Ini adalah salah satu projek saya yang saya kerjakan pada saat kuliah, dengan judul yaitu

Analisis Fundamental dan Prediksi Harga Saham Perusahaan Asuransi Umum.

Latar belakang saya mengambil penelitian ini adalah saya melihat perusahaan Asuransi
sebagai salah satu sub-sektor usaha keuangan dengan prospek baik di Indonesia, meskipun
terjadi fluktuasi selama awal pandemi COVID-19.
Dan untuk penelitian ini saya mengambil sampel sebanyak tiga saham perusahaan asuransi
umum, yaitu ASRM, LPGI, dan AMAG. Saya mengambil 3 sampel tersebut berdasarkan
sumber dari Bloomberg tahun 2020, dimana 3 sampel saham tersebut memiliki nilai saham
awal yang cukup tinggi di kondisi pandemi pada tahun 2020 lalu. Ketiga saham tersebut
memiliki nilai return (%) positif yang artinya perusahaan masih memperoleh keuntungan
modal (capital gain) di antara saham-saham asuransi umum lainnya.
Variabel penelitian yang dipakai disini adalah
Independen: rasio keuangan DER, PBV, PER, EPS
Dependen: Harga Closing Saham sampel perusahaan asuransi umum di Indonesia.

Metode:
Pertama, metode yang digunakan adalah Regresi Multilinear atau Regresi Linear
Berganda digunakan untuk analisis fundamental yang dimana untuk melihat besar pengaruh
rasio finansial terhadap harga saham perusahaan. Untuk pengujian regresi linear berganda
akan dilakukan pengujian uji asumsi klasik.
Kedua, Exponential Smoothing untuk mengetahui hasil prediksi harga saham harian pada tiga
tahun mendatang. Yaitu dengan menggunakan holts method
Ketiga, Autoregressive Integrated Moving Average (ARIMA) untuk mengetahui hasil
prediksi harga saham harian pada tiga tahun mendatang.
Dan dengan metode exponential smoothing dan arima, akan didapatkan tingkat Akurasi hasil
prediksi harga closing saham yaitu berupa nilai MAPE. Lalu nilai MAPE yang didapatkan
dari metode exponential smoothing dan arima, akan dilakukan perbandingan tingkat akurasi
prediksi terbaik untuk menentukan metode mana yang cocok untuk memprediksi harga
closing saham perusahaan asuransi umum Indonesia dengan memilih nilai MAPE yang
terkecil.

Proses penelitian diawali dengan cleaning data dari data sekunder yang sudah saya dapatkan
dengan bantuan R Studio. Untuk melihat gambaran secara umum tentang distribusi sampel
yang digunakan dalam penelitian, maka digunakan visualisasi data yaitu menggunakan
boxplot. Dapat dilihat dari ketiga variabel yang digunakan untuk analisa fundamental,
terdapat 2 outlier pada kedua harga saham asuransi, ASRM memiliki outlier minimum, dan
AMAG memiliki outlier maksimum. Selanjutnya, berikut ini merupakan visualisasi boxplot
dari masing-masing rasio financial yang digunakan dalam penelitian.
Langkah selanjutnya yaitu, analisa proses regresi. Karena langkah untuk proses regresi
sampai forecasting pada ketiga sampel saham caranya sama, maka saya akan menjelaskan 1
sampel saham saja yaitu AMAG.

Proses penelitian AMAG

Berdasarkan hasil pengujian asumsi klasik, saham AMAG telah lulus seluruh uji asumsi
klasik seperti yang terlihat pada tabel hasil pvalue lebih besar dari alpha 0,05.
Berdasarkan hasil matriks korelasi, terdapat korelasi yang tinggi antara PBV dengan Harga
Closing Saham AMAG sebesar 0.99.
Karena saham AMAG sudah memenuhi seluruh uji asumsi klasik, artinya model regresi pada
penelitian dapat digunakan sebagai dasar analisis dan tidak perlu dilakukan backward
elimination.
Berdasarkan hasil dari model regresi linier berganda, didapatkan persamaan regresi sebagai
berikut dengan variabel yang paling berpengaruh signifikan terhadap harga closing saham
AMAG adalah PBV yaitu dengan p value=8.21 x 10^-11
Multiple R-squared yang didapatkan juga cukup besar yaitu sebesar 0.9915 yang artinya
Harga Closing Saham AMAG dapat dijelaskan oleh variabel independen tersebut sebesar
99.15% sedangkan 0.85% dijelaskan oleh variabel lain diluar model, variabel lain diluar
model yaitu rasio finansial lainnya diluar penelitian ini, jika ingin dilakukan penelitian lebih
lanjut.

Selanjutnya dari hasil metode Double Exponential Smoothing menggunakan holts method
menunjukkan penurunan pada harga saham ASRM dan stabilitas serta sedikit kenaikan pada
harga saham AMAG dan LPGI. Tes tingkat akurasi saham dengan MAPE terbaik pada tiga
sampel saham secara berurutan adalah AMAG, LPGI, dan ASRM dilihat dari nilai MAPE
yang terkecil. Model hasil forecasting LPGI dan ASRM dapat dikategorikan sebagai model
yang layak dan AMAG memiliki akurasi model yang baik.

Selanjutnya proses analisis forecasting dengan metode ARIMA pada saham AMAG
pertama kami melakukan uji seasonality data harga closing saham AMAG
menggunakan metode Friedman Rank Test dengan menggunakan frekuensi sebesar 7 yaitu
menunjukkan data harian. Pada hasil pengujian, didapatkan nilai p-value sebesar 0,66. Jika p-
value>alpha, maka menyatakan bahwa data saham harian ASRM tidak bersifat seasonal dan
juga dapat dilihat dengan pergerakan grafik pada saham tersebut.
Untuk mendapatkan hasil prediksi yang akurat serta untuk menghindari terjadinya
underfitting dan overfitting, maka pada metode ARIMA dilakukan pemisahan dilakukan
pemisahan yaitu data training diambil sebanyak 70% dan data testing sebesar 30%.
Pengujian stationary mean dilakukan melalui metode ADF Test dengan jumlah lag sebesar
10. Pada hasil pengujian, didapatkan nilai p-value sebesar 0,02299. Jika p-value<alpha, maka
akan menerima Alternative Hypothesis dimana menyatakan bahwa data saham harian AMAG
bersifat stasioner secara mean. Kemudian berdasarkan hasil Archtest pada train,
menunjukkan bahwa data belum bersifat stasioner secara variance. Oleh karena itu, akan
dilakukan transformasi data dengan menggunakan metode Box Cox Transformation.
Berdasarkan hasil grafik di atas, menunjukkan bahwa hasil lambda adalah 0,07, yang
menyatakan data dapat dilakukan transformasi dengan nilai 0,07 yang dipangkatkan pada
variabel data training seperti yang dilakukan pada gambar diatas.
Berdasarkan pola pada grafik ACF menunjukkan penurunan landai secara perlahan pada
setiap lag. Oleh karena itu, nilai parameter untuk MA bernilai nol. Sedangkan pola pada
grafik PACF menunjukkan bahwa terdapat garis yang mendekati nol setelah lag q. Oleh
karena itu nilai yang termasuk pada parameter AR adalah berada di lag 1, lag 2, lag 3, dan lag
5.
Selanjutnya, berdasarkan plot ACF dan PACF model ARIMA yang memungkinkan untuk
saham AMAG adalah (1,0,0), (2,0,0), (3,0,0), dan (5,0,0). Setelah melakukan identifikasi
model, maka dilakukan pendugaan parameter model dan uji signifikansi koefisien. Diperoleh
model terbaik dengan menggunakan nilai AIC yang terkecil yaitu saham LPGI dengan model
ARIMA (5,0,0).
Hasil uji untuk menentukan keacakan residual dengan menggunakan Ljung-Box Test pada
saham AMAG berada di model 4 yaitu dengan p-value sebesar 0,2411. Karena p-value yang
diperoleh > 0,05, maka hasil residualnya memenuhi asumsi white noise dan artinya tentative
model 4 diterima.
Tes tingkat akurasi MAPE pada saham AMAG dengan ARIMA, yaitu sebesar 1,260801 dan
membuktikan bahwa kekuatan model prediksi sangat baik. Berdasarkan hasil prediksi dari
saham sampel AMAG menggunakan metode ARIMA menunjukkan cenderung stabil dengan
sedikit peningkatan di awal forecast pada harga saham AMAG dalam 2 tahun mendatang.
Setelah didapatkan hasil MAPE dari ketiga sampel saham menggunakan double exponential
smoothing dan ARIMA, dilakukan komparasi dan dapat dilihat bahwa metode ARIMA
memberikan hasil MAPE terbaik.

Leverage Ratio (long term solvency ratio), seberapa mampu untuk mengelolah liabilitas
perusahaan, akan ada investmentnya, liabilitynya: short-long term debt, tolak ukur
perusahaan asuransi dalam membayar claim

DER (leverage): Baik jika DER kecil, artinya utang perusahaan masih dapat ditoleransi
Leverage Ratio (long term solvency ratio), seberapa mampu untuk mengelolah liabilitas
perusahaan, akan ada investmentnya, liabilitynya: short-long term debt, tolak ukur
perusahaan asuransi dalam membayar claim

PBV (market value): Baik jika PBV kecil, artinya harga murah (bandingkan dalam industri
sejenis)
Mengevaluasi saham kemahalan/kemurahan terhadap kinerja perusahaan, bentuknya profit,
lebih dekat dengan market price, semakin kecil PBV semakin bagus tetapi dilihat juga dari
profit perusahaan.
Mengapa yakin dengan PBV?
Karena PBV dapat melihat market value yaitu overvalue/undervalue.
Overvalue: Harga saham perdana lebih besar dari harga yang terjadi pada saat saham tersebut
mulai diperdagangkan di pasar sekunder.
Undervalue: suatu fenomena yang menunjukkan bahwa harga saham di pasar perdana lebih
rendah dibandingkan dengan harga di pasar sekunder.

PER (market value): Baik jika PER kecil, artinya harga murah (bandingkan dalam industri
sejenis)
Semakin tinggi, semakin baik. tetapi kalau terlalu tinggi juga tidak seimbang dan cenderung
tidak stabil. Kalau PER tinggi, harga saham juga tinggi.
EPS (market value): Baik jika meningkat, artinya perusahaan bertumbuh (bandingkan dengan
periode sebelumnya)
laba naik, maka EPS akan naik. berkaitan dengan profit perusahaan

Jika mau nambah variabel: Current Ratio

Overfitting: Overfitting menjadi masalah karena tujuan kita adalah ingin mendapat tren dari
sebuah dataset. Model ini menangkap semua tren tetapi bukan tren yang dominan. Model pun
tidak bisa menghasilkan output yang reliable karena tidak memiliki kemampuan untuk dapat
memprediksi kemungkinan output untuk input yang belum pernah diketahui.
- Data yang Dipakai Kurang Variatif
- Model Terlalu Kompleks

Underfitting: Underfitting merupakan keadaan dimana model machine learning tidak bisa
mempelajari hubungan antara variabel dalam data serta memprediksi atau mengklasifikasikan
data point baru.
- Model Terlalu Sederhana

Hasil akurat didukung dengan Uji Asumsi Klasik, dimana harus memenuhi uji asumsi klasik
terlebih dahulu agar dapat dilihat variabel dependen mana yang paling berpengaruh
signifikan dengan variabel independent

Pentingnya Uji Asumsi Klasik

Melakukan uji asumsi klasik sebelum menguji hipotesis dianggap sebagai sebuah syarat yang
harus dilakukan pada penelitian kuantitatif.
Tujuan pengujian asumsi klasik ini adalah untuk memberikan kepastian bahwa persamaan
regresi yang didapatkan memiliki ketepatan dalam estimasi, tidak bias dan konsisten. Asumsi
klasik adalah syarat-syarat yang harus dipenuhi pada model regresi linear agar model tersebut
menjadi valid
Uji Hipotesis
Uji Normalitas
Uji Linearitas

Uji Homoskedasitas
Uji Autokorelasi

Uji Multikolinearitas

Double Exponential Smoothing

Level adalah estimasi yang dimuluskan dari nilai data pada akhir masingmasing periode
(Rumus Lt).
Trend adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing
periode (Rumus Yt).
Rumus Yt+p adalah rumus forecast.
Rumus error = Data Closing (data testing) – Data Forecast (data training)
Rumus MAPE=error/Data Closing
Nilai alpha dan beta dari solver, dengan objectivenya RMSE
Data training: 1-883, testing: 884-1262
Data training: forecasting, data testing: actual

MAPE (Mean absolute percentage error)

RMSE (Root-mean-square deviation)

Tujuan pendekatan Bayesian yang memotivasi BIC adalah untuk mengidentifikasi model
dengan probabilitas tertinggi untuk menjadi yang benar
model untuk data, dengan asumsi bahwa salah satu model yang dipertimbangkan benar.
Derivasi AIC, di sisi lain, secara eksplisit menyangkal
keberadaan model sejati yang dapat diidentifikasi dan sebagai gantinya menggunakan
prediksi yang diharapkan dari data masa depan sebagai kriteria utama kecukupan suatu
model.
Contoh. ukurannya sebagian besar kecil, jadi penyesuaian sampel kecil AIC juga
melakukannya
baik, kadang-kadang bahkan lebih baik dari BIC dan sebagian besar kriteria lainnya. Sebagai
diharapkan, AIC berkinerja terbaik dalam simulasi sampel besar di mana
model sebenarnya tidak disertakan.
AIC dapat digunakan untuk forecasting.
BIC untuk overfitting.
Underpricing klo harga dari saham di hari itu < closing price harga sebelumnya.
Underpricing merupakan suatu fenomena yang menunjukkan bahwa harga saham di pasar
perdana lebih rendah dibandingkan dengan harga di pasar sekunder.

Overpricing: Harga saham perdana lebih besar dari harga yang terjadi pada saat saham
tersebut mulai diperdagangkan di pasar sekunder. Kondisi harga saham tersebut disebut
overpricing.

Offering: Stocknya sebelum IPO

Untungnya gede: PBV nya gede, kepercayaan jg gede karena overprice. Klo PBV nya kecil,
stabil jdi org2 bisa kesitu. Nyari PBV yang dibawah satu.

Koefisien korelasi bernilai 0 (nol), berarti tidak ada hubungan antara kedua variabel tersebut.
Koefisien korelasi bernilai negatif, berarti hubungan antara kedua variabel tersebut negatif
atau saling berbanding terbalik
Korelasi terbalik bergerak ke arah yang berlawanan dan beberapa contohnya meliputi:
* Saldo bank menurun karena peningkatan kebiasaan belanja individu.
* Seorang pengemudi meningkatkan kecepatan mengemudi hariannya dan jarak tempuh
bahan bakarnya berkurang.
* Pasar obligasi menurun karena saham mulai naik dan pasar obligasi berjalan dengan baik
ketika saham tidak berkinerja baik.

Koefisien korelasi bernilai positif, berarti hubungan antara kedua variabel tersebut positif
atau saling berbanding lurus
Korelasi positif bergerak ke arah yang sama dan beberapa contohnya meliputi:
* Meningkatkan jam kerja Anda akan menyebabkan jumlah gaji Anda meningkat.
* Sebuah perusahaan menghabiskan lebih banyak uang untuk iklan dan pelanggan mulai
membeli lebih banyak produk atau layanan dari perusahaan itu.

Proses penelitian ASRM

Selanjutnya adalah hasil dan pembahasan pada penelitian kami yaitu yang pertama analisis
fundamental pada proses penelitian saham ASRM.
Berdasarkan hasil pengujian asumsi klasik, saham ASRM telah lulus seluruh uji asumsi
klasik
artinya model regresi pada penelitian dapat digunakan sebagai dasar analisis dan tidak perlu
dilakukan backward elimination.
Kemudian dari hasil matriks korelasi, terdapat korelasi yang tinggi antara PBV dengan Harga
Closing Saham ASRM sebesar 0.66.
Dan Berdasarkan hasil dari model regresi linier berganda, didapatkan persamaan regresi
sebagai berikut dengan variabel yang paling berpengaruh signifikan terhadap harga closing
saham ASRM adalah PBV dengan p value yang paling kecil yaitu 0,0328.
Selain itu, hasil Multiple R-squared yang didapatkan juga cukup besar yaitu 0,5073 dimana
Harga Closing Saham ASRM dapat dijelaskan oleh variabel independen tersebut. sedangkan
49.27% dijelaskan oleh variabel lain diluar model, yaitu rasio finansial lainnya diluar
penelitian ini, apabila ingin dilakukan penelitian lebih lanjut.

Proses penelitian LPGI

Yang kedua adalah proses penelitian saham LPGI.
Berdasarkan hasil pengujian asumsi klasik, saham LPGI telah lulus seluruh uji asumsi klasik
seperti yang terlihat pada tabel dimana hasil pvalue lebih besar dari alpha 0,05.
Berdasarkan hasil matriks korelasi, terdapat korelasi yang tinggi antara DER dengan Harga
Closing Saham LPGI sebesar 0.78.
Karena saham LPGI sudah memenuhi seluruh uji asumsi klasik, artinya model regresi pada
penelitian dapat digunakan sebagai dasar analisis dan tidak perlu dilakukan backward
elimination.
Berdasarkan hasil dari model regresi linier berganda, didapatkan persamaan regresi sebagai
berikut dengan variabel yang paling berpengaruh signifikan terhadap harga closing saham
LPGI adalah DER yaitu dengan p value=0,000101 dan PBV yaitu dengan p value=0.007656
Multiple R-squared yang didapatkan juga cukup besar yaitu sebesar 0.8473 yang artinya
Harga Closing Saham LPGI dapat dijelaskan oleh variabel independen tersebut sebesar
84.73% sedangkan 15.27% dijelaskan oleh variabel lain diluar model, variabel lain diluar
model yaitu rasio finansial lainnya diluar penelitian ini, jika ingin dilakukan penelitian lebih
lanjut.

Proses penelitian AMAG

Yang ketiga adalah proses penelitian saham AMAG.
Berdasarkan hasil pengujian asumsi klasik, saham AMAG telah lulus seluruh uji asumsi
klasik seperti yang terlihat pada tabel hasil pvalue lebih besar dari alpha 0,05.
Berdasarkan hasil matriks korelasi, terdapat korelasi yang tinggi antara PBV dengan Harga
Closing Saham AMAG sebesar 0.99.
Karena saham AMAG sudah memenuhi seluruh uji asumsi klasik, artinya model regresi pada
penelitian dapat digunakan sebagai dasar analisis dan tidak perlu dilakukan backward
elimination.
Berdasarkan hasil dari model regresi linier berganda, didapatkan persamaan regresi sebagai
berikut dengan variabel yang paling berpengaruh signifikan terhadap harga closing saham
AMAG adalah PBV yaitu dengan p value=8.21 x 10^-11
Multiple R-squared yang didapatkan juga cukup besar yaitu sebesar 0.9915 yang artinya
Harga Closing Saham AMAG dapat dijelaskan oleh variabel independen tersebut sebesar
99.15% sedangkan 0.85% dijelaskan oleh variabel lain diluar model, variabel lain diluar
model yaitu rasio finansial lainnya diluar penelitian ini, jika ingin dilakukan penelitian lebih
lanjut.

ARIMA LPGI
Selanjutnya, yang kedua adalah analisis forecasting dengan metode ARIMA pada saham
LPGI
pertama kami melakukan uji seasonality data harga closing saham LPGI menggunakan
metode Friedman Rank Test dengan menggunakan frekuensi sebesar 7 yaitu menunjukkan
data harian. Pada hasil pengujian, didapatkan nilai p-value sebesar 0,885. Jika p-value>alpha,
maka menyatakan bahwa data saham harian LPGI tidak bersifat seasonal dan juga dapat
dilihat dengan pergerakan grafik pada saham tersebut.
Untuk mendapatkan hasil prediksi yang akurat serta untuk menghindari terjadinya
underfitting dan overfitting, maka pada metode ARIMA dilakukan pemisahan yaitu data
training diambil sebanyak 70% dan data testing sebesar 30%.
Lalu, pengujian stationary mean dilakukan melalui metode ADF Test dengan jumlah lag
sebesar 10. Pada hasil pengujian, didapatkan nilai p-value sebesar 0,526. Jika p-value>alpha,
maka akan menerima hipotesis nol dimana menyatakan bahwa data saham harian LPGI
bersifat tidak stasioner secara mean. Kemudian berdasarkan hasil Archtest pada training,
menunjukkan bahwa data belum bersifat stasioner secara variance. Karena data masih bersifat
belum stasioner mean dan stasioner variance, maka akan dilakukan transformasi data dengan
menggunakan metode Box Cox Transformation dan juga differencing agar data stasioner
mean.
Berdasarkan hasil grafik di atas, menunjukkan bahwa hasil lambda adalah 0,994 dimana akan
dibulatkan menjadi 1, yang menyatakan data dapat dilakukan transformasi dengan nilai 1
yang dipangkatkan pada variabel data training seperti yang dilakukan pada gambar diatas.
Berdasarkan pola pada grafik ACF menunjukkan penurunan landai secara perlahan pada
setiap lag. Oleh karena itu, nilai parameter untuk MA bernilai nol. Sedangkan pola pada
grafik PACF menunjukkan bahwa terdapat garis yang mendekati nol setelah lag q. sehingga
nilai yang termasuk pada parameter AR adalah berada di lag 1, lag 2, lag 3, dan lag 8.
Dikarenakan data training pada saham LPGI belum stasioner secara mean, maka peneliti
melakukan differencing sebanyak satu kali. Berikut ini merupakan hasil pengujian Stationary
Mean dan Variance Test pada data training yang telah dilakukan differencing. Pengujian
stationary mean dilakukan melalui metode ADF Test dengan jumlah lag sebesar 10. Pada
hasil pengujian, didapatkan nilai p-value sebesar 0,01. Jika p-value<alpha, maka akan
menerima alternative hypothesis dimana menyatakan bahwa data saham harian LPGI sudah
bersifat stasioner secara mean.
Selanjutnya, berdasarkan plot ACF dan PACF model ARIMA yang memungkinkan untuk
saham LPGI adalah (1,1,0), (2,1,0), (3,1,0), dan (8,1,0). Setelah melakukan identifikasi
model, maka dilakukan pendugaan parameter model dan uji signifikansi koefisien. Diperoleh
model terbaik dengan menggunakan nilai AIC yang terkecil yaitu saham LPGI dengan model
ARIMA (8,1,0).
Hasil uji untuk menentukan keacakan residual dengan menggunakan Ljung-Box Test pada
saham LPGI berada di model 4 yaitu dengan p-value sebesar 0,5181. Karena p-value yang
diperoleh > 0,05, maka hasil residualnya memenuhi asumsi white noise dan artinya tentative
model 4 diterima.
Tes tingkat akurasi MAPE pada saham LPGI dengan ARIMA, yaitu sebesar 10,37647 dan
membuktikan bahwa kekuatan model prediksi baik.
Berdasarkan hasil prediksi dari saham sampel LPGI menggunakan metode ARIMA
menunjukkan cenderung stabil pada harga saham LPGI dalam 2 tahun mendatang.

ARIMA AMAG
yang ketiga adalah analisis forecasting dengan metode ARIMA pada saham AMAG
pertama kami melakukan uji seasonality data harga closing saham AMAG
menggunakan metode Friedman Rank Test dengan menggunakan frekuensi sebesar 7 yaitu
menunjukkan data harian. Pada hasil pengujian, didapatkan nilai p-value sebesar 0,66. Jika p-
value>alpha, maka menyatakan bahwa data saham harian ASRM tidak bersifat seasonal dan
juga dapat dilihat dengan pergerakan grafik pada saham tersebut.
Untuk mendapatkan hasil prediksi yang akurat serta untuk menghindari terjadinya
underfitting dan overfitting, maka pada metode ARIMA dilakukan pemisahan dilakukan
pemisahan yaitu data training diambil sebanyak 70% dan data testing sebesar 30%.
Pengujian stationary mean dilakukan melalui metode ADF Test dengan jumlah lag sebesar
10. Pada hasil pengujian, didapatkan nilai p-value sebesar 0,02299. Jika p-value<alpha, maka
akan menerima Alternative Hypothesis dimana menyatakan bahwa data saham harian AMAG
bersifat stasioner secara mean. Kemudian berdasarkan hasil Archtest pada train,
menunjukkan bahwa data belum bersifat stasioner secara variance. Oleh karena itu, akan
dilakukan transformasi data dengan menggunakan metode Box Cox Transformation.
Berdasarkan hasil grafik di atas, menunjukkan bahwa hasil lambda adalah 0,07, yang
menyatakan data dapat dilakukan transformasi dengan nilai 0,07 yang dipangkatkan pada
variabel data training seperti yang dilakukan pada gambar diatas.
Berdasarkan pola pada grafik ACF menunjukkan penurunan landai secara perlahan pada
setiap lag. Oleh karena itu, nilai parameter untuk MA bernilai nol. Sedangkan pola pada
grafik PACF menunjukkan bahwa terdapat garis yang mendekati nol setelah lag q. Oleh
karena itu nilai yang termasuk pada parameter AR adalah berada di lag 1, lag 2, lag 3, dan lag
5.
Selanjutnya, berdasarkan plot ACF dan PACF model ARIMA yang memungkinkan untuk
saham AMAG adalah (1,0,0), (2,0,0), (3,0,0), dan (5,0,0). Setelah melakukan identifikasi
model, maka dilakukan pendugaan parameter model dan uji signifikansi koefisien. Diperoleh
model terbaik dengan menggunakan nilai AIC yang terkecil yaitu saham LPGI dengan model
ARIMA (5,0,0).
Hasil uji untuk menentukan keacakan residual dengan menggunakan Ljung-Box Test pada
saham AMAG berada di model 4 yaitu dengan p-value sebesar 0,2411. Karena p-value yang
diperoleh > 0,05, maka hasil residualnya memenuhi asumsi white noise dan artinya tentative
model 4 diterima.
Tes tingkat akurasi MAPE pada saham AMAG dengan ARIMA, yaitu sebesar 1,260801 dan
membuktikan bahwa kekuatan model prediksi sangat baik.
Berdasarkan hasil prediksi dari saham sampel AMAG menggunakan metode ARIMA
menunjukkan cenderung stabil
dengan sedikit peningkatan di awal forecast pada harga saham AMAG dalam 2 tahun
mendatang.