1. PENDAHULUAN
Saham didefinisakan sebagai kepemilikan investor atas investasinya atau sejumlah dana yang diinvestasikan pada
suatu perusahaan [1]. Salah satu faktor yang mempengaruhi perkembangan ekonomi jangka panjang suatu negara
adalah investasi. Investasi akan mendorong munculnya proses produksi yang dilakukan oleh manusia. Investasi
sangat berhubungan erat dengan kesempatan kerja dan peningkatan pendapatan, baik masyarakat atau pemerintah
setempat [2]. Salah satu hal yang memiliki peranan penting dalam perekonomian negara adalah pasar modal. Pasar
modal memiliki dua fungsi yaitu sebagai sarana pendanaan usaha atau sebagai sumber dana suatu perusahaan
dengan cara menjual hak kepemilikan yang dimiliki perusahaan kepada masyarakat. Fungsi yang kedua adalah
sebagai instrumen investasi bagi masyarakat [3]. Manajemen resiko merupakan suatu strategi yang wajib dikuasi
oleh perisahaan karena ketidakpastian yang sangat besar di masa depan. Salah satu alternatif yang bisa dipilih
untuk mempertahankan nilai akibat dari fluktuasi adalah memangfaatkan instrumen derivatif. Investor juga
memanfaatkan instrumen derivatif untuk memperoleh keuntungan. Di Indonesia, instrumen derivatif, salah
satunya dalam bentuk saham atau pasar modal merupakan jenis investasi yang berkembang dengan pesat dan
populer [4]. Mekanisme perdagangan saham atau pasar modal di Indonesia diatur oleh Bursa Efek Indonesia (BEI).
Hingga bulan Januari 2020, terdapat 677 perusahaan go public yang terdaftar di BEI. Perusahaan-perusahaan ini
dikelompokkan berdasarkan 10 sektor jenis usahanya. Hal ini mengindikasikan bahwa saham masih menjadi salah
satu bentuk investasi yang diminati oleh investor.
Terdapat dua hal penting yang perlu diperhatikan dalam berinvestasi saham, yaitu imbal hasil (return) dan
resiko. Return adalah hasil yang didapat dari investasi berupa dividen dan capital gain. Return juga menjadi
indikator seorang investor melakukan investasi di pasar modal [5]. Investor menginginkan nilai return maksimum
dengan resiko minimum. Komponen lain yang tidak kalah penting dalam berinvestasi saham adalah volatilitas
return saham. Analisis volatilitas berguna dalam pembentukan portofolio, manajemen risiko dan pembentukan
harga [6]. Volatilitas berhubungan dengan pemanfaatan informasi untuk mengukur resiko sehingga dapat
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Secara umum, alur penelitian digambarkan dalam Gambar 1. Alur penelitian yang dilakakukan adalah:
pengumpulan data, menghitung nilai return, uji normalitas return, estimasi parameter model, prediksi harga saham,
validasi model, permalan harga saham dan kesimpulan.
2.2 Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data penutupan harga saham harian dari lima perusahaan
subsektor farmasi yang terdafatr dalam BEI periode Januari 2020 sampai Desember 2020. Kelima perusahaan
tersebut adalah PT Darya-Varia Laboratoria Tbk (DVLA), PT Indofarma (Persero) Tbk (INAF), PT Kimia Farma
(Persero) Tbk (KAEF), PT Kalbe Farma Tbk (KLBF), PT Industri Jamu dan Farmasi Sido Muncul Tbk (SIDO).
Henny Dwi Bhakti, Copyright © 2022, MIB, Page 396
Submitted: 10/11/2021; Accepted: 21/12/2021; Published: 25/01/2022
JURNAL MEDIA INFORMATIKA BUDIDARMA
Volume 6, Nomor 1, Januari 2022, Page 395-403
ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)
Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib
DOI 10.30865/mib.v6i1.3415
Dari data harga saham kemudian dicari nilai return saham. Setelah didapat nilai return saham, selanjutnya
dilakukan uji normalitas Kolomogorov-Smirnov return saham.
2.3 Uji data
Harga penutupan saham dihitung nilai return masing-masing, dengan persamaan (1) berikut [15]:
𝑃𝑡
𝑅𝑡 = ln( ) (1)
𝑃𝑡−1
Dengan:
𝑅𝑡 ∶ 𝑟𝑒𝑡𝑢𝑟𝑛 𝑚𝑖𝑛𝑦𝑎𝑘 𝑠𝑎ℎ𝑎𝑚 𝑤𝑎𝑘𝑡𝑢
𝑃𝑡 ∶ ℎ𝑎𝑟𝑔𝑎 𝑚𝑖𝑛𝑦𝑎𝑘 𝑠𝑎ℎ𝑎𝑚 𝑎𝑘𝑡𝑢𝑎𝑙 𝑤𝑎𝑘𝑡𝑢 𝑡
𝑃𝑡−1 : ℎ𝑎𝑟𝑔𝑎 𝑚𝑖𝑛𝑦𝑎𝑘 𝑠𝑎ℎ𝑎𝑚 𝑎𝑘𝑡𝑢𝑎𝑙 𝑤𝑎𝑘𝑡𝑢 𝑡 − 1
Selanjutnya dilakukan uji normalitas pada masing-masing nilai return dengan Uji Kolmogorov-Smirnov
dengan hipotesis [16]:
H0 : Data sampel berdistribusi normal
H1 : Data sampel tidak berdistribusi normal
Statistik uji:
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑚𝑎𝑘𝑠|𝐹𝑡 − 𝐹𝑠 | (2)
Dengan:
Dhitung : Deviasi minimum
Ft : Fungsi berdistribusi yang dihipotesiskan berdistribusi normal
Fs : Fungsi distribusi kumulatif dari data sampel
Kriteria Pengujian yang digunakan adalah jika D_hitung < D_(α,n) (nilai α = 0.05), maka H0 diterima yang
berarti data sampel berdistribusi normal. Hasil uji normalitas kelima emiten saham ditampilkan pada tabel 1. Hasil
uji normalitas menunjukkan bahwa return saham DVLA, INAF, dan KAEF tidak terdistribusi normal sedangkan
return saham KLBF dan SIDO terdistribusi secara normal. Nilai return saham yang tidak terdistribusi secara
normal dikarenakan nilai return yang terlalu fluktuatif. Perubahan harga saham subsektor farmasi yang flktuatif
saat ini dipengaruhi oleh pandemi COVID-19 dan proses vaksinasi yang telah dilakukan. Return saham yang
berdistribusi secara normal menunjukkan bahwa saham tersebut diperhitungkan untuk dimasukkan ke dalam
portofolio. Return saham yang berdistribusi normal juga menunjukkan kestabilan harga. Saham KLBF dan SIDO
tidak mengalami penurunan harga yang sangat signifikan selama masa pandemi COVID-19.
Tabel 1. Uji normalitas nilai return
Kode D tabel 𝑫𝜶,𝒏 Hasil Keterangan
Saham
DVLA 0.203 H1 Data return saham tidak terdistribusi normal
INAF 0.184 H1 Data return saham tidak terdistribusi normal
KAEF 0.204 H1 Data return saham tidak terdistribusi normal
KLBF 0.10844 0.096 H0 Data return saham terdistribusi normal
SIDO 0.107 H0 Data return saham terdistribusi normal
2.4 Estimasi Parameter
Selanjutnya dihitung nilai volatilitas dan drift untuk yang nilai return sahamnya terdistribusi secara normal.
Volatilitas adalah tingkat pergerakan saham. Rumus dari volatilitas sesuai dengan persamaan (3). Drift adalah
ekspektasi laju pergerakan saham. Rumus drift adalah pada persamaan (6) [15]:
𝑠𝑟
𝜎̂ = (3)
∆𝑡
∑𝑛 ̅)
𝑡=1(𝑅𝑡 −𝑅
𝑠𝑟 = √ (5)
𝑛−1
𝑅̅ ̂2
𝜎
𝜇̂ = ∆𝑡 + (6)
2
1 𝜇√∆𝑡
𝑃 (𝑃𝑖 = 𝑒 𝜎 √∆𝑡 ) = +
2 2𝜎
1 𝜇√∆𝑡
𝑃(𝑃𝑖 = 𝑒 −𝜎√∆𝑡 ) = −
2 2𝜎
1
Didefinisikan Pt adalah harga saham saat t. dengan ∆𝑥 = √∆𝑡 dan ∆𝑡 = 𝑁
Henny Dwi Bhakti, Copyright © 2022, MIB, Page 398
Submitted: 10/11/2021; Accepted: 21/12/2021; Published: 25/01/2022
JURNAL MEDIA INFORMATIKA BUDIDARMA
Volume 6, Nomor 1, Januari 2022, Page 395-403
ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)
Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib
DOI 10.30865/mib.v6i1.3415
Nilai dari harga saham saat t adalah sebagai berikut:
𝑃𝑡 = 𝑃0 (𝑃1 . 𝑃2 . 𝑃𝑡 /∆𝑡)
Dengan menambahkan fungsi ln pada kedua sisi persamaan, didapatkan:
ln 𝑃𝑡 = ln 𝑃0 (𝑃1 . 𝑃2 . 𝑃𝑡 /∆𝑡)
𝑃𝑡
ln 𝑃𝑡 = ln 𝑃0 + ln 𝑃1 + ln 𝑃2 + ⋯ … + ln
∆𝑡
Nilai 𝐸(𝑍𝑡 ) dan 𝑉𝑎𝑟 (𝑍𝑡 ) adalah sebagai berikut:
𝑃𝑡
𝐸 (𝑍𝑡 ) = 𝐸(ln 𝑃0 + ln 𝑃1 + ln 𝑃2 + ⋯ … + ln )
∆𝑡
𝑃𝑡
= (𝐸(ln 𝑃0 ) + 𝐸(ln 𝑃1 ) + 𝐸(ln 𝑃2 ) + ⋯ … + 𝐸(ln ))
∆𝑡
𝑡
= ln 𝑃0 + ( 𝐸(ln 𝑃𝑖 )
∆𝑡
1 𝜇√∆𝑡 1 𝜇√∆𝑡
= ln 𝑃0 + (𝜎√∆𝑡) ( + ) + (−𝜎√∆𝑡) ( − )
2 2𝜎 2 2𝜎
= ln 𝑃0 + 𝜇𝑡
Dengan:
𝑃𝑡 ∶ ℎ𝑎𝑟𝑔𝑎 𝑚𝑖𝑛𝑦𝑎𝑘 𝑚𝑒𝑛𝑡𝑎ℎ 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑎𝑑𝑎 𝑠𝑎𝑎𝑡 𝑡
𝑁 ∶ 𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 ℎ𝑎𝑟𝑔𝑎 𝑠𝑎ℎ𝑎𝑚
𝐹𝑡 : 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 ℎ𝑎𝑟𝑔𝑎 𝑠𝑎ℎ𝑎𝑚 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑎𝑑𝑎 𝑤𝑎𝑘𝑡𝑢 𝑡
Untuk mengetahui akurasi peramalan dapat dilihat pada Tabel 3 [10]. Nilai MAPE menunjukkan tingkat
akurasi dari suatu metode. Tingkat akurasi dinyatakan tinggi jika nilai MAPE kurang dari 10%, akurasi dinyatakan
baik jika nilai MAPE antara 10% sampai 20%, akurasi dinyatakan biasa jika nilai MAPE antara 21% sampai 50%,
dan peramalan dinyatakan tidak akurat jika nilai MAPE lebih dari 50%.
Tabel 3. Tingkat Akurasi MAPE
Presentase MAPE Tingkat Akurasi
< 10% Akurasi peramalan tinggi
10% - 20% Akurasi peramalan baik
21% - 50% Akurasi peramalan biasa
>50% Peramalan tidak akurat
4. KESIMPULAN
Berdasarkan analisa dan pembahasan, dapat diambil beberapa kesimpulan, yang pertama adalah bahwa peramalan
penutupan harga saham harian sub sektor farmasi dapat diilustrasikan menggunakan geometric Brownian motion.
Kedua, prediksi penutupan harga saham harian sub sektor farmasi dilakukan pada bulan Desember 2020. Prediksi
penutupan harga saham harian sub sektor farmasi dilakukan pada 100, 1000 dan 10000 iterasi menghasilkan nilai
MAPE kurang dari 10% sehingga dapat disimpulkan bahwa tingkat akurasi metode geometric Brownian motion
untuk memprediksi penutupan harga saham harian sangat tinggi.
REFERENCES
[1] M. Azizah, M. I. Irawan, and E. R. M. Putri, “Comparison of stock price prediction using geometric Brownian motion
and multilayer perceptron,” AIP Conf. Proc., vol. 2242, no. June, 2020, doi: 10.1063/5.0008066.
[2] R. Sulistiawati, “Pengaruh Investasi Terhadap Pertumbuhan Ekonomi Dan Penyerapan Tenaga Kerja Serta Kesejahteraan
Masyarakat Di Provinsi Di Indonesia,” J. Ekon. Bisnis dan Kewirausahaan Untan, vol. 3, no. 1, p. 10500, 2012, doi:
10.26418/jebik.v3i1.9888.
[3] A. R. P. Barusman, Nurdiawansyah, T. L. P. Warganegara, and S. A. Mega, “Influence of company characteristics on
carbon disclosure emissions on manufacturing companies in indonesia,” Int. J. Adv. Sci. Technol., vol. 29, no. 6, pp.
1423–1431, 2020.
[4] F. I. W. Niansyah, P. Indriana, and A. Firmansyah, “Pemanfaatan Instrumen Derivatif Di Indonesia Dan Perbandingan
Standar Akuntansi Terkait Derivatif,” J. Ilm. Akunt. Kesatuan, vol. 6, no. 2, pp. 140–152, 2018.
[5] A. Ameci, A. R. P. Barusman, L. S. Amna, and R. Riswan, “Analisis Return Saham Dan Volume Perdagangan Saham
Pt Bukit Asam Tbk Di Masa Pandemi Covid-19,” Visionist, vol. 10, no. 1, pp. 1–7, 2021, [Online]. Available:
http://jurnal.ubl.ac.id/index.php/jmv/article/view/2027.
[6] M. H. Nguyen, “To cite this version : Document de Travail Working Paper Forecasting and risk management in the
Vietnam Stock Exchange Manh Ha Nguyen *,” 2018.
[7] A. P. Raneo and F. Muthia, “Penerapan Model GARCH Dalam Peramalan Volatilitas di Bursa Efek Indonesia,” J. Manaj.
Dan Bisnis Sriwij., vol. 16, no. 3, pp. 194–202, 2019, doi: 10.29259/jmbs.v16i3.7462.
[8] V. Maulidya, E. Apriliani, and E. R. M. Putri, “Prediksi Harga Saham Menggunakan Geometric Brownian Motion
Termodifikasi Kalman Filter dengan Konstrain,” Indones. J. Appl. Math., vol. 1, no. 1, pp. 6–18, 2020.
[9] F. U. Ulfah, “Ditopang Vaksin Corona, Bagaimana Rekomendasi Saham Farmasi?”
https://market.bisnis.com/read/20201208/189/1327839/ditopang-vaksin-corona-bagaimana-rekomendasi-saham-
farmasi.
[10] S. N. Z. Abidin and M. M. Jaffar, “Forecasting share prices of small size companies in Bursa Malaysia using geometric
Brownian motion,” Appl. Math. Inf. Sci., vol. 8, no. 1, pp. 107–112, 2014, doi: 10.12785/amis/080112.
[11] K. Reddy and V. Clinton, “Simulating stock prices using geometric Brownian motion: Evidence from Australian
companies,” Australas. Accounting, Bus. Financ. J., vol. 10, no. 3, pp. 23–47, 2016, doi: 10.14453/aabfj.v10i3.3.
[12] N. Parungrojrat and A. Kidsom, “Stock Price Forecasting: Geometric Brownian Motion and Monte Carlo Simulation