BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen harga saham LQ45 dan variabel independen inflasi, kurs USD, dan suku bunga bank Indonesia (BI rate). 3.2 Populasi dan Sampel Pada penelitian ini populasi yang menjadi objek penelitian adalah perusahaan yang tergabung dalam Indeks Saham LQ45 di Bursa Efek Indonesia, sedangkan sampel dipilih menggunakan metode purposive sampling. Sampel yang digunakan adalah perusahaan yang terdaftar dalam Indeks Saham LQ 45 selama 10 periode berturut-turut dengan periode Februari 2009 Januari 2014, yaitu AALI, ADRO, ASII, BBCA, BBNI, BBRI, BDMN, BMRI, INCO, INDF, INTP, ITMG, JSMR, KLBF, LPKR, LSIP, PGAS, PTBA, SMGR, TLKM, UNTR, dan UNVR. 34
35 3.3 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder dari Indeks LQ45 yang diunduh di http://www.finance.yahoo.com. Data yang digunakan merupakan data harga penutupan saham harian (closing price) dengan periode selama 5 tahun mulai 2 Februari 2009 hingga 31 Januari 2014, begitu pula periode yang sama untuk data inflasi kurs USD, dan suku bunga BI yang diunduh di http://www.bi.go.id. Data untuk profil setiap perusahaan diunduh di http://www.idx.co.id. 3.4 Teknik Analisis Data Dalam penelitian ini menggunakan dua teknik analsis yaitu ARIMA dan ARCH/GARCH. 3.4.1 Uji Stasioneritas Suatu series dikatakan stasioner apabila mean dan variance-nya konstan dari waktu ke waktu. Pengujian kestasioneran dalam mean dilakukan dengan uji correlogram yaitu autocorrelation function (ACF) dan partial autocorrelation function (PACF). Kestasioneran data dapat dilihat berdasarkan plot ACF dan PACF. Jika koefisien ACF berbeda secara signifikan dari nol atau berada di luar confidence limit
36 (5%) maka data dikatakan tidak stasioner, dan sebaliknya jika koefisien ACF tidak berbeda secara signifikan dari nol atau berada dalam confidence limit, maka data dikatakan stasioner. Jika data yang diolah bersifat tidak stasioner pada orde nol I(0), maka akan dilakukan pembedaan data (differencing) pada orde berikutnya sehingga diperoleh tingkat stasioneritas pada orde ke-n (first difference) I(1), atau second difference I(2), dan seterusnya. Setelah melakukan proses differencing maka data akan kembali diolah untuk mengetahui apakah data tersebut sudah stasioner atau belum. 3.4.2 Teknik Analisis ARIMA Langkah I : Identifikasi Model ARIMA Tahapan selanjutnya yaitu identifikasi model tentatif sementara. Data yang telah stasioner akan ditentukan ordo p dan q dari model ARMA menggunakan ACF dan PACF. Penentuan apakah suatu data time series dimodelkan dengan AR, MA, atau ARMA tergantung pada pola ACF dan PACF. Pola ACF dan PACF dapat dilihat pada Tabel 3.1.
37 Tabel 3.1 Pola Autokorelasi dan Autokorelasi Parsial Model Pola ACF Pola PACF Menurun secara AR(p) eksponensial atau pola Terdapat tiang pancang Sinusoidal yang tidak samapai lag p begitu jelas MA(q) Terdapat tiang pancang Menurun secara yang jelas sampai lag q eksponensial ARMA (p,q) Menurun secara eksponensial Menurun secara eksponensial Sumber : Gujarati, 2003 Jika koefisien ACF menurun secara eksponensial (bertahap), sedangkan koefisien PACF menurun drastis pada lag tertentu, maka modelnya adalah AR. Jika koefisien ACF menurun drastis pada lag tertentu, sedangkan PACF menurun secara eksponensial (bertahap), maka modelnya adalah MA. Sedangkan jika koefisien ACF dan PACF menurun secara eksponensial (bertahap), maka model yang tepat adalah ARMA. Secara umum dapat didefinisikan model ARIMA (p,d,q) dimana p dan q adalah tingkat lag (kelambanan) dan d adalah tingkat differencing. Sehingga dapat dicoba beberapa model tentatif ARIMA dengan AR(p) dan MA(q) pada tingkat differencing I(d). Setiap lag pada plot ACF dan PACF akan berada dalam garis batas autokorelasi, tetapi
38 lag yang melebihi garis batas (signifikan) diidentifikasi sebagai tingkat AR dan MA karena hal tersebut menunjukkan besarnya pengaruh pada lag tersebut. Langkah II : Estimasi Model Setelah ditentukan model tentatif ARIMA, maka akan dilakukan estimasi model. Pada tahap estimasi ini akan diuji kelayakan model tersebut untuk mendapatkan model terbaik. Kriteria untuk menentukan model terbaik dilakukan dengan nilai AIC (Akaike Information Criterion) dan SIC (Schwarz Information Criterion) terkecil (Gujarati, 2003). AIC dan SIC merupakan kriteria yang menyediakan ukuran informasi yang dapat menyeimbangkan ukuran kebaikan model dan efisiensi. Langkah III : Diagnostic Checking Setelah didapatkan model terbaik, maka perlu untuk melakukan uji diagnostik (model yang dipilih mampu menjelaskan data dengan baik) dengan melihat apakah residual yang diperoleh sudah bersifat white noise. Untuk melihat apakah residualnya bersifat white noise dapat dilakukan dengan correlogram ACF maupun PACF, jika
39 koefisien ACF maupun PACF secara individual probabilitasnya tidak signifikan (>5%) maka residual yang didapatkan bersifat white noise, sebaliknya jika koefisien ACF dan PACF signifikan maka dilakukan pemilihan model yang lain karena residual tidak bersifat white noise, apabila model dalam bentuk ARIMA, maka model persamaannya seperti pada persamaan (2.4). Langkah IV : Peramalan Peramalan akan dilakukan setelah ditemukan model yang tepat. Model terbaik yang telah terpilih akan digunakan untuk memprediksi harga saham dengan melihat seberapa besar selisih antara hasil peramalan dengan nilai sebenarnya. 3.4.3 Teknik Analisis ARCH/GARCH Langkah I : Uji ARCH Effect (Heterokedastisitas) Data yang akan diuji harus bersifat stasioner, jika belum maka data tersebut harus distasionerkan terlebih dahulu. Untuk mengetahui apakah terdapat unsur heterokedastisitas, dalam penelitian ini akan menggunakan uji Arch-LM (Lagrange Multiplier).
40 Hipotesis untuk pengujian ini adalah : H 0 : Tidak terdapat ARCH effect (homokedastisitas) H 1 : Terdapat ARCH effect (heterokedastisitas) Untuk menentukan apakah H 0 ditolak atau diterima, dapat dilihat berdasarkan besarnya probabilitas Chi-square (χ 2 ) dari hasil perkalian jumlah observasi (Obs) dengan nilai R-squared, jika χ 2 < 0.05, maka H 0 ditolak. Apabila terdapat unsur heterokedastisitas berarti data tersebut layak dimodelkan dengan Arch/Garch. Langkah II : Estimasi Model Garch (p,q) Estimasi model Arch/Garch tidak dapat dilakukan sekali saja, yang berarti harus melalui proses iteratif untuk mendapatkan hasil estimasi yang terbaik. Model Arch/Garch dalam penelitian ini akan diestimasi berdasarkan nilai AIC (Akaike Information Criterion) dan SIC (Schwarz Information Criterion) terkecil. Langkah III : Uji Diagnostik Residual Langkah selanjutnya adalah evaluasi hasil estimasi model untuk mengetahui apakah model terpilih sudah homekedastik dan sudah tidak ada korelasi serial dalam residual. Pengujian
41 homokedastik dilakukan menggunakan uji Arch-LM (Lagrange Multiplier), dan pengujian korelasi menggunakan uji Ljung-Box. Peramalan hanya dapat dilakukan jika model sudah tidak mengandung heterokedastisitas. Jika model dalam bentuk Arch, maka persamaannya seperti pada persamaan (2.5), sedangkan jika dalam bentuk Garch, maka persamaannya seperti pada persamaan (2.6). Model Garch dapat juga ditulis dengan persamaan sebagai berikut : LQ45 = β 0 + β 1 Inflasi + β 2 BI rate + β 3 USD + ε t... (3.1) Langkah IV : Peramalan Setelah data sudah tidak mempunyai unsur heterokedastisitas, maka akan dilakukan peramalan dengan model terbaik. Untuk evaluasi kesalahan peramalan akan dihitung berdasarkan besarnya selisih antara nilai ramalan dengan nilai aktual. 3.5 Perbandingan Akurasi Kriteria keakuratan dalam memprediksi harga saham menggunakan Arima dan Arch/Garch akan ditentukan dengan menghitung besarnya selisih nilai absolut antara nilai hasil ramalan dengan nilai
42 aktual. Teknik yang memiliki selisih lebih sedikit dengan nilai aktualnya merupakan teknik analisis yang lebih akurat.