,500 Mean Absolute Error 20.54172
1,400 Theil Inequality Coefficient 0.009838
1,300
1,200
2018 2019
SMSMF ± 2 S.E.
Gambar 4.23
Akurasi Peramalan

77
4.3 Pembahasan Hasil Pengolahan Data
Berdasarkan forecasting diatas, bahwa metode ARIMA cukup akurat dalam
meramalkan harga saham perusahaan otomotif dan komponen dalam jangka
pendek. Ini dibuktikan dengan metode ARIMA mampu meramalkan 6 dari 9
harga saham otomotif dan komponen, yaitu: PT. Astra International Tbk (ASII),
PT. Gajah Tunggal Tbk (GJTL), PT. Indomobil Sukses Internasional Tbk
(IMAS), PT. Multistarada Arah Sarana Tbk (MASA), PT Prima Alloy Steel
Universal Tbk (PRAS) dan PT. Selamat Sempurna Tbk (SMSM). Dimana gap
yang terjadi antara harga forecasting data harga aktual tidak terlalu jauh.
Hasil penelitian sebelumnya yang dilakukan oleh Fauziah (2014)
menyatakan secara teknikal metode ARIMA ini dapat dimanfaatkan untuk
meramalkan momentum harga saham jangka pendek. Penelitian tersebut
menggunakan harga saham sektor perkebunan September 2001- Agustus 2013.
Ini juga sesuai dengan teori Elliot Wave yang menyatakan bahwa
perubahan harga di bursa saham mempunyai suatu struktur tertentu. Elliot
mengemukakan bahwa pergerakan harga saham mempunyai pola atau gelombang
yang bersifat repetitif. Dimana konsep forecasting ARIMA sendiri menggunakan
pergerakan harga di masa lalu.
Namun tidak semua kasus dapat diramalkan menggunakan metode
ARIMA ini, seperti: PT. Astra Otoparts Tbk (AUTO), PT. Garuda Metalindo Tbk

78
(BOLT), PT. Indosprings Tbk (INDS). Dimana antara harga forecasting dan harga
aktual memiliki gap yang terlalu besar, dimana harga saham aktual yang terlalu
tinggi terhadap harga saham forecasting. Dimana kaitan harga naik dan turunnya
harga saham tergantung pada kondisi pasar dan kondisi internal emiten tersebut.
Kondisi pasar sendiri bisa terlihat dari beberapa banyak investor yang masih
percaya dalam menanamkan modalnya pada emiten tersebut ataupun berita yang
beredar baik positif maupun negatif terhadap emiten tersebut. Sementara untuk
faktor internalnya sendiri berkaitan dengan faktor fundamental salah satunya
dapat dilihat dari laporan keuangan emiten tersebut.

BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil forecasting harga saham perusahaan otomotif dan
komponen yang terdaftar di Bursa Efek Indonesia dengan menggunakan metode
ARIMA, dapat disimpulkan bahwa:
1. Bila harga saham dimasa depan memiliki pergerakan yang sama atau
repetitif terhadap harga saham di masa lalu, maka hasil dari forecasting
ARIMA cukup akurat dalam memprediksi harga saham dimasa depan.
Sebaliknya, bila harga saham dimasa depan memiliki pergerakan yang naik
atau pun turun secara signifikan, maka hasil dari forecasting ARIMA tidak
akan mampu mengikuti pergerakan harga saham dimasa depan.
2. Bila pemilihan model terbaik untuk memprediksi harga saham telah
diperoleh maka validasi harga saham perusahaan otomotif dan komponen
dapat mengikuti harga actual. Sehingga model ARIMA yang didapat
mampu memprediksi harga saham perusahaan otomotif dan komponen
bulan Oktober-November 2019.
5.2 Saran
Hasil dan pembahasan pada penelitian ini menghasilkan beberapa saran bagi
investor dan calon investor, serta peneliti selanjutnya, yaitu:
1. Bagi calon investor maupun investor yang ingin menanamkan modalnya di
dunia saham dalam jangka waktu pendek, secara teknikal metode ARIMA
dapat menjadi salah satu referensi pertimbangan dalam melihat pergerakan
79

80
saham dimasa depan. Namun pergerakan harga saham yang terjadi tidak
lepas dari faktor fundamental.
2. Bagi Peneliti Selanjutnya, penelitian ini masih mempunyai keterbatasan,
diantaranya masih banyak faktor internal dan eksternal yang tidak diikut
sertakan dalam memprediksi menggunakan metode ARIMA. Sehingga
diharapkan penelitian selanjutnya untuk mampu melengkapi keterbatasan
yang ada pada penelitian ini. Bagi peneliti yang ingin mengembangkan
penelitian ini dapat memasukkan faktor-faktor fundamental , dalam
mengukur akurasi hasil forecasting tersebut.

DAFTAR PUSTAKA
Aritonang R, Lerbin, (2002). Peramalan Bisnis, Ghalia Indonesia, Jakarta.
Ajija, Shochrul. R dkk (2011). Cara Cerdas Menguasai Eviews, Salemba

Empat. Jakarta.
Widarjono, Agus (2016). Ekonometrika Pengantar dan Aplikasinya, UPP

STIM YKPN.Yogyakarta.
Djoni Haditja, (2011), “Penerapan Model ARIMA untuk memprediksi saham

PT.Telkom”, Jurnal Ilmiah Sains, Vol.11 No 1.
Ekananda, Mahyus. Analisis EkonometrikaTime Series, Edisi Kedua. Mitra

Wacana Media. Bogor.
Fauziah dan Wahyu Ario Pratomo (2013), “Analisis Peramalan Harga Saham
Dalam Keputusan Investasi Pada Perusahaan Perkebunan Di PT.
Bursa Efek Indonesia”, Jurnal Ekonomi dan Keuangan, Vol.2 No 1.
Greis S. Lilipaly1, Djoni Hatidja2, Jhon S. Kekenusa (2014), “Prediksi Harga

Saham PT. BRI, Tbk. Menggunakan Metode ARIMA (Autoreggressive
Integrated Moving Average)”, Jurnal Ilmiah Sains, Vol.14 No 2, Oktober
2014.
La Pimpi//Paradigma (2013), “Penerapan Metode ARIMA Dalam

Meramalkan Indeks Harga Konsumen (IHK) Indonesia Tahun 2013”,
Jurnal Ilmiah Sains, Vol.17 No 2.
Mudrajad Kuncoro (2007). Metode Kuantitatif: Teori Dan Aplikasi Untuk

Bisnis Dan Ekonomi, STIM YKPN, Yogyakarta.
Nabilla Indah Putri 1, AdheAjiWirawan2, Nida An Khofiyah3,Yuniaristanto4

(2014), “Peramalan Kebutuhan Jumlah Vaksin Imunisasi Campak
Dengan Menggunakan Metode ARIMA (Autoreggressive Integrated
Moving Average)”, ISSN: 2579-6429.
Reksa Nilla Anityaloka1,Atika Nurani Ambarwati2 (2010), “Peramalan sSaham

Jakarta Islamic Index Menggunakan Metode ARIMA Bulan Mei-Juli
2010”,Jurnal Statistika, Vol.1 No 1, Mei 2013.
Saludin (2017). Ekonometrika Keuangan, Edisi Pertama, Mitra Wacana Media.
Simatupang, Mangasa (2010). Pengetahuan Praktis Investasi Saham dan

Reksa Dana, Edisi Pertama, Mitra Wacana Media, Jakarta.
81

82
Sjahrir (1995). Analisis Bursa Efek, PT Gramedia Pustaka Utama, Jakarta.
Sudaryono (2018). Metodologi Penelitian, PT Raja Grafindo Persada, Depok.
Sugiono (2010). Metode Penelitian Kuantitatif Kualitatif Dan R&D, Alfabeta.

Bandung.
Tjiptono Darmadi, Hendy M. Fakhruddin,(2006),Pasar Modal Di Indonesia,

Salemba Empat, Jakarta.
Wing Wahyu Winarno (2017). Analisis Ekonometrika dan Statistika dengan

Eviews, Edisi Kelima. UPP STIM YKPN.Yogyakarta.
Widarjono, Agus (2016). Ekonometrika Pengantar dan Aplikasinya, UPP

STIM YKPN.Yogyakarta.
https://www.cermati.com/artikel/mengenal-pasar-modal-di-indonesia seperti-apa-
sejarahnya).
www.idx.co.id.

83
Lampiran 1
Daftar Perusahaan Otomotif dan Komponen yang Menjadi Populasi
Kriteria
No Kode Nama Perusahaan Sampel
1 2 3
1 ASII PT. Astra International Tbk.    1
2 AUTO PT. Astra Otopart Tbk.    2
3 BOLT PT.Garuda Metalindo Tbk.    3
4 GDYR PT. Goodyear Indonesia Tbk.   
5 GJTL PT. Gajah Tunggal Indonesia Tbk.    4
PT. Indomobil Sukses Internasional
6 IMAS
Tbk.
   5
7 INDS PT. Indospring Tbk.    6
8 MASA PT. Multistrada Arah SaranaTbk.    7
9 PRAS PT. Prima Alloy Steel Universal Tbk.    8
10 SMSM PT. Selamat Sempurna Tbk.    9
11 BRAM PT. Indo Kordsa Tbk.   
12 LPIN PT. Multi Prima Sejahtera Tbk.   
13 NIPS PT. Nipress Tbk.   
Sumber: www. idx.co.id (diakses 2019)

84
Lampiran 2. Data Harga Saham Perusahaan Otomotif dan Komponen
Date ASII AUTO BOLT GTJL IMAS INDS MASA PRAS SMSM
03-Sep-18 7,100.00 1,435.00 910.00 630.00 2,050.00 2,140.00 324.00 192.00 1,395.00
04-Sep-18 7,075.00 1,405.00 900.00 620.00 1,850.00 2,070.00 312.00 192.00 1,360.00
05-Sep-18 6,775.00 1,380.00 875.00 590.00 1,665.00 1,850.00 312.00 191.00 1,340.00
06-Sep-18 6,800.00 1,380.00 885.00 590.00 1,720.00 1,890.00 322.00 195.00 1,375.00
07-Sep-18 7,175.00 1,385.00 910.00 605.00 1,700.00 1,950.00 306.00 196.00 1,410.00
10-Sep-18 7,175.00 1,355.00 900.00 605.00 1,650.00 1,960.00 310.00 196.00 1,365.00
11-Sep-18 7,175.00 1,355.00 900.00 605.00 1,650.00 1,960.00 310.00 196.00 1,365.00
12-Sep-18 7,125.00 1,350.00 900.00 600.00 1,645.00 2,000.00 306.00 196.00 1,400.00
13-Sep-18 7,075.00 1,370.00 920.00 625.00 1,675.00 2,000.00 308.00 196.00 1,420.00
14-Sep-18 7,225.00 1,385.00 925.00 630.00 2,090.00 2,000.00 308.00 197.00 1,410.00
17-Sep-18 6,950.00 1,375.00 910.00 625.00 2,190.00 2,000.00 308.00 197.00 1,370.00
18-Sep-18 7,025.00 1,380.00 915.00 615.00 2,160.00 2,100.00 308.00 197.00 1,340.00
19-Sep-18 7,400.00 1,390.00 920.00 620.00 2,110.00 2,160.00 310.00 188.00 1,370.00
20-Sep-18 7,500.00 1,400.00 920.00 615.00 2,020.00 2,210.00 336.00 197.00 1,380.00
21-Sep-18 7,250.00 1,400.00 940.00 605.00 1,970.00 2,230.00 340.00 190.00 1,385.00
24-Sep-18 7,125.00 1,385.00 930.00 605.00 2,070.00 2,150.00 340.00 190.00 1,365.00
25-Sep-18 7,200.00 1,390.00 935.00 615.00 2,040.00 2,140.00 336.00 188.00 1,380.00
26-Sep-18 7,350.00 1,395.00 950.00 620.00 2,040.00 2,160.00 336.00 197.00 1,390.00
27-Sep-18 7,375.00 1,410.00 960.00 625.00 2,100.00 2,150.00 340.00 197.00 1,390.00
28-Sep-18 7,350.00 1,430.00 965.00 630.00 2,050.00 2,170.00 346.00 197.00 1,405.00
01-Okt-18 7,325.00 1,450.00 950.00 625.00 1,985.00 2,150.00 344.00 197.00 1,395.00
02-Okt-18 7,200.00 1,460.00 940.00 610.00 1,930.00 2,140.00 350.00 190.00 1,400.00
03-Okt-18 7,200.00 1,470.00 940.00 615.00 1,915.00 2,160.00 358.00 194.00 1,430.00
04-Okt-18 7,075.00 1,470.00 925.00 605.00 1,830.00 2,140.00 410.00 194.00 1,390.00
05-Okt-18 6,950.00 1,450.00 920.00 600.00 1,870.00 2,140.00 478.00 194.00 1,395.00
08-Okt-18 6,850.00 1,450.00 950.00 605.00 1,885.00 2,350.00 500.00 186.00 1,420.00
09-Okt-18 7,025.00 1,450.00 950.00 610.00 1,840.00 2,300.00 550.00 186.00 1,430.00
10-Okt-18 6,950.00 1,460.00 950.00 660.00 1,850.00 2,250.00 565.00 186.00 1,440.00
11-Okt-18 6,725.00 1,415.00 935.00 630.00 1,775.00 2,170.00 620.00 186.00 1,365.00
12-Okt-18 6,850.00 1,440.00 955.00 630.00 1,865.00 2,200.00 590.00 186.00 1,365.00
15-Okt-18 6,850.00 1,420.00 950.00 610.00 1,800.00 2,120.00 570.00 186.00 1,385.00
16-Okt-18 6,975.00 1,420.00 955.00 610.00 1,805.00 2,120.00 630.00 186.00 1,390.00
17-Okt-18 7,025.00 1,430.00 970.00 640.00 1,830.00 2,120.00 605.00 186.00 1,400.00
18-Okt-18 7,025.00 1,430.00 915.00 630.00 1,915.00 2,150.00 605.00 186.00 1,440.00
19-Okt-18 7,300.00 1,480.00 925.00 635.00 2,000.00 2,260.00 605.00 190.00 1,455.00
22-Okt-18 7,275.00 1,475.00 935.00 635.00 1,945.00 2,250.00 615.00 190.00 1,495.00
23-Okt-18 7,350.00 1,470.00 930.00 690.00 1,975.00 2,300.00 665.00 184.00 1,495.00
24-Okt-18 7,300.00 1,450.00 925.00 660.00 1,920.00 2,280.00 630.00 185.00 1,465.00

85
25-Okt-18 7,375.00 1,450.00 935.00 655.00 1,930.00 2,240.00 630.00 180.00 1,495.00
26-Okt-18 7,425.00 1,465.00 925.00 650.00 1,930.00 2,290.00 630.00 180.00 1,460.00
29-Okt-18 7,500.00 1,465.00 925.00 635.00 1,920.00 2,360.00 615.00 180.00 1,415.00
30-Okt-18 7,700.00 1,450.00 925.00 620.00 1,835.00 2,360.00 590.00 180.00 1,445.00
31-Okt-18 7,900.00 1,440.00 930.00 620.00 1,895.00 2,390.00 590.00 180.00 1,475.00
01-Nop-18 8,050.00 1,465.00 935.00 635.00 1,940.00 2,400.00 575.00 180.00 1,510.00
02-Nop-18 8,175.00 1,455.00 955.00 630.00 1,970.00 2,400.00 585.00 180.00 1,515.00
05-Nop-18 8,250.00 1,455.00 960.00 615.00 1,960.00 2,400.00 630.00 180.00 1,500.00
06-Nop-18 8,100.00 1,450.00 965.00 620.00 1,930.00 2,480.00 620.00 180.00 1,465.00
07-Nop-18 8,225.00 1,470.00 965.00 630.00 1,985.00 2,450.00 640.00 180.00 1,495.00
08-Nop-18 8,200.00 1,480.00 980.00 640.00 2,130.00 2,460.00 630.00 179.00 1,485.00
09-Nop-18 8,175.00 1,480.00 970.00 625.00 2,070.00 2,350.00 625.00 179.00 1,450.00
12-Nop-18 7,875.00 1,470.00 960.00 615.00 1,990.00 2,270.00 620.00 175.00 1,435.00
13-Nop-18 8,000.00 1,475.00 980.00 610.00 1,970.00 2,250.00 630.00 185.00 1,455.00
14-Nop-18 8,175.00 1,460.00 1,000.00 600.00 1,950.00 2,250.00 630.00 185.00 1,470.00
15-Nop-18 8,525.00 1,450.00 995.00 600.00 1,960.00 2,300.00 635.00 185.00 1,480.00
16-Nop-18 8,550.00 1,460.00 995.00 620.00 1,960.00 2,490.00 665.00 185.00 1,465.00
19-Nop-18 8,500.00 1,450.00 985.00 640.00 2,150.00 2,500.00 695.00 185.00 1,460.00
20-Nop-18 8,500.00 1,450.00 985.00 640.00 2,150.00 2,500.00 695.00 185.00 1,460.00
21-Nop-18 8,450.00 1,450.00 975.00 650.00 2,060.00 2,530.00 705.00 180.00 1,435.00
22-Nop-18 8,450.00 1,455.00 980.00 635.00 2,000.00 2,550.00 685.00 180.00 1,455.00
23-Nop-18 8,400.00 1,455.00 985.00 625.00 1,985.00 2,510.00 695.00 180.00 1,485.00
26-Nop-18 8,325.00 1,460.00 975.00 635.00 2,010.00 2,530.00 715.00 187.00 1,445.00
27-Nop-18 8,400.00 1,460.00 975.00 635.00 1,980.00 2,510.00 710.00 175.00 1,445.00
28-Nop-18 8,400.00 1,465.00 975.00 625.00 1,920.00 2,480.00 725.00 175.00 1,420.00
29-Nop-18 8,475.00 1,465.00 985.00 630.00 2,030.00 2,450.00 705.00 175.00 1,430.00
30-Nop-18 8,550.00 1,475.00 975.00 640.00 2,030.00 2,410.00 715.00 175.00 1,430.00
03-Des-18 8,600.00 1,595.00 985.00 660.00 2,020.00 2,420.00 730.00 175.00 1,440.00
04-Des-18 8,525.00 1,625.00 985.00 640.00 2,060.00 2,480.00 735.00 175.00 1,420.00
05-Des-18 8,325.00 1,600.00 975.00 635.00 2,170.00 2,470.00 740.00 177.00 1,415.00
06-Des-18 8,100.00 1,600.00 975.00 630.00 2,270.00 2,470.00 765.00 177.00 1,410.00
07-Des-18 8,225.00 1,600.00 980.00 640.00 2,170.00 2,450.00 770.00 178.00 1,375.00
10-Des-18 8,150.00 1,550.00 975.00 630.00 2,130.00 2,410.00 750.00 178.00 1,400.00
11-Des-18 8,150.00 1,550.00 970.00 630.00 2,210.00 2,340.00 745.00 177.00 1,405.00
12-Des-18 8,250.00 1,555.00 965.00 630.00 2,140.00 2,310.00 740.00 177.00 1,435.00
13-Des-18 8,450.00 1,585.00 980.00 630.00 2,120.00 2,330.00 710.00 177.00 1,440.00
14-Des-18 8,450.00 1,590.00 975.00 630.00 2,100.00 2,330.00 715.00 177.00 1,385.00
17-Des-18 8,300.00 1,545.00 970.00 625.00 2,050.00 2,330.00 700.00 177.00 1,375.00
18-Des-18 8,375.00 1,530.00 965.00 620.00 2,050.00 2,310.00 720.00 177.00 1,360.00
19-Des-18 8,425.00 1,535.00 970.00 620.00 2,160.00 2,280.00 735.00 177.00 1,335.00

86
20-Des-18 8,475.00 1,535.00 965.00 615.00 2,180.00 2,260.00 720.00 177.00 1,330.00
21-Des-18 8,425.00 1,530.00 965.00 625.00 2,180.00 2,260.00 740.00 177.00 1,335.00
24-Des-18 8,425.00 1,530.00 965.00 625.00 2,180.00 2,260.00 740.00 177.00 1,335.00
25-Des-18 8,425.00 1,530.00 965.00 625.00 2,180.00 2,260.00 740.00 177.00 1,335.00
26-Des-18 8,125.00 1,485.00 965.00 645.00 2,180.00 2,310.00 725.00 180.00 1,320.00
27-Des-18 8,225.00 1,485.00 975.00 635.00 2,160.00 2,280.00 720.00 180.00 1,305.00
28-Des-18 8,225.00 1,470.00 970.00 650.00 2,160.00 2,220.00 720.00 177.00 1,400.00
31-Des-18 8,225.00 1,470.00 970.00 650.00 2,160.00 2,220.00 720.00 177.00 1,400.00
01-Jan-19 8,225.00 1,470.00 970.00 650.00 2,160.00 2,220.00 720.00 177.00 1,400.00
02-Jan-19 8,200.00 1,485.00 970.00 630.00 2,150.00 2,220.00 755.00 178.00 1,380.00
03-Jan-19 8,375.00 1,520.00 965.00 610.00 2,150.00 2,260.00 730.00 180.00 1,395.00
04-Jan-19 8,350.00 1,520.00 970.00 625.00 2,140.00 2,250.00 710.00 183.00 1,395.00
07-Jan-19 8,150.00 1,535.00 975.00 705.00 2,130.00 2,230.00 715.00 183.00 1,425.00
08-Jan-19 8,175.00 1,545.00 960.00 680.00 2,110.00 2,220.00 720.00 183.00 1,400.00
09-Jan-19 8,200.00 1,540.00 960.00 675.00 2,230.00 2,260.00 720.00 180.00 1,390.00
10-Jan-19 8,200.00 1,545.00 960.00 705.00 2,410.00 2,250.00 735.00 177.00 1,395.00
11-Jan-19 8,300.00 1,580.00 950.00 710.00 2,600.00 2,220.00 735.00 187.00 1,410.00
14-Jan-19 8,150.00 1,570.00 940.00 705.00 2,560.00 2,210.00 725.00 187.00 1,440.00
15-Jan-19 8,150.00 1,575.00 940.00 745.00 2,840.00 2,210.00 725.00 190.00 1,465.00
16-Jan-19 8,250.00 1,585.00 945.00 745.00 2,930.00 2,210.00 755.00 190.00 1,500.00
17-Jan-19 8,275.00 1,595.00 950.00 740.00 2,900.00 2,200.00 750.00 192.00 1,470.00
18-Jan-19 8,475.00 1,665.00 950.00 750.00 2,930.00 2,200.00 750.00 192.00 1,450.00
21-Jan-19 8,325.00 1,660.00 945.00 750.00 2,900.00 2,190.00 770.00 194.00 1,465.00
22-Jan-19 8,200.00 1,630.00 940.00 755.00 2,950.00 2,170.00 765.00 194.00 1,455.00
23-Jan-19 8,175.00 1,630.00 945.00 755.00 3,140.00 2,230.00 750.00 196.00 1,480.00
24-Jan-19 8,425.00 1,640.00 940.00 755.00 3,160.00 2,220.00 755.00 196.00 1,460.00
25-Jan-19 8,425.00 1,625.00 940.00 735.00 3,130.00 2,240.00 745.00 196.00 1,470.00
28-Jan-19 8,375.00 1,600.00 935.00 745.00 3,070.00 2,260.00 750.00 196.00 1,480.00
29-Jan-19 8,375.00 1,570.00 930.00 735.00 3,240.00 2,220.00 745.00 196.00 1,485.00
30-Jan-19 8,350.00 1,570.00 935.00 740.00 3,270.00 2,240.00 745.00 196.00 1,490.00
31-Jan-19 8,450.00 1,565.00 940.00 800.00 3,290.00 2,200.00 760.00 196.00 1,510.00
01-Feb-19 8,450.00 1,570.00 935.00 780.00 3,270.00 2,250.00 755.00 187.00 1,510.00
04-Feb-19 8,200.00 1,615.00 935.00 765.00 3,220.00 2,180.00 755.00 188.00 1,650.00
05-Feb-19 8,200.00 1,615.00 935.00 765.00 3,220.00 2,180.00 755.00 188.00 1,650.00
06-Feb-19 8,225.00 1,670.00 940.00 785.00 3,330.00 2,190.00 750.00 199.00 1,650.00
07-Feb-19 8,200.00 1,720.00 935.00 795.00 3,300.00 2,160.00 750.00 199.00 1,630.00
08-Feb-19 8,150.00 1,700.00 940.00 815.00 3,250.00 2,150.00 750.00 200.00 1,645.00
11-Feb-19 8,000.00 1,695.00 940.00 820.00 3,170.00 2,150.00 750.00 190.00 1,640.00
12-Feb-19 7,650.00 1,695.00 935.00 795.00 3,250.00 2,150.00 770.00 190.00 1,695.00
13-Feb-19 7,675.00 1,665.00 930.00 780.00 3,250.00 2,120.00 800.00 190.00 1,665.00

87
14-Feb-19 7,600.00 1,615.00 930.00 760.00 3,240.00 2,140.00 800.00 194.00 1,660.00
15-Feb-19 7,600.00 1,585.00 930.00 735.00 3,180.00 2,140.00 795.00 194.00 1,710.00
18-Feb-19 7,875.00 1,630.00 930.00 755.00 3,290.00 2,150.00 800.00 194.00 1,700.00
19-Feb-19 7,775.00 1,605.00 930.00 760.00 3,470.00 2,170.00 800.00 196.00 1,690.00
20-Feb-19 7,775.00 1,635.00 925.00 795.00 3,460.00 2,180.00 795.00 196.00 1,700.00
21-Feb-19 7,700.00 1,620.00 925.00 785.00 3,340.00 2,160.00 800.00 185.00 1,690.00
22-Feb-19 7,625.00 1,615.00 925.00 770.00 3,180.00 2,120.00 795.00 189.00 1,775.00
25-Feb-19 7,650.00 1,600.00 925.00 770.00 3,050.00 2,180.00 795.00 189.00 1,685.00
26-Feb-19 7,600.00 1,655.00 925.00 820.00 3,410.00 2,150.00 795.00 189.00 1,690.00
27-Feb-19 7,600.00 1,640.00 920.00 795.00 3,140.00 2,150.00 795.00 189.00 1,700.00
28-Feb-19 7,150.00 1,625.00 920.00 775.00 3,170.00 2,200.00 795.00 189.00 1,630.00
01-Mar-19 7,225.00 1,635.00 920.00 765.00 3,110.00 2,220.00 790.00 186.00 1,620.00
04-Mar-19 7,150.00 1,625.00 920.00 775.00 3,060.00 2,250.00 790.00 186.00 1,590.00
05-Mar-19 7,300.00 1,605.00 920.00 755.00 2,970.00 2,180.00 795.00 186.00 1,550.00
06-Mar-19 7,325.00 1,620.00 920.00 750.00 3,000.00 2,180.00 800.00 187.00 1,555.00
07-Mar-19 7,325.00 1,620.00 920.00 750.00 3,000.00 2,180.00 800.00 187.00 1,555.00
08-Mar-19 7,150.00 1,615.00 915.00 730.00 2,960.00 2,140.00 790.00 187.00 1,555.00
11-Mar-19 7,225.00 1,615.00 910.00 705.00 2,890.00 2,080.00 815.00 180.00 1,535.00
12-Mar-19 7,175.00 1,615.00 915.00 685.00 2,840.00 2,100.00 810.00 181.00 1,530.00
13-Mar-19 7,125.00 1,625.00 910.00 710.00 2,870.00 2,100.00 810.00 185.00 1,535.00
14-Mar-19 7,200.00 1,630.00 910.00 710.00 2,900.00 2,150.00 815.00 181.00 1,540.00
15-Mar-19 7,325.00 1,630.00 910.00 725.00 3,000.00 2,100.00 815.00 181.00 1,525.00
18-Mar-19 7,325.00 1,635.00 910.00 740.00 2,930.00 2,070.00 810.00 181.00 1,545.00
19-Mar-19 7,275.00 1,640.00 910.00 730.00 2,890.00 2,090.00 810.00 181.00 1,565.00
20-Mar-19 7,275.00 1,620.00 890.00 710.00 2,890.00 2,080.00 815.00 181.00 1,630.00
21-Mar-19 7,250.00 1,615.00 895.00 720.00 2,890.00 2,060.00 810.00 182.00 1,650.00
22-Mar-19 7,225.00 1,620.00 900.00 695.00 2,800.00 2,080.00 815.00 181.00 1,650.00
25-Mar-19 7,050.00 1,565.00 895.00 680.00 2,710.00 2,050.00 810.00 184.00 1,585.00
26-Mar-19 7,100.00 1,570.00 890.00 685.00 2,750.00 2,110.00 815.00 178.00 1,580.00
27-Mar-19 7,175.00 1,580.00 900.00 685.00 2,730.00 2,040.00 815.00 174.00 1,590.00
28-Mar-19 7,100.00 1,570.00 880.00 690.00 2,680.00 2,100.00 810.00 170.00 1,610.00
29-Mar-19 7,300.00 1,565.00 875.00 700.00 2,680.00 2,050.00 810.00 168.00 1,620.00
01-Apr-19 7,350.00 1,605.00 880.00 695.00 2,750.00 2,050.00 815.00 160.00 1,625.00
02-Apr-19 7,425.00 1,610.00 875.00 690.00 2,720.00 2,000.00 815.00 168.00 1,605.00
03-Apr-19 7,425.00 1,610.00 875.00 690.00 2,720.00 2,000.00 815.00 168.00 1,605.00
04-Apr-19 7,550.00 1,585.00 875.00 680.00 2,690.00 2,050.00 820.00 165.00 1,595.00
05-Apr-19 7,650.00 1,620.00 875.00 665.00 2,710.00 2,000.00 825.00 174.00 1,660.00
08-Apr-19 7,525.00 1,620.00 865.00 670.00 2,510.00 2,000.00 815.00 167.00 1,595.00
09-Apr-19 7,675.00 1,615.00 870.00 685.00 2,600.00 2,150.00 820.00 174.00 1,595.00
10-Apr-19 7,650.00 1,615.00 865.00 680.00 2,580.00 2,150.00 820.00 164.00 1,590.00

88
11-Apr-19 7,525.00 1,615.00 865.00 660.00 2,540.00 2,060.00 820.00 171.00 1,530.00
12-Apr-19 7,525.00 1,605.00 865.00 660.00 2,530.00 2,010.00 820.00 180.00 1,470.00
15-Apr-19 7,600.00 1,585.00 865.00 675.00 2,550.00 2,030.00 830.00 177.00 1,500.00
16-Apr-19 7,750.00 1,610.00 870.00 670.00 2,600.00 2,050.00 830.00 175.00 1,515.00
17-Apr-19 7,750.00 1,610.00 870.00 670.00 2,600.00 2,050.00 830.00 175.00 1,515.00
18-Apr-19 7,850.00 1,615.00 865.00 675.00 2,660.00 2,090.00 830.00 173.00 1,620.00
19-Apr-19 7,850.00 1,615.00 865.00 675.00 2,660.00 2,090.00 830.00 173.00 1,620.00
22-Apr-19 7,525.00 1,590.00 865.00 680.00 2,590.00 2,160.00 830.00 173.00 1,575.00
23-Apr-19 7,650.00 1,590.00 860.00 705.00 2,780.00 2,200.00 830.00 170.00 1,535.00
24-Apr-19 7,650.00 1,565.00 865.00 700.00 2,820.00 2,300.00 835.00 169.00 1,535.00
25-Apr-19 7,550.00 1,550.00 855.00 685.00 2,770.00 2,290.00 830.00 169.00 1,505.00
26-Apr-19 7,650.00 1,560.00 855.00 695.00 2,740.00 2,360.00 830.00 168.00 1,490.00
29-Apr-19 7,600.00 1,555.00 855.00 680.00 2,750.00 2,380.00 830.00 168.00 1,480.00
30-Apr-19 7,625.00 1,570.00 850.00 740.00 2,810.00 2,320.00 835.00 170.00 1,500.00
01-Mei-19 7,625.00 1,570.00 850.00 740.00 2,810.00 2,320.00 835.00 170.00 1,500.00
02-Mei-19 7,475.00 1,545.00 840.00 725.00 2,820.00 2,330.00 835.00 171.00 1,520.00
03-Mei-19 7,425.00 1,520.00 825.00 740.00 2,750.00 2,310.00 835.00 169.00 1,550.00
06-Mei-19 7,425.00 1,515.00 810.00 710.00 2,630.00 2,290.00 835.00 169.00 1,560.00
07-Mei-19 7,525.00 1,520.00 805.00 735.00 2,670.00 2,330.00 840.00 168.00 1,585.00
08-Mei-19 7,400.00 1,525.00 790.00 750.00 2,600.00 2,300.00 835.00 162.00 1,580.00
09-Mei-19 7,150.00 1,500.00 785.00 715.00 2,530.00 2,250.00 840.00 162.00 1,560.00
10-Mei-19 7,175.00 1,500.00 785.00 715.00 2,550.00 2,250.00 840.00 161.00 1,590.00
13-Mei-19 7,025.00 1,490.00 775.00 705.00 2,510.00 2,270.00 835.00 161.00 1,605.00
14-Mei-19 7,000.00 1,465.00 755.00 690.00 2,500.00 2,270.00 630.00 161.00 1,615.00
15-Mei-19 6,950.00 1,435.00 755.00 660.00 2,470.00 2,270.00 600.00 161.00 1,625.00
16-Mei-19 6,775.00 1,425.00 730.00 640.00 2,390.00 2,310.00 515.00 152.00 1,605.00
17-Mei-19 6,700.00 1,420.00 720.00 620.00 2,420.00 2,280.00 460.00 153.00 1,595.00
20-Mei-19 6,900.00 1,450.00 735.00 625.00 2,600.00 2,280.00 454.00 153.00 1,590.00
21-Mei-19 7,000.00 1,460.00 750.00 635.00 2,610.00 2,280.00 565.00 153.00 1,585.00
22-Mei-19 7,000.00 1,465.00 755.00 630.00 2,570.00 2,280.00 660.00 153.00 1,515.00
23-Mei-19 7,100.00 1,475.00 770.00 655.00 2,600.00 2,320.00 665.00 150.00 1,590.00
24-Mei-19 7,175.00 1,465.00 785.00 665.00 2,670.00 2,330.00 665.00 160.00 1,610.00
27-Mei-19 7,125.00 1,460.00 805.00 665.00 2,730.00 2,320.00 675.00 160.00 1,605.00
28-Mei-19 7,075.00 1,450.00 805.00 655.00 2,730.00 2,280.00 670.00 163.00 1,610.00
29-Mei-19 7,200.00 1,450.00 815.00 665.00 2,710.00 2,340.00 665.00 163.00 1,655.00
30-Mei-19 7,200.00 1,450.00 815.00 665.00 2,710.00 2,340.00 665.00 163.00 1,655.00
31-Mei-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
03-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
04-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
05-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00

89
06-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
07-Jun-19 7,450.00 1,455.00 825.00 665.00 2,700.00 2,340.00 665.00 163.00 1,670.00
10-Jun-19 7,675.00 1,470.00 835.00 685.00 2,680.00 2,370.00 635.00 172.00 1,620.00
11-Jun-19 7,625.00 1,465.00 845.00 665.00 2,690.00 2,360.00 590.00 172.00 1,590.00
12-Jun-19 7,500.00 1,460.00 840.00 650.00 2,670.00 2,350.00 600.00 172.00 1,560.00
13-Jun-19 7,500.00 1,455.00 840.00 650.00 2,700.00 2,350.00 600.00 172.00 1,530.00
14-Jun-19 7,425.00 1,440.00 835.00 655.00 2,650.00 2,350.00 605.00 172.00 1,495.00
17-Jun-19 7,375.00 1,445.00 830.00 650.00 2,600.00 2,380.00 600.00 172.00 1,485.00
18-Jun-19 7,500.00 1,440.00 845.00 655.00 2,590.00 2,450.00 600.00 170.00 1,485.00
19-Jun-19 7,650.00 1,440.00 850.00 660.00 2,550.00 2,450.00 590.00 160.00 1,530.00
20-Jun-19 7,600.00 1,440.00 845.00 660.00 2,560.00 2,460.00 580.00 160.00 1,590.00
21-Jun-19 7,450.00 1,440.00 840.00 660.00 2,550.00 2,440.00 595.00 160.00 1,520.00
24-Jun-19 7,350.00 1,470.00 835.00 685.00 2,540.00 2,440.00 650.00 160.00 1,510.00
25-Jun-19 7,350.00 1,460.00 845.00 705.00 2,530.00 2,470.00 660.00 160.00 1,500.00
26-Jun-19 7,250.00 1,450.00 850.00 710.00 2,530.00 2,480.00 645.00 160.00 1,480.00
27-Jun-19 7,375.00 1,430.00 865.00 690.00 2,580.00 2,460.00 635.00 160.00 1,555.00
28-Jun-19 7,450.00 1,440.00 870.00 715.00 2,680.00 2,430.00 635.00 160.00 1,525.00
01-Jul-19 7,375.00 1,445.00 870.00 730.00 2,630.00 2,420.00 610.00 174.00 1,505.00
02-Jul-19 7,300.00 1,445.00 870.00 730.00 2,650.00 2,400.00 610.00 174.00 1,500.00
03-Jul-19 7,275.00 1,450.00 865.00 745.00 2,580.00 2,380.00 610.00 174.00 1,500.00
04-Jul-19 7,250.00 1,445.00 870.00 740.00 2,580.00 2,350.00 610.00 174.00 1,530.00
05-Jul-19 7,150.00 1,445.00 870.00 725.00 2,530.00 2,250.00 600.00 174.00 1,515.00
08-Jul-19 7,300.00 1,450.00 865.00 730.00 2,490.00 2,260.00 600.00 174.00 1,520.00
09-Jul-19 7,275.00 1,450.00 870.00 745.00 2,610.00 2,260.00 600.00 174.00 1,520.00
10-Jul-19 7,450.00 1,455.00 890.00 735.00 2,640.00 2,250.00 600.00 174.00 1,525.00
11-Jul-19 7,525.00 1,455.00 890.00 755.00 2,610.00 2,220.00 600.00 174.00 1,530.00
12-Jul-19 7,450.00 1,465.00 865.00 750.00 2,580.00 2,230.00 605.00 174.00 1,540.00
15-Jul-19 7,425.00 1,465.00 865.00 760.00 2,610.00 2,250.00 600.00 174.00 1,570.00
16-Jul-19 7,450.00 1,465.00 860.00 750.00 2,580.00 2,260.00 600.00 174.00 1,575.00
17-Jul-19 7,100.00 1,440.00 860.00 755.00 2,530.00 2,260.00 605.00 161.00 1,555.00
18-Jul-19 7,150.00 1,445.00 865.00 740.00 2,520.00 2,310.00 650.00 161.00 1,520.00
19-Jul-19 7,100.00 1,445.00 870.00 740.00 2,560.00 2,380.00 640.00 159.00 1,500.00
22-Jul-19 7,100.00 1,445.00 870.00 735.00 2,530.00 2,380.00 585.00 160.00 1,550.00
23-Jul-19 7,150.00 1,440.00 860.00 740.00 2,530.00 2,340.00 625.00 159.00 1,515.00
24-Jul-19 7,175.00 1,435.00 855.00 735.00 2,470.00 2,330.00 625.00 159.00 1,545.00
25-Jul-19 7,300.00 1,435.00 855.00 735.00 2,490.00 2,300.00 605.00 159.00 1,550.00
26-Jul-19 7,075.00 1,430.00 850.00 680.00 2,450.00 2,300.00 620.00 159.00 1,540.00
29-Jul-19 7,175.00 1,435.00 850.00 680.00 2,390.00 2,280.00 620.00 159.00 1,540.00
30-Jul-19 7,275.00 1,435.00 850.00 685.00 2,400.00 2,290.00 620.00 160.00 1,540.00
31-Jul-19 7,000.00 1,435.00 850.00 690.00 2,390.00 2,250.00 620.00 161.00 1,545.00

90
01-Agust-19 7,025.00 1,440.00 850.00 700.00 2,350.00 2,300.00 600.00 158.00 1,540.00
02-Agust-19 7,075.00 1,425.00 850.00 690.00 2,230.00 2,290.00 625.00 158.00 1,550.00
05-Agust-19 6,925.00 1,390.00 845.00 675.00 2,110.00 2,250.00 625.00 156.00 1,530.00
06-Agust-19 6,750.00 1,370.00 845.00 670.00 2,070.00 2,230.00 605.00 156.00 1,545.00
07-Agust-19 6,725.00 1,390.00 860.00 665.00 2,100.00 2,240.00 685.00 156.00 1,545.00
08-Agust-19 6,900.00 1,410.00 860.00 675.00 2,070.00 2,240.00 650.00 156.00 1,540.00
09-Agust-19 6,775.00 1,415.00 860.00 690.00 2,060.00 2,240.00 660.00 156.00 1,530.00
12-Agust-19 6,750.00 1,400.00 860.00 685.00 2,050.00 2,230.00 650.00 152.00 1,530.00
13-Agust-19 6,675.00 1,380.00 860.00 680.00 1,990.00 2,210.00 615.00 152.00 1,515.00
14-Agust-19 6,675.00 1,370.00 865.00 680.00 1,995.00 2,240.00 625.00 152.00 1,495.00
15-Agust-19 6,525.00 1,400.00 860.00 675.00 1,910.00 2,220.00 625.00 152.00 1,460.00
16-Agust-19 6,500.00 1,385.00 870.00 675.00 1,900.00 2,220.00 580.00 152.00 1,425.00
19-Agust-19 6,425.00 1,345.00 875.00 675.00 1,910.00 2,220.00 580.00 152.00 1,440.00
20-Agust-19 6,425.00 1,350.00 870.00 675.00 1,880.00 2,290.00 565.00 152.00 1,440.00
21-Agust-19 6,350.00 1,350.00 870.00 670.00 1,850.00 2,260.00 630.00 152.00 1,400.00
22-Agust-19 6,325.00 1,350.00 880.00 670.00 1,785.00 2,250.00 580.00 152.00 1,305.00
23-Agust-19 6,575.00 1,355.00 870.00 680.00 1,790.00 2,260.00 590.00 152.00 1,285.00
26-Agust-19 6,575.00 1,340.00 880.00 670.00 1,760.00 2,240.00 585.00 160.00 1,270.00
27-Agust-19 6,525.00 1,365.00 880.00 670.00 1,860.00 2,290.00 570.00 160.00 1,285.00
28-Agust-19 6,450.00 1,360.00 880.00 675.00 1,855.00 2,280.00 565.00 160.00 1,295.00
29-Agust-19 6,425.00 1,350.00 885.00 675.00 1,830.00 2,280.00 630.00 160.00 1,285.00
30-Agust-19 6,675.00 1,335.00 880.00 680.00 1,850.00 2,280.00 575.00 160.00 1,290.00
02-Sep-19 6,550.00 1,340.00 880.00 685.00 1,810.00 2,270.00 560.00 160.00 1,365.00
03-Sep-19 6,475.00 1,345.00 880.00 680.00 1,750.00 2,270.00 575.00 165.00 1,345.00
04-Sep-19 6,500.00 1,340.00 890.00 685.00 1,770.00 2,340.00 570.00 165.00 1,325.00
05-Sep-19 6,700.00 1,335.00 890.00 685.00 1,760.00 2,370.00 560.00 165.00 1,335.00
06-Sep-19 6,750.00 1,340.00 895.00 680.00 1,765.00 2,370.00 570.00 165.00 1,345.00
09-Sep-19 6,650.00 1,310.00 890.00 685.00 1,760.00 2,370.00 560.00 165.00 1,345.00
10-Sep-19 6,675.00 1,310.00 895.00 680.00 1,770.00 2,350.00 580.00 163.00 1,360.00
11-Sep-19 6,925.00 1,305.00 885.00 680.00 1,805.00 2,350.00 575.00 167.00 1,415.00
12-Sep-19 6,750.00 1,310.00 885.00 680.00 1,875.00 2,360.00 570.00 167.00 1,410.00
13-Sep-19 6,750.00 1,320.00 875.00 675.00 1,855.00 2,420.00 570.00 167.00 1,415.00
16-Sep-19 6,700.00 1,305.00 875.00 660.00 1,810.00 2,320.00 560.00 167.00 1,410.00
17-Sep-19 6,475.00 1,315.00 875.00 640.00 1,765.00 2,350.00 560.00 167.00 1,430.00
18-Sep-19 6,700.00 1,305.00 875.00 650.00 1,750.00 2,420.00 545.00 167.00 1,420.00
19-Sep-19 6,600.00 1,300.00 875.00 645.00 1,750.00 2,410.00 550.00 167.00 1,435.00
20-Sep-19 6,575.00 1,290.00 870.00 645.00 1,735.00 2,430.00 550.00 167.00 1,440.00
23-Sep-19 6,625.00 1,290.00 865.00 650.00 1,745.00 2,420.00 635.00 150.00 1,415.00
24-Sep-19 6,475.00 1,265.00 870.00 640.00 1,670.00 2,370.00 560.00 150.00 1,405.00
25-Sep-19 6,500.00 1,260.00 880.00 635.00 1,590.00 2,360.00 560.00 150.00 1,415.00

91
26-Sep-19 6,700.00 1,270.00 880.00 640.00 1,580.00 2,420.00 560.00 150.00 1,410.00
27-Sep-19 6,650.00 1,255.00 875.00 640.00 1,565.00 2,380.00 545.00 150.00 1,395.00
30-Sep-19 6,600.00 1,250.00 870.00 630.00 1,610.00 2,420.00 550.00 150.00 1,415.00

92
Lampiran 3. Daftar Harga Saham Perusahaan Otomotif dan Komponen Aktual

Dan Forecasting ARIMA
Date ASII ASIIf GJTL GJTLf IMAS IMASf

1-Oct-19 6550.00 6607.37 630.00 642.04 1580.00 1567.39
2-Oct-19 6450.00 6641.06 615.00 639.25 1510.00 1574.22
3-Oct-19 6475.00 6628.15 615.00 645.80 1475.00 1586.00
4-Oct-19 6425.00 6611.59 600.00 651.14 1380.00 1594.17
7-Oct-19 6325.00 6641.79 605.00 651.66 1395.00 1595.29
8-Oct-19 6350.00 6606.74 610.00 651.04 1380.00 1595.95
9-Oct-19 6275.00 6624.89 600.00 625.97 1355.00 1603.24
10-Oct-19 6275.00 6627.09 610.00 638.95 1340.00 1614.68
11-Oct-19 6475.00 6600.25 620.00 635.81 1370.00 1621.77
14-Oct-19 6425.00 6633.52 625.00 642.83 1400.00 1622.22
15-Oct-19 6400.00 6604.53 625.00 641.21 1455.00 1623.14
16-Oct-19 6375.00 6609.99 625.00 626.59 1580.00 1630.86
17-Oct-19 6625.00 6625.35 630.00 633.75 1570.00 1641.87
18-Oct-19 6700.00 6591.29 635.00 634.25 1600.00 1647.90
21-Oct-19 6725.00 6622.39 640.00 636.80 1565.00 1647.78
22-Oct-19 6750.00 6603.88 635.00 610.32 1535.00 1649.04
23-Oct-19 6750.00 6595.59 625.00 624.36 1430.00 1657.13
24-Oct-19 6950.00 6621.39 675.00 624.29 1475.00 1667.63
25-Oct-19 6800.00 6585.23 650.00 623.67 1420.00 1672.63
28-Oct-19 6900.00 6609.06 645.00 628.76 1410.00 1672.06
29-Oct-19 6975.00 6603.68 645.00 635.52 1445.00 1673.73
30-Oct-19 6950.00 6582.75 650.00 636.72 1415.00 1682.13
31-Oct-19 6950.00 6614.65 640.00 631.81 1415.00 1692.03
1-Nov-19 6800.00 6581.85 630.00 637.17 1380.00 1696.03
4-Nov-19 6594.48 646.57 1695.13
5-Nov-19 6602.77 644.20 1697.25
6-Nov-19 6572.30 637.49 1705.90
7-Nov-19 6605.04 629.62 1715.14
8-Nov-19 6580.48 634.26 1718.19
11-Nov-19 6579.75 637.57 1717.06
12-Nov-19 6600.11 640.21 1719.68
13-Nov-19 6564.67 647.07 1728.48
14-Nov-19 6592.88 649.84 1737.01
15-Nov-19 6580.16 642.32 1739.16
18-Nov-19 6566.00 633.45 1737.93
19-Nov-19 6594.96 632.74 1741.05
20-Nov-19 6559.88 625.46 1749.94

93
21-Nov-19 6578.93 630.03 1757.70

22-Nov-19 6579.75 632.65 1759.03
25-Nov-19 6554.21 626.77 1757.79
26-Nov-19 6586.94 627.70 1761.43
27-Nov-19 6557.50 635.03 1770.32
28-Nov-19 6564.21 635.22 1777.27
29-Nov-19 6578.16 632.14 1777.85
Data MASA MASAf PRAS PRASf SMSM SMSMf

1-Oct-19 540.00 537.52 150.00 150.58 1405.00 1411.00
2-Oct-19 530.00 540.16 150.00 150.84 1400.00 1410.85
3-Oct-19 530.00 545.16 146.00 151.02 1400.00 1408.93
4-Oct-19 555.00 549.33 146.00 151.21 1375.00 1414.78
7-Oct-19 545.00 550.36 158.00 151.35 1390.00 1422.10
8-Oct-19 545.00 548.01 158.00 151.49 1410.00 1422.16
9-Oct-19 525.00 544.09 164.00 151.60 1450.00 1420.56
10-Oct-19 575.00 541.04 164.00 151.70 1490.00 1425.28
11-Oct-19 575.00 540.46 160.00 151.77 1475.00 1431.39
14-Oct-19 535.00 542.36 160.00 151.84 1475.00 1431.58
15-Oct-19 535.00 545.32 165.00 151.89 1475.00 1430.26
16-Oct-19 520.00 547.50 160.00 151.92 1470.00 1434.07
17-Oct-19 520.00 547.72 165.00 151.94 1505.00 1439.15
18-Oct-19 520.00 546.10 165.00 151.96 1595.00 1439.43
21-Oct-19 520.00 543.79 160.00 151.96 1495.00 1438.35
22-Oct-19 520.00 542.20 155.00 151.95 1460.00 1441.41
23-Oct-19 520.00 542.13 155.00 151.93 1480.00 1445.63
24-Oct-19 520.00 543.41 155.00 151.90 1475.00 1445.96
25-Oct-19 520.00 545.13 154.00 151.87 1460.00 1445.07
28-Oct-19 510.00 546.23 155.00 151.83 1485.00 1447.53
29-Oct-19 510.00 546.14 155.00 151.78 1500.00 1451.03
30-Oct-19 500.00 545.06 155.00 151.73 1490.00 1451.38
31-Oct-19 530.00 543.72 153.00 151.67 1475.00 1450.66
1-Nov-19 530.00 542.91 153.00 151.60 1460.00 1452.64
4-Nov-19 543.03 151.53 1455.53
5-Nov-19 543.86 151.45 1455.89
6-Nov-19 544.83 151.37 1455.30
7-Nov-19 545.36 151.29 1456.89
8-Nov-19 545.18 151.20 1459.28
11-Nov-19 544.48 151.11 1459.63
12-Nov-19 543.72 151.02 1459.15
13-Nov-19 543.33 150.92 1460.43

94
14-Nov-19 543.48 150.82 1462.40

15-Nov-19 544.00 150.72 1462.74
18-Nov-19 544.54 150.61 1462.35
19-Nov-19 544.77 150.50 1463.37
20-Nov-19 544.60 150.39 1465.00
21-Nov-19 544.15 150.28 1465.31
22-Nov-19 543.72 150.17 1465.00
25-Nov-19 543.54 150.05 1465.82
26-Nov-19 543.67 149.94 1467.16
27-Nov-19 543.99 149.82 1467.45
28-Nov-19 544.28 149.70 1467.20
29-Nov-19 544.37 149.58 1467.85

95
Lampiran 4: Hasil Pengolahan Eviews untuk perusahaan ASII
Automatic ARIMA Forecasting

Selected dependent variable: DLOG(ASII)
Date: 08/04/09 Time: 00:15
Sample: 9/03/2018 9/27/2019
Forecast length: 45
Number of estimated ARMA models: 15

Number of non-converged estimations: 0
Selected ARMA model: (4,2)(0,0)
AIC value: -5.31133276738
6,720
6,680
6,640
6,600
6,560
6,520
6,480
6,440
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
Dependent Variable: DLOG(ASII)

Method: ARMA Maximum Likelihood (BFGS)
Date: 08/04/09 Time: 00:15
Sample: 9/04/2018 9/27/2019
Convergence achieved after 67 iterations
Coefficient covariance computed using outer product of gradients
Variable Coefficient Std. Error t-Statistic Prob.
C -0.000228 0.000858 -0.265445 0.7909

AR(1) -1.526446 0.063959 -23.86619 0.0000
AR(2) -1.173814 0.082352 -14.25357 0.0000

96
AR(3) -0.254725 0.083650 -3.045151 0.0026

AR(4) -0.162663 0.062428 -2.605602 0.0097
MA(1) 1.512435 0.075084 20.14322 0.0000
MA(2) 0.994988 0.088333 11.26401 0.0000
SIGMASQ 0.000270 2.66E-05 10.13775 0.0000
R-squared 0.068574 Mean dependent var -0.000235

Adjusted R-squared 0.044515 S.D. dependent var 0.017047
S.E. of regression 0.016664 Akaike info criterion -5.311333
Sum squared resid 0.075251 Schwarz criterion -5.207212
Log likelihood 748.9309 Hannan-Quinn criter. -5.269565
F-statistic 2.850252 Durbin-Watson stat 2.000843
Prob(F-statistic) 0.006948
Inverted AR Roots -.00-.40i -.00+.40i -.76+.65i -.76-.65i

Inverted MA Roots -.76-.65i -.76+.65i
Model Selection Criteria Table

Dependent Variable: DLOG(ASII)
Date: 08/04/09 Time: 00:15
Sample: 9/03/2018 9/27/2019
Model LogL AIC* BIC HQ
(4,2)(0,0) 748.930921 -5.311333 -5.207212 -5.269565

(0,2)(0,0) 744.067077 -5.305140 -5.253080 -5.284256
(2,0)(0,0) 743.934216 -5.304188 -5.252128 -5.283304
(1,2)(0,0) 744.553100 -5.301456 -5.236380 -5.275351
(2,1)(0,0) 744.134432 -5.298455 -5.233379 -5.272350
(3,0)(0,0) 743.942972 -5.297082 -5.232007 -5.270977
(2,2)(0,0) 744.682713 -5.295217 -5.217126 -5.263891
(0,0)(0,0) 740.636073 -5.294882 -5.268852 -5.284440
(3,1)(0,0) 744.535538 -5.294162 -5.216071 -5.262836
(4,0)(0,0) 744.224400 -5.291931 -5.213841 -5.260605
(1,1)(0,0) 742.162726 -5.291489 -5.239429 -5.270605
(0,1)(0,0) 741.036097 -5.290581 -5.251536 -5.274918
(4,1)(0,0) 744.940645 -5.289897 -5.198791 -5.253350
(1,0)(0,0) 740.922747 -5.289769 -5.250724 -5.274106
(3,2)(0,0) 744.707859 -5.288228 -5.197123 -5.251682

97
Akaike Information Criteria

-5.288
-5.292
-5.296
-5.300
-5.304
-5.308
-5.312
(4,2)(0,0)
(0,2)(0,0)
(2,0)(0,0)
(1,2)(0,0)
(2,1)(0,0)
(3,0)(0,0)
(2,2)(0,0)
(0,0)(0,0)
(3,1)(0,0)
(4,0)(0,0)
(1,1)(0,0)
(0,1)(0,0)
(4,1)(0,0)
(1,0)(0,0)
(3,2)(0,0)
.|. | .|. | 1 -0.032 -0.032 0.2954

.|. | .|. | 2 0.001 -0.001 0.2954
.|. | .|. | 3 0.013 0.013 0.3429 0.558
.|. | .|. | 4 0.001 0.002 0.3433 0.842
.|. | .|. | 5 0.069 0.069 1.7202 0.632
.|. | .|. | 6 -0.038 -0.034 2.1341 0.711
.|. | .|. | 7 0.019 0.017 2.2410 0.815
.|* | .|* | 8 0.086 0.086 4.3689 0.627
.|. | .|. | 9 0.025 0.031 4.5502 0.715
.|. | .|. | 10 0.038 0.035 4.9737 0.760
.|. | .|. | 11 0.009 0.014 4.9954 0.835
.|. | .|. | 12 0.014 0.010 5.0496 0.888
.|. | .|. | 13 0.061 0.052 6.1564 0.863
.|. | .|. | 14 -0.035 -0.029 6.5098 0.888
.|. | .|. | 15 -0.015 -0.024 6.5801 0.922
*|. | *|. | 16 -0.093 -0.104 9.1465 0.822
*|. | *|. | 17 -0.113 -0.131 12.958 0.606
.|. | .|. | 18 0.058 0.035 13.988 0.600
.|. | .|. | 19 -0.047 -0.042 14.665 0.620
.|. | .|. | 20 0.019 0.012 14.771 0.678
.|. | .|. | 21 -0.035 -0.034 15.143 0.713
.|. | .|. | 22 0.028 0.038 15.382 0.754
.|. | .|. | 23 -0.001 -0.006 15.382 0.803
*|. | .|. | 24 -0.091 -0.059 17.910 0.711
.|. | .|. | 25 0.017 0.035 18.002 0.757

98
.|. | .|. | 26 -0.031 -0.018 18.300 0.788

.|. | .|. | 27 -0.055 -0.044 19.239 0.785
.|. | .|. | 28 -0.007 -0.001 19.253 0.826
.|. | .|. | 29 -0.034 -0.008 19.615 0.847
.|. | .|. | 30 0.006 0.000 19.625 0.878
.|. | .|. | 31 0.016 0.009 19.703 0.902
.|. | .|* | 32 0.067 0.081 21.114 0.884
.|. | *|. | 33 -0.063 -0.087 22.390 0.870
.|. | .|. | 34 0.035 0.042 22.784 0.885
.|. | .|. | 35 -0.003 0.007 22.787 0.909
.|* | .|* | 36 0.078 0.083 24.731 0.878
Lampiran 5: Hasil Pengolahan Eviews untuk perusahaan AUTO

Selected dependent variable: DLOG(AUTO)
Date: 08/04/09 Time: 00:24
Sample: 9/03/2018 9/27/2019
Forecast length: 45

AIC value: -5.94230860398
1,320
1,310
1,300
1,290
1,280
1,270
1,260
1,250
1,240
1,230
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual

99
Dependent Variable: DLOG(AUTO)

Date: 08/04/09 Time: 00:24
Sample: 9/04/2018 9/27/2019
C -0.000417 0.000627 -0.664983 0.5066

AR(1) 0.191461 0.026248 7.294258 0.0000
AR(2) -0.972035 0.024972 -38.92519 0.0000
MA(1) -0.140952 0.960114 -0.146808 0.8834
MA(2) 0.963872 14.28127 0.067492 0.9462
MA(3) 0.057838 0.257023 0.225030 0.8221
MA(4) -0.086707 1.042828 -0.083146 0.9338
MA(5) -0.080210 0.133985 -0.598653 0.5499
MA(6) -0.094585 1.321664 -0.071565 0.9430
MA(7) -0.136539 3.165880 -0.043128 0.9656
MA(8) -0.072580 1.802724 -0.040261 0.9679
SIGMASQ 0.000139 0.001523 0.090981 0.9276

Inverted AR Roots .10-.98i .10+.98i

Inverted MA Roots .76 .29-.68i .29+.68i .07+1.00i
.07-1.00i -.41+.41i -.41-.41i -.52

Dependent Variable: DLOG(AUTO)
Date: 08/04/09 Time: 00:24
Sample: 9/03/2018 9/27/2019
(2,8)(0,0) 840.952050 -5.942309 -5.786127 -5.879657

(0,0)(0,0) 830.799669 -5.941216 -5.915186 -5.930774
(4,3)(0,0) 837.596675 -5.939761 -5.822625 -5.892772
(3,4)(0,0) 837.581069 -5.939649 -5.822513 -5.892661
(2,4)(0,0) 836.409574 -5.938420 -5.834299 -5.896652
(0,1)(0,0) 831.390449 -5.938283 -5.899237 -5.922620
(1,0)(0,0) 831.313585 -5.937732 -5.898687 -5.922069
(4,2)(0,0) 836.307956 -5.937691 -5.833571 -5.895924

100
(0,2)(0,0) 831.945446 -5.935093 -5.883032 -5.914209

(2,0)(0,0) 831.943039 -5.935076 -5.883015 -5.914192
(1,1)(0,0) 831.735232 -5.933586 -5.881526 -5.912702
(1,2)(0,0) 832.712380 -5.933422 -5.868347 -5.907317
(4,4)(0,0) 837.681517 -5.933201 -5.803050 -5.880991
(2,1)(0,0) 832.658251 -5.933034 -5.867959 -5.906929
(3,3)(0,0) 835.331334 -5.930691 -5.826570 -5.888923
(3,9)(0,0) 841.000292 -5.928318 -5.746106 -5.855224
(0,3)(0,0) 831.979069 -5.928165 -5.863090 -5.902061
(3,0)(0,0) 831.943118 -5.927908 -5.862832 -5.901803
(2,2)(0,0) 832.745741 -5.926493 -5.848402 -5.895167
(1,3)(0,0) 832.731056 -5.926387 -5.848297 -5.895062
Akaike Information Criteria (top 20 models)

-5.924
-5.928
-5.932
-5.936
-5.940
-5.944
(2,8)(0,0)
(0,0)(0,0)
(4,3)(0,0)
(3,4)(0,0)
(2,4)(0,0)
(0,1)(0,0)
(1,0)(0,0)
(4,2)(0,0)
(0,2)(0,0)
(2,0)(0,0)
(1,1)(0,0)
(1,2)(0,0)
(4,4)(0,0)
(2,1)(0,0)
(3,3)(0,0)
(3,9)(0,0)
(0,3)(0,0)
(3,0)(0,0)
(2,2)(0,0)
(1,3)(0,0)
.|. | .|. | 1 0.068 0.068 1.3167

.|. | .|. | 2 -0.001 -0.006 1.3169
.|. | .|. | 3 -0.002 -0.001 1.3177 0.251
.|. | .|. | 4 -0.025 -0.025 1.4966 0.473
*|. | *|. | 5 -0.092 -0.089 3.9298 0.269
*|. | *|. | 6 -0.088 -0.077 6.1676 0.187
.|. | .|. | 7 -0.040 -0.031 6.6271 0.250
.|. | .|. | 8 0.000 0.003 6.6272 0.357
.|. | .|. | 9 0.004 -0.001 6.6310 0.468
.|. | .|. | 10 -0.032 -0.044 6.9270 0.545
.|. | .|. | 11 -0.002 -0.013 6.9277 0.645
.|. | .|. | 12 -0.012 -0.025 6.9685 0.728
.|* | .|* | 13 0.079 0.077 8.8103 0.639
.|* | .|* | 14 0.139 0.132 14.585 0.265
.|. | .|. | 15 -0.010 -0.031 14.614 0.332

101
.|. | .|. | 16 -0.037 -0.044 15.020 0.377

*|. | *|. | 17 -0.077 -0.081 16.785 0.332
.|. | .|. | 18 -0.035 -0.012 17.157 0.376
*|. | *|. | 19 -0.137 -0.104 22.824 0.155
.|. | .|. | 20 -0.052 -0.020 23.652 0.167
.|. | .|. | 21 -0.022 -0.027 23.804 0.204
.|* | .|* | 22 0.114 0.096 27.789 0.114
.|. | .|. | 23 0.073 0.049 29.435 0.104
.|. | .|. | 24 -0.010 -0.033 29.464 0.132
.|* | .|* | 25 0.092 0.078 32.105 0.098
.|* | .|* | 26 0.114 0.099 36.155 0.053
.|. | .|. | 27 -0.002 -0.022 36.157 0.069
.|. | .|. | 28 -0.034 -0.032 36.513 0.083
.|. | .|. | 29 -0.020 -0.011 36.644 0.102
.|. | .|. | 30 0.003 0.034 36.647 0.127
.|. | .|. | 31 0.018 0.057 36.746 0.153
.|. | .|. | 32 -0.032 0.003 37.064 0.175
.|. | .|. | 33 -0.049 -0.019 37.844 0.185
.|* | .|* | 34 0.141 0.156 44.186 0.074
.|. | .|. | 35 -0.028 -0.054 44.437 0.088
.|. | .|. | 36 -0.018 -0.061 44.542 0.107

102
Lampiran 6: Hasil Pengolahan Eviews untuk perusahaan BOLT

Selected dependent variable: DLOG(BOLT)
Date: 08/04/09 Time: 00:55
Sample: 9/03/2018 9/27/2019
Forecast length: 45

AIC value: -6.36991160939
Actual and Forecast

884
880
876
872
868
864
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
Dependent Variable: DLOG(BOLT)

Method: Least Squares
Date: 08/04/09 Time: 00:55
Sample (adjusted): 9/04/2018 9/27/2019
Included observations: 279 after adjustments
C -0.000141 0.000596 -0.235772 0.8138

Durbin-Watson stat 1.973365

103

Dependent Variable: DLOG(BOLT)
Date: 08/04/09 Time: 00:55
Sample: 9/03/2018 9/27/2019
(0,0)(0,0) 890.602670 -6.369912 -6.343881 -6.359470

(3,0)(0,0) 893.313039 -6.367835 -6.302760 -6.341731
(2,2)(0,0) 894.203914 -6.367053 -6.288963 -6.335727
(0,3)(0,0) 892.948689 -6.365224 -6.300148 -6.339119
(3,1)(0,0) 893.886833 -6.364780 -6.286690 -6.333454
(1,3)(0,0) 893.816855 -6.364279 -6.286188 -6.332953
(4,0)(0,0) 893.741132 -6.363736 -6.285645 -6.332410
(0,1)(0,0) 890.620937 -6.362874 -6.323829 -6.347211
(1,0)(0,0) 890.618372 -6.362856 -6.323810 -6.347193
(0,0)(0,1) 890.604695 -6.362758 -6.323712 -6.347095
(0,0)(1,0) 890.604695 -6.362758 -6.323712 -6.347095
(0,4)(0,0) 893.476463 -6.361838 -6.283748 -6.330513
(3,0)(0,1) 893.314733 -6.360679 -6.282589 -6.329353
(3,0)(1,0) 893.314733 -6.360679 -6.282589 -6.329353
(0,2)(0,0) 891.301232 -6.360582 -6.308522 -6.339698
(2,0)(0,0) 891.296883 -6.360551 -6.308491 -6.339667
(1,1)(0,0) 891.226244 -6.360045 -6.307984 -6.339161
(2,2)(0,1) 894.212509 -6.359946 -6.268841 -6.323400
(2,2)(1,0) 894.212419 -6.359946 -6.268840 -6.323399
(3,3)(0,0) 895.047345 -6.358762 -6.254642 -6.316995
\

-6.372
-6.370
-6.368
-6.366
-6.364
-6.362
-6.360
-6.358
(0,0)(0,0)
(3,0)(0,0)
(2,2)(0,0)
(0,3)(0,0)
(3,1)(0,0)
(1,3)(0,0)
(4,0)(0,0)
(0,1)(0,0)
(1,0)(0,0)
(0,0)(0,1)
(0,0)(1,0)
(0,4)(0,0)
(3,0)(0,1)
(3,0)(1,0)
(0,2)(0,0)
(2,0)(0,0)
(1,1)(0,0)
(2,2)(0,1)
(2,2)(1,0)
(3,3)(0,0)
104

105
Lampiran 7: Hasil Pengolahan Eviews untuk perusahaan GJTL

Selected dependent variable: D(GTJL)
Date: 08/04/09 Time: 01:21
Sample: 9/03/2018 9/27/2019
Forecast length: 45

AIC value: 8.34567001882
670
660
650
640
630
620
610
600
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
Dependent Variable: D(GTJL)

Method: Least Squares
Date: 08/04/09 Time: 01:21
Sample: 9/04/2018 9/27/2019
Failure to improve objective (non-zero gradients) after 70 iterations
C 0.110870 0.861409 0.128708 0.8977

AR(1) 0.666614 0.072994 9.132473 0.0000
AR(2) -1.042843 0.093100 -11.20132 0.0000
AR(3) 0.012340 0.079432 0.155348 0.8767

106
AR(4) -0.146220 0.066214 -2.208313 0.0281

MA(1) -0.747938 0.036268 -20.62278 0.0000
MA(2) 0.975804 0.037179 26.24611 0.0000
SMA(260) 1.000000 5613.749 0.000178 0.9999
SIGMASQ 120.3584 337830.8 0.000356 0.9997
R-squared 0.510136 Mean dependent var 0.035842

S.E. of regression 11.15214 Akaike info criterion 8.367793
Sum squared resid 33579.99 Schwarz criterion 8.484929
Log likelihood -1158.307 Hannan-Quinn criter. 8.414782

Dependent Variable: D(GTJL)
Date: 08/04/09 Time: 01:21
Sample: 9/03/2018 9/27/2019
(4,2)(0,1) -1155.220968 8.345670 8.462806 8.392659

(0,2)(0,0) -1160.258655 8.345940 8.398001 8.366824
(2,0)(0,0) -1160.512513 8.347760 8.399820 8.368644
(0,2)(1,0) -1159.841533 8.350119 8.415194 8.376223
(0,2)(0,1) -1159.846860 8.350157 8.415232 8.376262
(2,0)(1,0) -1160.086966 8.351878 8.416953 8.377983
(2,0)(0,1) -1160.093318 8.351923 8.416999 8.378028
(1,1)(0,0) -1161.094236 8.351930 8.403990 8.372814
(1,2)(0,0) -1160.239348 8.352970 8.418046 8.379075
(0,3)(0,0) -1160.242867 8.352995 8.418071 8.379100
(2,1)(0,0) -1160.346189 8.353736 8.418812 8.379841
(2,4)(2,0) -1155.395746 8.354091 8.484242 8.406301
(1,3)(0,1) -1158.397231 8.354102 8.445208 8.390649
(3,0)(0,0) -1160.447381 8.354462 8.419537 8.380566
(4,4)(0,0) -1155.472558 8.354642 8.484793 8.406852
(1,1)(1,0) -1160.674557 8.356090 8.421165 8.382195
(1,1)(0,1) -1160.677785 8.356113 8.421189 8.382218
(2,4)(0,0) -1157.696088 8.356244 8.460365 8.398012
(0,0)(0,0) -1163.706034 8.356316 8.382346 8.366758
(0,3)(0,1) -1159.794444 8.356949 8.435040 8.388275
(0,1)(0,0) -1162.814420 8.357093 8.396138 8.372756
(1,2)(1,0) -1159.823903 8.357161 8.435251 8.388486
(0,3)(1,0) -1159.827762 8.357188 8.435279 8.388514

107

8.358
8.356
8.354
8.352
8.350
8.348
8.346
8.344
(4,2)(0,1)
(0,2)(0,0)
(2,0)(0,0)
(0,2)(1,0)
(0,2)(0,1)
(2,0)(1,0)
(2,0)(0,1)
(1,1)(0,0)
(1,2)(0,0)
(0,3)(0,0)
(2,1)(0,0)
(2,4)(2,0)
(1,3)(0,1)
(3,0)(0,0)
(4,4)(0,0)
(1,1)(1,0)
(1,1)(0,1)
(2,4)(0,0)
(0,0)(0,0)
(0,3)(0,1)
*|. | *|. | 1 -0.082 -0.082 1.8944

.|. | .|. | 2 0.000 -0.007 1.8944
.|. | .|. | 3 -0.016 -0.017 1.9697 0.160
.|. | .|. | 4 -0.001 -0.004 1.9699 0.373
.|. | .|. | 5 -0.034 -0.034 2.2967 0.513
.|. | .|. | 6 0.043 0.037 2.8220 0.588
.|. | .|. | 7 0.004 0.011 2.8276 0.727
.|. | .|. | 8 -0.017 -0.017 2.9106 0.820
.|. | .|. | 9 0.016 0.015 2.9852 0.886
.|. | .|. | 10 -0.031 -0.030 3.2744 0.916
.|. | .|. | 11 0.017 0.014 3.3594 0.948
.|. | .|. | 12 0.060 0.062 4.4228 0.926
*|. | *|. | 13 -0.107 -0.101 7.8085 0.730
.|. | .|. | 14 0.006 -0.007 7.8191 0.799
.|. | .|. | 15 0.023 0.022 7.9745 0.845
.|. | .|. | 16 -0.056 -0.055 8.9113 0.837
.|. | .|. | 17 0.057 0.054 9.8981 0.826
.|* | .|* | 18 0.088 0.087 12.247 0.727
.|. | .|. | 19 0.023 0.043 12.404 0.775
*|. | *|. | 20 -0.145 -0.138 18.776 0.406
.|. | .|. | 21 0.059 0.034 19.850 0.404
*|. | .|. | 22 -0.070 -0.050 21.346 0.377
.|. | .|. | 23 0.000 -0.022 21.346 0.438
.|. | .|. | 24 -0.027 -0.034 21.563 0.486

108
.|. | .|. | 25 -0.003 -0.005 21.567 0.547

.|. | .|. | 26 0.016 0.015 21.647 0.600
.|. | .|. | 27 -0.034 -0.039 22.004 0.635
.|. | .|. | 28 -0.005 0.003 22.011 0.688
.|. | .|. | 29 0.058 0.048 23.073 0.681
.|. | .|. | 30 -0.021 -0.025 23.213 0.722
.|. | .|. | 31 -0.034 -0.012 23.570 0.750
.|. | .|. | 32 -0.037 -0.032 23.999 0.772
.|. | .|. | 33 0.007 -0.026 24.017 0.810
*|. | .|. | 34 -0.072 -0.056 25.676 0.778
.|. | *|. | 35 -0.055 -0.089 26.642 0.775
.|. | .|. | 36 0.056 0.026 27.661 0.770

109
Lampiran 8: Hasil Pengolahan Eviews untuk perusahaan IMAS

Selected dependent variable: IMAS
Date: 08/04/09 Time: 01:36
Sample: 9/03/2018 9/27/2019
Forecast length: 45

AIC value: 11.4758787831
1,850
1,800
1,750
1,700
1,650
1,600
1,550
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
Dependent Variable: IMAS

Date: 08/04/09 Time: 01:36
Sample: 9/03/2018 9/27/2019
C 2142.125 573.5718 3.734712 0.0002

AR(1) 1.554816 0.017023 91.33834 0.0000
AR(2) -1.552930 0.020612 -75.33934 0.0000
AR(3) 0.983409 0.013985 70.32035 0.0000

110
MA(1) -0.559219 0.026772 -20.88820 0.0000

MA(2) 0.969724 0.028387 34.16093 0.0000
SIGMASQ 5272.070 286.1803 18.42220 0.0000

Sum squared resid 1476180. Schwarz criterion 11.56675
Inverted AR Roots .99 .28+.96i .28-.96i

Inverted MA Roots .28+.94i .28-.94i

Dependent Variable: IMAS
Date: 08/04/09 Time: 01:36
Sample: 9/03/2018 9/27/2019
(3,2)(0,0) -1599.623030 11.475879 11.566749 11.512327

(3,3)(0,0) -1599.458798 11.481849 11.585700 11.523503
(4,2)(0,0) -1599.461678 11.481869 11.585720 11.523524
(1,0)(0,0) -1604.582984 11.482736 11.521680 11.498356
(3,2)(1,0) -1599.619631 11.482997 11.586848 11.524652
(2,3)(0,0) -1601.156912 11.486835 11.577705 11.523283
(1,1)(0,0) -1604.189642 11.487069 11.538994 11.507896
(2,0)(0,0) -1604.232875 11.487378 11.539303 11.508205
(4,3)(0,0) -1599.442339 11.488874 11.605706 11.535736
(1,0)(1,0) -1604.574921 11.489821 11.541746 11.510648
(1,0)(0,1) -1604.574928 11.489821 11.541746 11.510648
(3,2)(0,2) -1599.602101 11.490015 11.606848 11.536877
(3,2)(1,1) -1599.623941 11.490171 11.607004 11.537033
(3,0)(0,0) -1603.781131 11.491294 11.556201 11.517328
(1,2)(0,0) -1603.851268 11.491795 11.556702 11.517829
(2,1)(0,0) -1604.043520 11.493168 11.558075 11.519202
(4,3)(1,0) -1599.112099 11.493658 11.623472 11.545726
(1,1)(1,0) -1604.181717 11.494155 11.559062 11.520189
(2,0)(1,0) -1604.224850 11.494463 11.559370 11.520497
(2,0)(0,1) -1604.224855 11.494463 11.559370 11.520498

111

11.4950
11.4925
11.4900
11.4875
11.4850
11.4825
11.4800
11.4775
11.4750
(3,2)(0,0)
(3,3)(0,0)
(4,2)(0,0)
(1,0)(0,0)
(3,2)(1,0)
(2,3)(0,0)
(1,1)(0,0)
(2,0)(0,0)
(4,3)(0,0)
(1,0)(1,0)
(1,0)(0,1)
(3,2)(0,2)
(3,2)(1,1)
(3,0)(0,0)
(1,2)(0,0)
(2,1)(0,0)
(4,3)(1,0)
(1,1)(1,0)
(2,0)(1,0)
(2,0)(0,1)
.|. | .|. | 1 0.046 0.046 0.5870

.|. | .|. | 2 -0.001 -0.003 0.5870
.|. | .|. | 3 0.003 0.003 0.5893 0.443
.|. | .|. | 4 0.053 0.053 1.3826 0.501
.|. | .|. | 5 0.069 0.064 2.7475 0.432
.|. | .|. | 6 0.052 0.047 3.5330 0.473
.|. | .|. | 7 -0.057 -0.062 4.4827 0.482
.|. | .|. | 8 -0.038 -0.036 4.9047 0.556
.|. | .|. | 9 0.021 0.017 5.0335 0.656
.|* | .|* | 10 0.087 0.078 7.2716 0.508
.|. | .|. | 11 -0.056 -0.065 8.2068 0.513
.|. | .|. | 12 0.026 0.040 8.4093 0.589
.|. | .|. | 13 0.038 0.045 8.8393 0.637
.|. | .|. | 14 0.003 -0.011 8.8413 0.716
.|. | .|. | 15 0.029 0.018 9.0995 0.765
.|. | .|. | 16 -0.017 -0.023 9.1892 0.819
.|. | .|. | 17 -0.033 -0.022 9.5070 0.850
.|. | .|. | 18 0.014 0.008 9.5669 0.888
.|. | .|. | 19 0.022 0.012 9.7097 0.915
.|* | .|* | 20 0.099 0.103 12.698 0.809
*|. | *|. | 21 -0.076 -0.074 14.470 0.756
.|. | .|. | 22 0.005 0.007 14.477 0.806
.|. | .|. | 23 -0.001 -0.005 14.477 0.848
.|* | .|* | 24 0.133 0.127 19.939 0.587
.|. | .|. | 25 0.033 0.006 20.283 0.625
.|. | .|. | 26 0.022 0.027 20.429 0.672
.|. | .|. | 27 -0.046 -0.033 21.101 0.687

112
.|. | .|. | 28 0.006 -0.009 21.113 0.736

.|. | .|. | 29 0.017 -0.006 21.202 0.777
.|* | .|. | 30 0.084 0.061 23.442 0.711
*|. | .|. | 31 -0.080 -0.056 25.460 0.654
.|. | .|. | 32 -0.059 -0.059 26.581 0.645
.|. | .|. | 33 0.012 0.018 26.630 0.691
.|. | .|. | 34 -0.010 -0.032 26.661 0.734
.|. | .|. | 35 -0.016 -0.014 26.743 0.771
.|. | .|. | 36 -0.019 -0.013 26.856 0.803

113
Lampiran 9: Hasil Pengolahan Eviews untuk perusahaan INDS

Selected dependent variable: LOG(INDS)
Date: 08/04/09 Time: 01:48
Sample: 9/03/2018 9/27/2019
Forecast length: 45

AIC value: -5.0608424478
2,440
2,400
2,360
2,320
2,280
2,240
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
Dependent Variable: LOG(INDS)

Date: 08/04/09 Time: 01:48
Sample: 9/03/2018 9/27/2019
C 7.719360 0.020800 371.1282 0.0000

AR(1) 0.943862 0.019596 48.16679 0.0000
SIGMASQ 0.000360 1.43E-05 25.15687 0.0000

114

Inverted AR Roots .94

Dependent Variable: LOG(INDS)
Date: 08/04/09 Time: 01:48
Sample: 9/03/2018 9/27/2019
(1,0)(0,0) 711.517943 -5.060842 -5.021898 -5.045222

(1,0)(0,1) 711.823897 -5.055885 -5.003959 -5.035058
(1,0)(1,0) 711.823897 -5.055885 -5.003959 -5.035058
(1,1)(0,0) 711.816851 -5.055835 -5.003909 -5.035007
(2,0)(0,0) 711.792616 -5.055662 -5.003736 -5.034834
(3,2)(1,0) 715.348532 -5.052490 -4.948638 -5.010835
(4,3)(0,0) 716.329941 -5.052357 -4.935524 -5.005495
(4,2)(0,0) 715.145765 -5.051041 -4.947190 -5.009386
(1,1)(0,1) 712.128406 -5.050917 -4.986010 -5.024883
(1,1)(1,0) 712.128406 -5.050917 -4.986010 -5.024883
(2,0)(0,1) 712.104468 -5.050746 -4.985839 -5.024712
(2,0)(1,0) 712.104468 -5.050746 -4.985839 -5.024712
(3,0)(0,0) 712.048967 -5.050350 -4.985443 -5.024315
(1,2)(0,0) 712.020933 -5.050150 -4.985243 -5.024115
(2,1)(0,0) 711.896122 -5.049258 -4.984351 -5.023224
(1,0)(1,1) 711.823897 -5.048742 -4.983835 -5.022708
(1,0)(0,2) 711.823897 -5.048742 -4.983835 -5.022708
(1,0)(2,0) 711.823897 -5.048742 -4.983835 -5.022708
(3,3)(1,0) 715.361763 -5.045441 -4.928609 -4.998579
(3,3)(0,1) 715.361763 -5.045441 -4.928609 -4.998579

115

-5.044
-5.046
-5.048
-5.050
-5.052
-5.054
-5.056
-5.058
-5.060
-5.062
(1,0)(0,0)
(1,0)(0,1)
(1,0)(1,0)
(1,1)(0,0)
(2,0)(0,0)
(3,2)(1,0)
(4,3)(0,0)
(4,2)(0,0)
(1,1)(0,1)
(1,1)(1,0)
(2,0)(0,1)
(2,0)(1,0)
(3,0)(0,0)
(1,2)(0,0)
(2,1)(0,0)
(1,0)(1,1)
(1,0)(0,2)
(1,0)(2,0)
(3,3)(1,0)
(3,3)(0,1)
.|. | .|. | 1 0.001 0.001 0.0002

.|. | .|. | 2 -0.060 -0.060 1.0376 0.308
.|. | .|. | 3 -0.038 -0.038 1.4455 0.485
.|. | .|. | 4 -0.026 -0.030 1.6461 0.649
*|. | *|. | 5 -0.123 -0.129 5.9948 0.200
.|. | .|. | 6 0.009 0.003 6.0163 0.305
.|. | .|. | 7 0.019 0.001 6.1241 0.409
.|. | .|. | 8 -0.015 -0.026 6.1862 0.518
.|. | .|. | 9 -0.010 -0.016 6.2169 0.623
*|. | *|. | 10 -0.102 -0.122 9.2346 0.416
.|. | .|. | 11 -0.046 -0.052 9.8692 0.452
.|. | .|. | 12 0.059 0.045 10.897 0.452
.|. | .|. | 13 0.060 0.040 11.957 0.449
.|. | .|. | 14 0.070 0.066 13.392 0.418
.|. | .|. | 15 -0.040 -0.062 13.880 0.459
*|. | *|. | 16 -0.070 -0.072 15.352 0.426
*|. | .|. | 17 -0.074 -0.062 17.002 0.385
.|. | .|. | 18 0.018 0.017 17.101 0.448
.|. | .|. | 19 -0.014 -0.016 17.159 0.512
.|* | .|. | 20 0.085 0.057 19.357 0.434
.|* | .|* | 21 0.111 0.086 23.081 0.285
.|. | .|. | 22 -0.001 0.006 23.081 0.340
.|. | .|. | 23 0.004 0.042 23.086 0.397
*|. | *|. | 24 -0.083 -0.068 25.188 0.341
.|. | .|. | 25 -0.057 -0.052 26.181 0.344
.|. | .|. | 26 -0.000 -0.012 26.181 0.398
.|. | .|. | 27 0.030 -0.001 26.460 0.438

116
.|. | .|. | 28 0.036 0.051 26.865 0.471

.|* | .|* | 29 0.086 0.103 29.201 0.402
.|. | .|. | 30 -0.059 -0.041 30.308 0.399
.|. | .|. | 31 -0.043 -0.007 30.906 0.420
.|. | *|. | 32 -0.053 -0.073 31.786 0.427
.|. | .|. | 33 0.019 -0.001 31.907 0.471
.|. | .|. | 34 -0.013 -0.035 31.959 0.519
.|. | .|. | 35 0.045 0.011 32.612 0.536
.|. | .|. | 36 0.032 0.050 32.943 0.568

117
Lampiran 10: Hasil Pengolahan Eviews untuk perusahaan MASA

Selected dependent variable: LOG(MASA)
Date: 08/04/09 Time: 02:03
Sample: 9/03/2018 9/27/2019
Forecast length: 45

AIC value: -3.50482947661
640
620
600
580
560
540
520
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
Dependent Variable: LOG(MASA)

Date: 08/04/09 Time: 02:03
Sample: 9/03/2018 9/27/2019
C 6.296263 0.182834 34.43701 0.0000

AR(1) 2.286757 0.092684 24.67258 0.0000

118
AR(2) -2.155359 0.167694 -12.85289 0.0000

AR(3) 0.862382 0.086223 10.00182 0.0000
MA(1) -1.225986 0.093002 -13.18235 0.0000
MA(2) 0.878951 0.086248 10.19096 0.0000
SIGMASQ 0.001648 7.25E-05 22.72999 0.0000


Inverted MA Roots .61-.71i .61+.71i

Dependent Variable: LOG(MASA)
Date: 08/04/09 Time: 02:03
Sample: 9/03/2018 9/27/2019
(3,2)(0,0) 497.676127 -3.504829 -3.413960 -3.468381

(3,2)(0,1) 497.705767 -3.497898 -3.394047 -3.456243
(3,3)(0,0) 497.586958 -3.497050 -3.393199 -3.455395
(4,2)(0,0) 497.546886 -3.496763 -3.392912 -3.455109
(1,3)(0,0) 495.096079 -3.493543 -3.415655 -3.462302
(3,4)(0,0) 497.587517 -3.489911 -3.373078 -3.443049
(4,3)(0,0) 497.587167 -3.489908 -3.373076 -3.443047
(4,2)(1,0) 497.563908 -3.489742 -3.372910 -3.442881
(4,2)(0,1) 497.563899 -3.489742 -3.372910 -3.442880
(2,0)(0,0) 492.543915 -3.489599 -3.437674 -3.468772
(3,0)(0,0) 493.506179 -3.489330 -3.424423 -3.463296
(1,1)(0,0) 492.363379 -3.488310 -3.436384 -3.467482
(1,2)(0,0) 493.281077 -3.487722 -3.422815 -3.461688
(1,0)(0,0) 491.269318 -3.487638 -3.448694 -3.472017
(2,1)(0,0) 493.247756 -3.487484 -3.422577 -3.461450
(2,4)(0,0) 496.116548 -3.486547 -3.382696 -3.444892
(1,4)(0,0) 495.098840 -3.486420 -3.395551 -3.449972
(1,3)(1,0) 495.097166 -3.486408 -3.395539 -3.449960
(1,3)(0,1) 495.097165 -3.486408 -3.395539 -3.449960
(2,3)(0,0) 495.096960 -3.486407 -3.395537 -3.449959

119

-3.4850
-3.4875
-3.4900
-3.4925
-3.4950
-3.4975
-3.5000
-3.5025
-3.5050
(3,2)(0,0)
(3,2)(0,1)
(3,3)(0,0)
(4,2)(0,0)
(1,3)(0,0)
(3,4)(0,0)
(4,3)(0,0)
(4,2)(1,0)
(4,2)(0,1)
(2,0)(0,0)
(3,0)(0,0)
(1,1)(0,0)
(1,2)(0,0)
(1,0)(0,0)
(2,1)(0,0)
(2,4)(0,0)
(1,4)(0,0)
(1,3)(1,0)
(1,3)(0,1)
(2,3)(0,0)
.|. | .|. | 1 0.014 0.014 0.0587

.|. | .|. | 2 -0.046 -0.046 0.6450
.|. | .|. | 3 -0.000 0.001 0.6450
.|. | .|. | 4 -0.029 -0.031 0.8867
*|. | *|. | 5 -0.082 -0.082 2.8328 0.092
*|. | *|. | 6 -0.070 -0.071 4.2503 0.119
.|. | .|. | 7 -0.044 -0.051 4.8117 0.186
.|. | .|. | 8 0.046 0.039 5.4290 0.246
*|. | *|. | 9 -0.080 -0.092 7.2790 0.201
.|. | .|. | 10 0.056 0.052 8.2092 0.223
.|. | .|. | 11 0.065 0.042 9.4538 0.222
.|. | .|. | 12 -0.024 -0.031 9.6261 0.292
.|. | .|. | 13 -0.016 -0.014 9.6978 0.376
.|. | .|. | 14 -0.031 -0.041 9.9763 0.443
.|. | .|. | 15 -0.059 -0.057 10.995 0.444
.|. | .|. | 16 0.039 0.042 11.456 0.490
.|. | .|. | 17 0.049 0.058 12.162 0.514
.|. | .|. | 18 -0.024 -0.038 12.330 0.580
.|. | .|. | 19 0.054 0.054 13.219 0.585
.|. | .|. | 20 0.024 0.018 13.400 0.643
.|. | .|. | 21 0.012 0.005 13.441 0.706
.|. | .|. | 22 -0.062 -0.055 14.616 0.688
.|* | .|* | 23 0.095 0.116 17.354 0.566
.|. | .|. | 24 0.051 0.046 18.144 0.578
.|. | .|. | 25 -0.035 -0.008 18.517 0.616
.|. | .|. | 26 0.005 0.032 18.524 0.675

120
.|. | .|. | 27 -0.029 -0.058 18.781 0.714

*|. | *|. | 28 -0.092 -0.080 21.449 0.612
.|. | .|. | 29 -0.035 -0.022 21.835 0.645
.|. | .|. | 30 0.044 0.054 22.432 0.665
.|. | .|. | 31 0.050 0.036 23.222 0.673
.|. | .|. | 32 0.049 0.073 23.974 0.683
.|. | .|. | 33 0.055 0.047 24.935 0.682
.|. | *|. | 34 -0.026 -0.066 25.144 0.718
.|. | .|. | 35 -0.022 -0.017 25.302 0.754
.|. | .|. | 36 0.052 0.064 26.174 0.756

121
Lampiran 11: Hasil Pengolahan Eviews untuk perusahaan PRAS

Selected dependent variable: D(PRAS)
Date: 08/04/09 Time: 00:54
Sample: 9/03/2018 9/27/2019
Forecast length: 45

AIC value: 5.32877149572
168
164
160
156
152
148
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
Dependent Variable: D(PRAS)

Date: 08/04/09 Time: 00:54
Sample: 9/04/2018 9/27/2019
C -0.136498 0.033316 -4.097025 0.0001

122
AR(1) 0.358468 0.268612 1.334520 0.1831

AR(2) 0.529352 0.227080 2.331128 0.0205
MA(1) -0.587133 33.35009 -0.017605 0.9860
MA(2) -0.412866 36.10739 -0.011434 0.9909
SIGMASQ 11.46147 122.2585 0.093748 0.9254

Sum squared resid 3197.751 Schwarz criterion 5.406862
Inverted AR Roots .93 -.57

Inverted MA Roots 1.00 -.41

Dependent Variable: D(PRAS)
Date: 08/04/09 Time: 00:54
Sample: 9/03/2018 9/27/2019
(2,2)(0,0) -737.363624 5.328771 5.406862 5.360097

(2,2)(1,0) -737.174547 5.334585 5.425690 5.371131
(2,2)(0,1) -737.174547 5.334585 5.425690 5.371131
(2,3)(0,0) -737.363040 5.335936 5.427041 5.372483
(3,3)(0,0) -736.415490 5.336312 5.440433 5.378079
(1,0)(0,0) -741.556420 5.337322 5.376367 5.352985
(4,3)(0,0) -735.765593 5.338821 5.455957 5.385810
(0,1)(0,0) -741.825372 5.339250 5.378295 5.354913
(1,4)(0,1) -736.931769 5.340013 5.444133 5.381780
(0,3)(0,0) -739.964671 5.340249 5.405324 5.366353
(2,4)(0,0) -737.020463 5.340648 5.444769 5.382416
(2,1)(2,0) -738.064760 5.340966 5.432072 5.377513
(2,1)(0,2) -738.064760 5.340966 5.432072 5.377513
(2,1)(1,1) -738.064760 5.340966 5.432072 5.377513
(3,0)(0,0) -740.085197 5.341113 5.406188 5.367217
(3,3)(0,1) -736.154839 5.341612 5.458748 5.388600
(2,3)(1,0) -737.172635 5.341739 5.445860 5.383507
(2,2)(2,0) -737.174547 5.341753 5.445874 5.383521
(2,2)(1,1) -737.174547 5.341753 5.445874 5.383521
(2,2)(0,2) -737.174547 5.341753 5.445874 5.383521

123

5.342
5.340
5.338
5.336
5.334
5.332
5.330
5.328
(2,2)(0,0)
(2,2)(1,0)
(2,2)(0,1)
(2,3)(0,0)
(3,3)(0,0)
(1,0)(0,0)
(4,3)(0,0)
(0,1)(0,0)
(1,4)(0,1)
(0,3)(0,0)
(2,4)(0,0)
(2,1)(2,0)
(2,1)(0,2)
(2,1)(1,1)
(3,0)(0,0)
(3,3)(0,1)
(2,3)(1,0)
(2,2)(2,0)
(2,2)(1,1)
(2,2)(0,2)
.|. | .|. | 1 -0.001 -0.001 0.0006

.|. | .|. | 2 -0.015 -0.015 0.0669
.|. | .|. | 3 -0.039 -0.039 0.4989
.|. | .|. | 4 0.006 0.005 0.5085
.|. | .|. | 5 0.042 0.041 1.0076 0.315
.|. | .|. | 6 0.029 0.028 1.2467 0.536
.|. | .|. | 7 0.024 0.026 1.4138 0.702
.|. | .|. | 8 -0.056 -0.052 2.3184 0.677
.|. | .|. | 9 0.013 0.015 2.3644 0.797
*|. | *|. | 10 -0.066 -0.068 3.6268 0.727
.|. | .|. | 11 0.037 0.031 4.0345 0.776
.|. | .|. | 12 -0.040 -0.043 4.4980 0.810
.|. | .|. | 13 0.007 0.006 4.5106 0.875
.|. | .|. | 14 0.056 0.060 5.4528 0.859
.|. | .|. | 15 0.014 0.019 5.5117 0.904
.|. | .|. | 16 -0.012 -0.012 5.5536 0.937
.|. | .|. | 17 0.022 0.033 5.6951 0.957
.|. | .|. | 18 0.001 -0.007 5.6952 0.974
.|. | .|. | 19 0.020 0.023 5.8185 0.983
.|. | .|. | 20 0.020 0.007 5.9398 0.989
.|. | .|. | 21 -0.047 -0.044 6.6111 0.988
.|. | .|. | 22 0.019 0.018 6.7174 0.992
.|. | .|. | 23 -0.033 -0.031 7.0473 0.994
.|. | .|. | 24 0.031 0.030 7.3420 0.995
.|. | .|. | 25 0.023 0.024 7.5064 0.997
.|. | .|. | 26 0.031 0.033 7.8062 0.998

124
.|. | .|. | 27 -0.044 -0.034 8.4177 0.998

*|. | *|. | 28 -0.078 -0.079 10.307 0.993
.|. | .|. | 29 -0.055 -0.060 11.259 0.992
.|* | .|* | 30 0.081 0.080 13.333 0.981
.|* | .|. | 31 0.075 0.054 15.123 0.968
.|. | .|. | 32 -0.055 -0.045 16.068 0.965
.|. | .|. | 33 -0.025 -0.021 16.265 0.972
.|. | .|. | 34 0.003 0.024 16.268 0.980
.|. | .|. | 35 -0.004 -0.009 16.273 0.986
.|. | .|. | 36 -0.043 -0.056 16.864 0.987

125
Lampiran 12: Hasil Pengolahan Eviews untuk perusahaan SMSM

Selected dependent variable: LOG(SMSM)
Date: 08/04/09 Time: 02:27
Sample: 9/03/2018 9/27/2019
Forecast length: 45

AIC value: -5.04511027126
1,470
1,460
1,450
1,440
1,430
1,420
1,410
1,400
1,390
16 23 30 7 14 21 28 4 11 18 25
M9 M10 M11
Forecast Actual
Dependent Variable: LOG(SMSM)

Date: 08/04/09 Time: 02:27
Sample: 9/03/2018 9/27/2019
C 7.298310 0.026127 279.3369 0.0000

AR(1) 0.967973 0.041806 23.15382 0.0000

126
AR(2) -0.914432 0.054397 -16.81049 0.0000

AR(3) 0.860030 0.042033 20.46097 0.0000
MA(1) 0.042711 0.439801 0.097114 0.9227
MA(2) 0.999999 20.37296 0.049085 0.9609
SIGMASQ 0.000350 0.003554 0.098351 0.9217


Inverted MA Roots -.02+1.00i -.02-1.00i

Dependent Variable: LOG(SMSM)
Date: 08/04/09 Time: 02:27
Sample: 9/03/2018 9/27/2019
(3,2)(0,0) 713.315438 -5.045110 -4.954241 -5.008662

(3,4)(1,0) 716.265391 -5.044753 -4.914939 -4.992684
(3,4)(0,1) 716.260222 -5.044716 -4.914902 -4.992647
(3,4)(0,0) 714.795033 -5.041393 -4.924561 -4.994531
(3,4)(2,0) 716.265388 -5.037610 -4.894815 -4.980335
(3,4)(0,2) 716.265382 -5.037610 -4.894815 -4.980334
(4,4)(0,0) 715.069398 -5.036210 -4.906396 -4.984141
(3,3)(1,0) 713.832982 -5.034521 -4.917689 -4.987660
(1,0)(1,0) 708.644643 -5.033176 -4.981250 -5.012349
(1,0)(0,1) 708.576226 -5.032687 -4.980762 -5.011860
(4,4)(1,1) 716.458113 -5.031844 -4.876067 -4.969361
(3,4)(2,1) 716.265377 -5.030467 -4.874690 -4.967985
(4,3)(1,0) 713.872592 -5.027661 -4.897847 -4.975593
(1,1)(1,0) 708.670407 -5.026217 -4.961310 -5.000183
(2,0)(1,0) 708.667502 -5.026196 -4.961289 -5.000162
(1,0)(2,0) 708.644646 -5.026033 -4.961126 -4.999999
(1,0)(0,2) 708.644643 -5.026033 -4.961126 -4.999999
(1,0)(1,1) 708.644642 -5.026033 -4.961126 -4.999999
(1,1)(0,1) 708.601889 -5.025728 -4.960821 -4.999694
(2,0)(0,1) 708.599002 -5.025707 -4.960800 -4.999673

127

-5.024
-5.028
-5.032
-5.036
-5.040
-5.044
-5.048
(3,2)(0,0)
(3,4)(1,0)
(3,4)(0,1)
(3,4)(0,0)
(3,4)(2,0)
(3,4)(0,2)
(4,4)(0,0)
(3,3)(1,0)
(1,0)(1,0)
(1,0)(0,1)
(4,4)(1,1)
(3,4)(2,1)
(4,3)(1,0)
(1,1)(1,0)
(2,0)(1,0)
(1,0)(2,0)
(1,0)(0,2)
(1,0)(1,1)
(1,1)(0,1)
(2,0)(0,1)
.|. | .|. | 1 -0.025 -0.025 0.1813

.|. | .|. | 2 0.003 0.003 0.1845
.|. | .|. | 3 0.000 0.000 0.1846 0.667
.|. | .|. | 4 -0.049 -0.049 0.8775 0.645
.|. | .|. | 5 0.006 0.004 0.8889 0.828
.|. | .|. | 6 0.041 0.041 1.3648 0.850
*|. | *|. | 7 -0.099 -0.097 4.1777 0.524
.|. | .|. | 8 0.023 0.016 4.3334 0.632
.|. | .|. | 9 0.041 0.044 4.8276 0.681
.|. | .|. | 10 0.021 0.026 4.9547 0.762
.|. | .|. | 11 -0.047 -0.058 5.6137 0.778
.|. | .|. | 12 -0.024 -0.025 5.7832 0.833
.|. | .|. | 13 0.016 0.028 5.8549 0.883
.|. | .|. | 14 0.065 0.058 7.1133 0.850
*|. | *|. | 15 -0.151 -0.158 13.884 0.382
.|. | .|. | 16 -0.029 -0.033 14.128 0.440
.|. | .|. | 17 0.042 0.060 14.657 0.476
.|. | .|. | 18 -0.049 -0.055 15.394 0.496
.|. | .|. | 19 -0.006 -0.039 15.406 0.566
.|. | .|. | 20 -0.003 0.003 15.408 0.634
*|. | *|. | 21 -0.102 -0.068 18.549 0.486
.|. | .|. | 22 0.049 0.006 19.272 0.504
*|. | *|. | 23 -0.088 -0.108 21.625 0.421
*|. | .|. | 24 -0.083 -0.065 23.726 0.362
.|. | .|. | 25 0.063 0.071 24.936 0.354
.|. | .|. | 26 0.049 0.037 25.690 0.369

128
.|. | .|. | 27 -0.000 -0.025 25.690 0.424

.|. | .|. | 28 0.013 0.000 25.744 0.477
.|. | .|. | 29 -0.034 0.010 26.110 0.513
.|. | .|. | 30 0.053 0.029 26.998 0.518
.|. | *|. | 31 -0.031 -0.069 27.304 0.555
.|* | .|* | 32 0.085 0.115 29.616 0.485
*|. | *|. | 33 -0.124 -0.117 34.567 0.301
.|* | .|. | 34 0.078 0.062 36.519 0.267
*|. | *|. | 35 -0.097 -0.120 39.562 0.200
*|. | *|. | 36 -0.067 -0.098 41.002 0.190

Jurnal Referensi Skripsi

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Jurnal Referensi Skripsi

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

ANALISIS DALAM MEMPREDIKSI HARGA SAHAM

PROGRAM STUDI EKONOMI PEMBANGUNAN

ANALISIS DALAM MEMPREDIKSI HARGA SAHAM PERUSAHAAN

ARIMA (Autoreggresive Integrated Moving Average) merupakan salah

Kata kunci: ARIMA, Box-Jenkins, Peramalan Harga Saham, Otomotif dan

ANALYSIS FORECASTING STOCK PRICE OF AUTOMOTIVE AND

Keyword : ARIMA, Box-Jenkins, Forecasting Stock Price, Automotive And

BAB II TINJAUAN PUSTAKA

BAB III METODE PENELITIAN

BAB IV ANALISIS DAN PEMBAHASAN

BAB V KESIMPULAN DAN SARAN

DAFTAR PUSTAKA ........................................................................................ 80

Universitas Sumatera Utara

Universitas Sumatera Utara

Universitas Sumatera Utara

Universitas Sumatera Utara

1.1 Latar Belakang

Pasar modal (capital market) merupakan pasar untuk berbagai instrumen

masyarakat pemodal (investor). Dana yang diperoleh dapat digunakan untuk

pengembangan usaha (ekspansi), penambahan modal kerja dan lain-lain. Kedua,

seperti saham, obligasi, reksadana, dan lain-lain, maka investor dapat

menempatkan dana yang dimilikinya sesuai dengan karakteristik keuntungan dan

risiko masing-masing instumen.

Instrumen keuangan yang umumnya dipilih investor adalah saham, di mana

oleh investor merupakan gambaran ketidakpastian yang akan ditanggung para

Universitas Sumatera Utara

menjual (Fauziah, 2013).

Pasar modal Indonesia sejak 1989 menunjukkan pasang surut yang

menggembirakan, setelah pemerintah mengeluarkan berbagai deregulasi, baik

Mobilisasi dana masyarakat semakin lancar, jumlah perusahaan yang menawarkan

maupun volumenya meningkat tajam. Perkembangan yang sangat pesat bisa

sejalan dengan perkembangan ekonomi nasional secara keseluruhan,

meningkatnya jumlah perusahaan yang go public serta semakin bertambahnya

minat investor lokal maupun pemodalan internasional terhadap pasar modal

perusahaan yang bergerak di bidang industri manufaktur. Kemudian dari

perusahaan-perusahan tersebut dibagi menjadi tiga kelompok/sektor yang terdiri

sektor otomotif dan komponen (www.idx.co.id).

Universitas Sumatera Utara

Perkembangan sektor otomotif di Indonesia dewasa ini terus mengalami

setiap tahunnya. Kementrian perindustrian (Kemenperin) mencatat, pada tahun

otomotif untuk melakukan ekspansi. Dengan semakin majunya sektor otomotif,

maka perusahaan-perusahaan yang berada dalam bidang ini akan mampu

pada saham perusahaan-perusahaan otomotif.

Secara umum, faktor yang mempengaruhi keputusan investor untuk

membeli suatu saham perusahaan, akan melakuan analisis keadaan dari

perusahaan tersebut terlebih dahulu. Terdapat dua macam pendekatan investasi

pendekatan analisis fundamental. Pendekatan analisis teknikal merupakan salah

secara langsung perubahan harga saham perusahaan. Kemudian pendekatan

Universitas Sumatera Utara

umumnya, pendekatan Analisis Fundamental menilai suatu saham berdasarkan

memang berpegang teguh pada Analisis Fundamental.

Analisis pribadi juga perlu dilakukan terhadap perilaku perdagangan saham

berarti harga saham tergantung dari kekuatan permintaan dan penawaran

dapat menjelaskan apakah aktifitas transaksi saham-saham yang diperjualbelikan

suatu negara, meningkatnya kinerja para emiten, semakin kondusifnya iklim

investasi, membaiknya masalah keamanan suatu negara merupakan sentimen

fundamental ekonomi di negara tersebut sangat menjanjikan. Pasar modal yang

Universitas Sumatera Utara

tercatat di bursa efek memiliki pergerakan harga saham yang kadang-kadang

perusahaan manufaktur pun selalu berubah-ubah dipasar modal. Sehingga

akan datang, agar para investor mau menginvestasikan modalnya untuk

mendapatkan return yang sebesar-besarnya.