1, Mei 2020
Puspita Kartikasari1
1
Departemen Statistika, FSM Universitas Diponegoro
Email : puspitakartikasari@live.undip.ac.id
ABSTRAK
Penelitian ini mengangkat tentang peramalan harga saham PT. Bank Negara Indonesia
menggunakan metode Autoregressive Fractional Integrated Moving Average
(ARFIMA). Metode ARFIMA digunakan dalam penelitian ini karena saham PT. BNI
mengikuti pola long memory atau ketergantungan jangka panjang. Data harga saham
PT. BNI yang digunakan adalah data harian dari tanggal 21 Februari 2016 hingga 21
Februari 2020. Berdasarkan hasil pengolahan yang dilakukan data saham tersebut perlu
dilakukan proses stasioneritas dalam varians, sehingga pengolahan selanjutnya
menggunakan data yang telah stasioner. Model ARFIMA yang diperoleh adalah
ARFIMA (0,0.499,5) dengan AIC sebesar 15997.52. Residual dari model tersebut tidak
memenuhi asumsi distribusi normal dan white noise, hal ini karena masih banyak terdapat
outlier pada data harga saham PT. BNI, sehingga nilai kurtosis dan skewness dari residual
cukup besar. Hasil peramalan 12 periode ke depan dari model ARFIMA (0,0.499,5) yang
telah ditransformasi kembali ke dalam bentuk data aslinya memiliki nilai SMAPE
sebesar 1,23% yang artinya model ARFIMA (0,0.499,5) sangat baik digunakan untuk
meramalkan harga saham PT. BNI ke depannya.
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
statistika seperti V/S test, R/S test [9] menunjukkan bukti persisten untuk
mempunyai kekuatan yang lemah untuk return saham negara G-7 yang
bisa mendeteksi fenomena long memory menggunakan estimasi maksimum.
yang sesungguhnya [2]. Fokus utama dari studi ini adalah
Penelitian dengan menggunakan perilaku long memory stokastik return
pendekatan long memory telah banyak saham dalam pasar modal utama. [10]
dilakukan terutama pada data harga meneliti tentang karakteristik time series
saham. [3] menganalisis tentang keuangan, didapatkan hasil terdapat
peristiwa long memory dan fractionally sekitar 30% bahwa return saham
integration pada data saham, penelitian menunjukkan kejadian long memory,
ini membuktikan bahwa tingkat integrasi 50% menunjukkan bahwa return valuta
rendah berkaitan dengan frekuensi data asing menunjukkan kejadian long
yang rendah. [4] menganalisis tentang memory dan 80% kemungkinan bahwa
penggunaan long memory pada harga volatilitas pasar menunjukkan kejadian
saham, nilai tukar valuta asing, indeks long memory. [11] meneliti mengenai
pasar dan harga komoditas, penelitian ini fenomena long memory pada data saham
membahas mengenai relevansi konsep- di Yunani, pada penelitian ini estimasi
konsep tersebut dalam konteks parameter fractionally differencing
pemodelan keuangan, hubungan dengan menggunakan metode regresi spektral,
prinsip-prinsip dasar teori keuangan dan didapatkan hasil bahwa long memory
penjelasan ekonomi. [5] menguji short mempengaruhi secara signifikan positif
memory dan long memory pada harga pada saham Yunani, parameter
aset di 44 negara berkembang dan fractionally differencing memberikan
industri, menggunakan metodologi peningkatan pada akurasi out-of-sample
Contraryto (1996) analisis long memory dari peramalan. [12] menemukan bahwa
yang dilakukan menunjukkan bahwa autokorelasi return saham membentuk
pemotongan lag yang dilakukan tidak pola berbentuk U. Nilai autokorelasi
mempunyai pengaruh yang signifikan. menjadi negatif untuk return saham 2
[6] melakukan pemodelan long memory tahun, mencapai nilai minimum untuk
pada volatilitas pasar saham, didapatkan return saham 3-5 tahun, dan kemudian
hasil bahwa fitur dari proses yang bergerak kembali ke nilai 0.
menghasilkan memori panjang adalah Penelitian ini bertujuan untuk
distribusi durasi berat ekor dan meramalkan harga saham PT. BNI 12
volatilitas stokastik rezim switching periode ke depan dengan memasukkan
(RSSV) merupakan model yang terbaik. fenomena long memory. Fenomena long
[7] mengembangkan metode modifikasi memory salah satunya dapat dideteksi
dari uji R/S dengan membahas uji R/S menggunakan model Autoregressive
klasik menggunakan analisis varians Fractional Moving Average (ARFIMA),
R/S. [8] meneliti tentang kasus long dengan melihat kebaikan modelnya
memory pada return saham di US menggunakan nilai SMAPE dari hasil
menggunakan R/S statistic test, ramalan yang didapatkan.
didapatkan hasil bahwa percobaan
mengindikasikan bahwa modifikasi R/S METODELOGI PENELITIAN
test mempunyai power yang lemah untuk Sumber Data dan Variabel Penelitian
model long memory pada data return Data yang digunakan didapatkan dari
saham di US menggunakan data CRSP. website yahoo.finance.com, data
[11] menemukan bukti persisten dalam tersebut merupakan data harian harga
beberapa seri return saham internasional. saham PT. Bank Negara Indonesia dari
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
IHSG
3000
Time
2 2 2 2 2 2 2
Tahapan analisis data dilakukan sebagai Gambar 1. Time Series Plot Saham BNI
berikut : Tahun 2016-2020
1. Statistika Deskriptif Berdasarkan Gambar 1 di atas terlihat
Di tahap pertama yaitu memeriksa pola data tidak stasioner dalam varians,
bagaimana sifat/ karakteristik dari data hal ini menyebabkan dibutuhkannya
harga saham PT. BNI.. transformasi Box-Cox seperti pada
2. Pengujian Long Memory Gambar 2.
Tahap ini dilakukan untuk
mendeteksi ketergantungan dalam
jangka waktu panjang pada data dengan
menggunakan uji GPH Estimator.
3. Pembentukan Model ARFIMA
a. Pembuatan plot time series
b. Transformasi data jika data terebut
tidak memenuhi asumsi homogenitas
pada varians.
c. Membuat ACF dan PACF plot dari Gambar 2. Plot Box-Cox pada Data Saham PT.
data yang telah ditransformasi BNI
d. Menetapkan satu atau lebih model Gambar 2 menyatakan bahwa nilai
ARFIMA sesuai dengan ACF dan λ=0,5, dengan transformasi ini diperoleh
PACF plot dari hasil langkah time series plot yang menyerupai garis
sebelumnya. lurus, plot ACF dan PACF juga
e. Mengestimasi parameter model menyerupai dengan ACF dan PACF data
ARFIMA yang didapatkan. awal. Oleh karena itu, pada penelitian ini
f. Memilih model ARFIMA terbaik mengabaikan data yang sudah stasioner
berdasarkan AIC dan MSE terhadap varian.
g. Menguji syarat asumsi dari residual. Sebelum melakukan pemodelan
4. Melakukan pemeriksaan skewness, ARFIMA, hal yang pertama adalah
kurtosis dan outlier jika asumsi melakukan identifikasi long memory
residual tidak terpenuhi data saham PT. BNI guna melihat ada
5. Melakukan peramalan 12 periode ke tidaknya efek long memory
depan, kemudian menghitung nilai (ketergantungan jangka panjang). Cara
SMAPE dari data ramalan tersebut. yang dilakukan adalah mengamati ACF
plot harga saham PT. BNI yang telah
HASIL DAN PEMBAHASAN ditransformasi. Gambar 4.3. Ini
mengindikasikan dugaan adanya long
Analisis deskriptif memory pada data saham PT. BNI
Time Series Plot Saham PT. BNI sebagai karena ACf plot bergerak turun secara
berikut: lambat.
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
0.6
dalam model karena kurang dari α=0,05.
0.4
Untuk memodelkan data dilihat terlebih
Autocorrelation
0.2
0.0
-0.2
dahulu plot PACF data seperti pada
-0.4 Gambar 4 yang menunjukkan
-0.6
0.8
Partial Autocorrelation
0.4
menggunakan GPH Estimator. Hasil 0.2
0.0
estimasi parameter d pada saham PT. -0.2
-0.6
-1.0
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
Mean
= Median
-5 0 5 10 15
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
http://jurnal.unimus.ac.id
Statistika, Vol. 8, No. 1, Mei 2020
http://jurnal.unimus.ac.id