pengaplikasian metode bootstrap dalam...
TRANSCRIPT
![Page 1: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/1.jpg)
PENGAPLIKASIAN METODE BOOTSTRAP DALAM
MEMBANGUN SELANG KEPERCAYAAN PREDIKSI PADA
MODEL ARMA-ARCH
(Studi Kasus: Harga Saham Penutupan PT Fortune Mate
Indonesia Tbk)
SKRIPSI
Maria Ulfah Latifah
11150940000003
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
2019 M / 1441 H
![Page 2: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/2.jpg)
i
PENGAPLIKASIAN METODE BOOTSTRAP DALAM
MEMBANGUN SELANG KEPERCAYAAN PREDIKSI PADA
MODEL ARMA-ARCH
(Studi Kasus: Harga Saham Penutupan PT Fortune Mate
Indonesia Tbk)
Skripsi
Diajukan kepada
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Fakultas Sains dan Teknologi
Untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Matematika (S.Mat)
Oleh:
Maria Ulfah Latifah
11150940000003
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
2019 M / 1441 H
![Page 3: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/3.jpg)
ii
![Page 4: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/4.jpg)
iii
![Page 5: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/5.jpg)
iv
PERSEMBAHAN
Karya ini ku persembahkan untuk keluarga tercinta.
Terutama untuk Apa dan Mamah, Kakek, Nenek, dan adik-adikku
Serta saudara-saudaraku yang selalu memberi semangat tanpa henti.
MOTTO
سرا عسر ي
ن مع ال ا
“Sesungguhnya Bersama Kesulitan itu Ada Kemudahan” (Q.S. Al-
Insyirah :6)
عهاسل ا و سا ا
ف الله ن ف
كل لا ي
“Allah tidak membebani seseorang melainkan sesuai dengan
kemampuannya” (Q.S. Al-Baqarah :286)
د د وج ج من
(Siapa yang Bersungguh-sungguh, Dia Berhasil)
![Page 6: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/6.jpg)
v
KATA PENGANTAR
Assalamu’alaikum Wr. Wb.
Alhamdulillah segala puji syukur kehadirat Allah SWT yang telah memberi
nikmat dan karunia-Nya sehingga penelitian dengan judul “Pengaplikasian
Metode Bootstrap dalam Membangun Selang Kepercayaan Prediksi pada
Model ARMA-ARCH (Studi Kasus: Harga Saham Penutupan PT Fortune
Mate Indonesia Tbk)” dapat terselesaikan dengan maksimal. Shalawat beserta
salam semoga selalu tercurahkan kepada junjungan alam yakni Nabi Muhammad
SAW, serta kepada keluarganya, para sahabatnya, tabi’in dan tabi’atnya serta kita
selaku umatnya yang mudah-mudahan mendapatkan syafaatul uzma nanti di
yaumil qiyamah. Aamiin.
Peneliti menyadari bahwa penyusunan skripsi ini dapat diselesaikan karena
dukungan dan bantuan dari beberapa pihak. Untuk itu, pada kesempatan ini
peneliti ingin menyampaikan terimaksih kepada:
1. Ibu Prof. Dr. Lily Surraya Eka Putri, M.Env. Stud., selaku Dekan Fakultas
Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
2. Ibu Dr. Suma’inna, M.Si., selaku Ketua Program Studi Matematika Fakultas
Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
3. Ibu Irma Fauziah, M.Sc., selaku Sekretaris Program Studi Matematika
Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah
Jakarta.
4. Ibu Dr. Nur Inayah, M.Si., selaku Pembimbing I dan Ibu Madona Yunita
Wijaya, M.Sc., selaku Pembimbing II, terimakasih atas pengarahan dan
sarannya kepada peneliti selama melakukan penyusunan skripsi ini.
5. Ibu Yanne Irene, M.Si., selaku Penguji I dan Bapak Mahmudi, M.Si., selaku
Dosen Penguji II, terimakasih atas kritik dan sarannya kepada peneliti selama
melakukan seminar hasil skripsi dan sidang skripsi.
6. Seluruh Ibu dan Bapak Dosen Program Studi Matematika yang telah
memberikan ilmu-ilmunya dan pengalaman yang bermanfaat kepada peneliti.
![Page 7: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/7.jpg)
vi
7. Kedua orang tua peneliti, Apa H. Ajat Sudrajat dan Mamah Hj. Ella Rohilah.
Serta Nenek dan Kakek peneliti Mak Hj. Karnah dan Alm. Baba H. Kanin,
serta Mak Enen dan Bapak Udin, adik-adik peneliti yaitu Jang Ahmad Idrus
dan Jang Syahdan, saudara sepupu Teh Rosyidah, Teh Hanna, Teh hilma, Teh
Uswah, Teh Rohmah, serta Uwa dari keluarga Apa, dan segenap keluarga
besar Bani Saepudin. Terimakasih atas doa dan pemberi semangat yang tiada
henti kepada peneliti dalam proses mengerjakan skripsi ini, dan terimakasih
atas dukungan baik berupa materi maupun non-materi serta kasih sayang
yang sangat besar kepada peneliti.
8. Ketiga teman kosan yakni Syifa Afiah, Iis Sholehah dan Siti Nur Aisyah serta
teman-teman sabilussalam angkatan 2015 terutama Royhanah, Lu’luil
Maknun, Teh Ipah, Fadhliyah, Kak Fella, Kak Fidya dan Kak Nike yang telah
mengukir cerita bersama peneliti selama di Pesantren Sabilussalam.
9. Seluruh teman Matematika 2015 terimakasih atas doa, motivasi, dan
dukungan serta bantuan dari awal semester hingga saat ini. Terutama kepada
Windi Mutia Jamilus, Suci Martina, Mustika, Sri Putri dan Marisa yang telah
sering mendengarkan keluh kesah dan berbagi cerita selama masa
perkuliahan.
10. Teman-teman KKN KINANDARI, terimakasih telah mengukir cerita selama
satu bulan bersama di Desa Tanjungsari.
11. HIMATIKA UIN Syarif Hidayatullah Jakarta yang telah mengajarkan
peneliti banyak hal baik dalam organisasi maupun akademik. Terutama Kak
Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing
peneliti dalam organisasi, juga Kak Laili, Kak Aisyah dan Kak Icha yang
telah memberi pencerahan kepada peneliti saat mengerjakan penelitian ini.
12. HIQMA UIN Syarif Hidayatullah Jakarta yang telah mengajarkan peneliti
lebih mengenal dan memperbaiki bacaan Al-Qur’an, terutama kepada Kak
Nunuk Rima Aini dan Kak Firman selaku mentor tahsin, dan Kak Ummi, Kak
Nella dan Kak Handini selaku pembimbing Syarhil Qur’an.
13. Teman seperjuangan Eka Hidayanti, Nunik Parwati, Nurul Apriani, Fitria
Eka, dan semua teman-teman yang terlibat dalam penelitian ini.
![Page 8: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/8.jpg)
vii
14. Seluruh pihak yang telah membantu peneliti dalam penyusunan skripsi ini
tanpa mengurangi rasa hormat peneliti tidak dapat sebutkan satu-persatu.
Peneliti menyadari bahwa dalam penyusunan skripsi ini masih banyak
kekurangan. Oleh sebab itu, peneliti mengharapkan kritik dan saran yang bersifat
membangun untuk perbaikan di masa yang akan datang. Terakhir, peneliti
berharap semoga penyusunan skripsi ini bermanfaat.
Wassalamu’alaikum Wr. Wb.
Jakarta, 22 Oktober 2019
Penulis
![Page 9: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/9.jpg)
viii
![Page 10: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/10.jpg)
ix
ABSTRAK
Maria Ulfah Latifah, Pengaplikasian Metode Bootstrap dalam Membangun
Selang Kepercayaan Prediksi pada Model ARMA-ARCH (Studi Kasus: Harga
Saham Penutupan PT Fortune Mate Indonesia Tbk). Di bawah bimbingan Dr.
Nur Inayah, M.Si dan Madona Yunita Wijaya, M.Sc.
Prediksi merupakan hal yang penting dalam analisis runtun waktu karena untuk
mengambil tindakan yang tepat untuk ke depannya. Dalam memprediksi biasanya
disertai dengan pembuatan selang kepercayaan. Pembuatan selang kepercayaan
dengan pendekatan tradisional diasumsikan bahwa data memiliki suatu distribusi
yang diketahui, sedangkan pada sebagian aplikasi asumsi tersebut tidak dipenuhi
sehingga selang kepercayaan tidak valid. Pada penelitian data harga saham
kemungkinan juga terjadi pelanggaran homoskedastisitas, sehingga selang
kepercayaan yang dibangun memiliki heteroskedastisitas. Untuk itu dalam
mengatasi masalah ini, metode bootstrap digunakan untuk membangun selang
kepercayaan prediksi pada model ARMA-ARCH terbaik dengan pengulangan
residual sebanyak B = 500, 1000 dan 5000 kali. Di akhir skripsi akan
dibandingkan selang kepercayaan pendekatan tradisional dan pendekatan
bootstrap persentil dengan mencari nilai mean dari length selang. Tingkat
kepercayaan yang digunakan yaitu sebesar 90%, 95% dan 99%. Hasil
menunjukkan model terbaik berdasarkan signifikansi parameter dan AIC terkecil
dari data in sample yaitu model ARMA(1,1)-ARCH(1) dengan nilai MAPE dari
out sample sebesar 5.20%, dan nilai mean terkecil dari length selang pada tingkat
90%, 95% berada pada selang kepercayaan pendekatan bootstrap persentil
pengulangan residual sebanyak 5000 kali. Sedangkan pada tingkat kepercayaan
99% mean terkecil dari length selang berada pada pendekatan tradisional.
Kata Kunci: Harga Saham Penutupan, Homoskedastisitas, Selang Kepercayaan,
Bootstrap Persentil, ARMA.
![Page 11: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/11.jpg)
x
ABSTRACT
Maria Ulfah Latifah, Application of the Bootstrap Method in Building
prediction confidence interval for ARMA-ARCH Model (Case Study: Closing
Stock Price of PT Fortune Mate Indonesia Tbk). Under the guidance of Dr. Nur
Inayah, M.Sc and Madona Yunita Wijaya, M.Sc.
Prediction is important in the analysis of time series in order to make appropriate
action in the future. In predicting it is usually accompanied by making a
confidence interval. Making a confidence interval using the traditional approach
assumes that the data has a known distribution, while in some applications the
assumptions are not met so the confidence interval is not valid. The possibility of
research on stock price data has a violation of homoscedasticity, so that the
confidence interval built has heteroscedasticity. Therefore to overcome this
problem, the bootstrap method is used to build prediction confidence intervals in
the best ARMA-ARCH models with residual repetitions of B = 500, 1000 and
5000 times. At the end of the thesis will be compared the confidence interval of
the traditional approach and the percentile bootstrap approach by finding the mean
value of the interval length. The level of confidence used is 90%, 95% and 99%.
The results show the best model based on the significance of the parameters and
the smallest AIC from in sample data is the ARMA(1,1)-ARCH (1) model with a
MAPE value of the out sample of 5.20%, and the smallest mean value of the
interval length at the level of 90% and 95 % is within the confidence interval of
the bootstrap approach percentile repeat residuals B = 5000 times. While at the
99% confidence level the smallest mean of the interval length is in the traditional
approach.
Keywords: Closing Stock Price, Homoscedasticity, Confidence Interval,
Percentile Bootstrap, ARMA.
![Page 12: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/12.jpg)
xi
DAFTAR ISI
HALAMAN JUDUL ..............................................................................................i
PERNYATAAN ..................................................... Error! Bookmark not defined.
LEMBAR PENGESAHAN .................................... Error! Bookmark not defined.
PERSEMBAHAN ............................................................................................. iv
KATA PENGANTAR ........................................................................................ v
LEMBAR PERNYATAAN PERSETUJUAN....... Error! Bookmark not defined.
ABSTRAK ......................................................................................................... ix
ABSTRACT ....................................................................................................... x
DAFTAR ISI ..................................................................................................... xi
DAFTAR GAMBAR ....................................................................................... xiii
DAFTAR TABEL ........................................................................................... xiv
BAB I PENDAHULUAN ................................................................................... 1
1.1 Latar Belakang .................................................................................. 1
1.2 Rumusan Masalah.............................................................................. 3
1.3 Batasan Masalah ................................................................................ 3
1.4 Tujuan Penelitian ............................................................................... 4
1.5 Manfaat Penelitian ............................................................................. 4
BAB II LANDASAN TEORI ............................................................................. 5
2.1 Harga Saham ..................................................................................... 5
2.2 Data Runtun Waktu ........................................................................... 5
2.3 Stasioneritas ...................................................................................... 6
2.4 Model Box-Jenkins ............................................................................ 8
2.5 Model ARCH .................................................................................... 9
2.6 Metode Bootstrap ............................................................................ 10
![Page 13: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/13.jpg)
xii
2.7 Selang Kepercayaan Persentil Bootstrap pada Model ARMA -
ARCH ............................................................................................. 11
2.8 Prosedur Pembentukan Model ARMA-ARCH ................................. 13
2.8.1 Pembentukan Model ARMA (p,q) ........................................... 13
2.8.2 Pembentukan Model ARCH .................................................... 17
2.9 Uji Kecocokan Model ...................................................................... 17
BAB III METODOLOGI PENELITIAN ....................................................... 18
3.1 Metode Penelitian Data .................................................................... 18
3.2 Metode Pengolahan Data ................................................................. 18
3.3 Alur Penelitian ................................................................................. 20
BAB IV HASIL DAN PEMBAHASAN........................................................... 22
4.1 Pembentukan Model ARMA ............................................................ 22
4.1.1 Uji Stasioneritas ...................................................................... 22
4.1.2 Identifikasi Model ................................................................... 24
4.1.3 Estimasi Parameter Model ARMA .......................................... 25
4.1.4 Diagnosis Model ARMA......................................................... 27
4.2 Pembentukan Model ARCH ............................................................ 29
4.2.1 Pendugaan Model ARCH ........................................................ 29
4.2.2 Uji Validitas Model ................................................................. 30
4.3 Bootstrap pada Model ARMA(1,1)-ARCH(1) .................................. 32
BAB V PENUTUP ........................................................................................... 36
5.1 Kesimpulan ..................................................................................... 36
5.2 Saran ............................................................................................... 37
REFERENSI .................................................................................................... 38
LAMPIRAN ..................................................................................................... 40
![Page 14: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/14.jpg)
xiii
DAFTAR GAMBAR
Gambar 2. 1. Skema Gambaran dari Metode Bootstrap .................................................. 10
Gambar 2. 2. Contoh EACF .......................................................................................... 14
Gambar 4. 1. Plot Harga Saham Penutupan PT Fortune Mate Indonesia Tbk Periode 05
Maret 2018 Hingga 03 Januari 2019. ............................................................................. 22
Gambar 4. 2. Plot Return Data Harga Saham ................................................................. 23
Gambar 4. 3. Plot ACF dan PACF Data Harga Saham Return ........................................ 24
Gambar 4. 4. Plot EACF Data Return Harga Saham ...................................................... 24
Gambar 4. 5. Plot BIC Data Return Harga Saham .......................................................... 25
Gambar 4. 6. Plot Residual Model ARMA (1,1) ............................................................ 27
Gambar 4. 7. Histogram dan QQ-Plot Residual ARMA (1,1) ......................................... 28
Gambar 4. 8. Plot ACF dan PACF Galat Kuadrat Model ARMA(1,1) ............................ 29
Gambar 4. 9. Plot Perbandingan Nilai Aktual dan Prediksi Return ................................. 31
Gambar 4. 10. Plot Perbandingan Nilai Aktual dan Prediksi Harga Saham Penutupan .... 31
Gambar 4. 11. Plot Selang Kepercayaan pendekatan tradisional dan bootstrap B = 5000
kali, tingkat kepercayaan 90%, 95% dan 99% ................................................................ 33
![Page 15: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/15.jpg)
xiv
DAFTAR TABEL
Tabel 4. 1. Uji Augmented Dickey-Fuller ....................................................................... 23
Tabel 4. 2. Uji ADF-Test data harga saham return ......................................................... 23
Tabel 4. 3. Estimasi Parameter Model Terpilih .............................................................. 25
Tabel 4. 4. AIC Model ARMA (1,1) dan ARMA (2,1)................................................... 27
Tabel 4. 5. Uji Shapiro Wilk dan Jarque Bera ................................................................ 28
Tabel 4. 6. Uji Autokorelasi dengan Ljung-Box ............................................................ 29
Tabel 4. 7. Uji Ljung-Box dari Galat Kuadrat ................................................................ 29
Tabel 4. 8. Estimasi Parameter Model ARCH ................................................................ 30
Tabel 4. 9. Nilai Aktual dan Prediksi Harga Saham ....................................................... 32
Tabel 4. 10. Mean dan Standar Deviasi (SD) dari Length (l) Selang Kepercayaan
Pendekatan Tradisional dan Pendekatan Bootstrap Persentil .......................................... 34
Tabel 4. 11. Data Harga Saham Aktual, Prediksi dan Selang Kepercayaan Prediksi
Tingkat Kepercayaan 90% & 95% Pendekatan Bootstrap Persentil , dan
Tingkat Kepercayaan 99% Pendekatan Tradisional ........................................................ 35
![Page 16: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/16.jpg)
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Saham adalah surat tanda bukti penyertaan modal pada sebuah perseroan
terbatas yang mempunyai nilai ekonomi sehingga dapat diperjual belikan [1].
Pada ayat Al-Qur’an yang berbunyi “Tidak ada dosa bagimu untuk mencari
karunia (rezeki hasil perniagaan) dari Tuhanmu” (Q.S. Al-Baqarah : 198)
merupakan dasar hukum dibolehkannya mudhorobah (bagi hasil) dimana salah
satu darinya adalah saham. Setiap perusahaan yang melakukan investasi saham
memiliki tujuan untuk mendapatkan return serta dividen tunai yang diterima.
Apabila harga beli saham lebih tinggi daripada harga jual, maka investor
mengalami kerugian. Saham yang dikenal dengan karakteristik yang memiliki
risiko tinggi tetapi memberikan peluang keuntungan yang tinggi pula. Untuk
meminimalisir risiko dalam membeli dan menjual saham, investor perlu
melakukan analisis data harga saham. Harga saham penutupan merupakan harga
yang terbentuk saat berakhirnya jam perdagangan bursa. Harga saham penutupan
biasanya dijadikan sebagai patokan untuk harga pembukaan di kemudian harinya.
Data harga saham merupakan salah satu data runtun waktu yang memiliki
volatilitas yang tinggi sehingga terdapat kemungkinan tidak memenuhi asumsi
kenormalan dan homoskedastisitas. Data runtun waktu dapat diprediksi
menggunakan metode satatistika. Metode yang digunakan dalam prediksi
diantaranya yaitu AR(p), MA(q), ARMA(p,q), ARIMA(p,d,q) dan lain
sebagainya. Dari metode tersebut, agar mendapatkan hasil prediksi yang akurat
yaitu perlu memenuhi asumsi-asumsi residual seperti kenormalan dan
homoskedastisitas.
Pemodelan ARMA mengasumsikan bahwa varians dari residual adalah
konstan untuk seluruh data dan residual berdistribusi normal. Ketika varians
residual tidak konstan, tentu data tersebut mengandung heteroskedastisitas. Jika
data tidak memenuhi asumsi kenormalan, maka data tidak dapat dilanjutkan untuk
memprediksi. Memprediksi dalam data runtun waktu merupakan suatu tujuan
![Page 17: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/17.jpg)
2
yang penting, karena untuk mengetahui suatu peristiwa yang akan terjadi
sehingga tindakan yang tepat dapat dilakukan. Pada umumnya, nilai prediksi data
runtun waktu selalu disertai dengan selang kepercayaan, dalam pembentukan
selang kepercayaan dengan pendekatan tradisional biasanya model diasumsikan
memiliki suatu distribusi yang diketahui. Sedangkan pada sebagian aplikasi
asumsi tersebut tidak dipenuhi sehingga selang kepercayaan prediksi tidak valid
[2]. Untuk itu, dalam mengatasi masalah ini, metode bootstrap digunakan sebagai
alternatif untuk pembuatan selang kepercayaan prediksi dalam analisis runtun
waktu.
Metode bootstrap adalah suatu metode yang bekerja tanpa memperhatikan
asumsi distribusi karena sampel data asli digunakan sebagai populasi. Bootstrap
dikenalkan pertama kali oleh Efron pada tahun 1979. Cara kerja metode bootstrap
yaitu dengan cara meresampling data awal untuk mendapatkan data baru. Metode
bootstrap telah banyak digunakan untuk mendapatkan nilai galat baku, bahkan
penerapannya pada regresi linear dan data runtun waktu. Pada data runtun waktu,
dalam membangkitkan sample boostrap yaitu dengan meresampling residual dari
model dengan pengembalian. Penelitian sebelumnya telah dilakukan penelitian
oleh [2] menggunakan metode bootstrap persentil untuk membangun selang
kepercayaan prediksi dari simulasi model ARFIMA-GARCH dan ARMA-
GARCH. Hasilnya menyimpulkan bahwa metode bootstrap memiliki kinerja yang
baik dalam membangun selang kepercayaan prediksi model ARFIMA-GARCH.
Kemudian penelitian sebelumnya tentang harga saham dengan mengestimasi
parameter bootstrap pada model ARMA [3]. Hasilnya dilihat dari nilai , log
likelihood, dan AIC nya diperoleh estimasi parameter bootstrap ARMA lebih
baik. Selain itu, pendugaan selang kepercayaan persentil bootstrap nonparametrik
juga diterapkan untuk parameter regresi [4]. Hasil menunjukkan semakin besar
simulasi sampel yang diambil, maka selang kepercayaan untuk parameter pun
semakin sempit.
Pada penelitian ini, data harga saham yang diambil adalah data harga saham
penutupan PT Fortune Mate Indonesia Tbk periode 05 Maret 2018 - 03 Januari
2019 merupakan data harian aktif kerja yang diambil dari web
![Page 18: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/18.jpg)
3
https://finance.yahoo.com/quote/FMII.JK/history?p=FMII.JK, diakses pada 04
Maret 2019, pukul 11:07:14 WIB [5]. Data dibagi menjadi dua bagian yaitu data
in sample untuk membentuk model dan data out sample untuk prediksi. Metode
ARCH merupakan salah satu penyelesaian data yang memiliki heteroskedastisitas
seperti data harga saham, dan diterapkan metode bootstrap sebagai metode yang
tidak memperhatikan asumsi distribusi. Selain itu, dalam memprediksi dengan
selang kepercayaan memiliki kemungkinan lebih akurat daripada menduga hanya
dengan satu titik [4], sehingga penelitian ini membangun selang kepercayaan dari
prediksi model ARMA-ARCH dengan tingkat kepercayaan 90%, 95% dan 99%
dengan pendekatan tradisional dan selang kepercayaan prediksi dengan
pendekatan bootstrap persentil pada model ARMA-ARCH dengan pengulangan
residual sebanyak B = 500, 1000 dan 5000 kali pengulangan.
1.2 Rumusan Masalah
Berdasarkan pemaparan latar belakang di atas, maka terdapat rumusan
masalah sebagai berikut:
1. Bagaimana bentuk model harga saham penutupan PT Fortune Mate Indonesia
Tbk periode 05 Maret 2018 - 03 Januari 2019 dengan metode ARMA-ARCH?
2. Bagaimana cara menghitung selang kepercayaan prediksi dengan pendekatan
bootstrap persentil pada model ARMA-ARCH?
3. Bagaimana perbandingan selang kepercayaan prediksi pendekatan tradisional
dan pendekatan bootstrap persentil pada model ARMA-ARCH dilihat dari
mean lebar selang kepercayaan prediksi?
1.3 Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah sebagai berikut:
1. Penelitian ini menggunakan data return harga saham penutupan dari PT
Fortune Mate Indonesia Tbk periode 5 Maret 2018 – 03 Januari 2019 yang
merupakan data harian sebanyak 219 data.
2. Penelitian ini menggunakan metode ARMA-ARCH, dan untuk membangun
selang kepercayaan prediksi menggunakan metode bootstrap persentil pada
model ARMA-ARCH dan cara tradisional.
![Page 19: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/19.jpg)
4
3. Pengulangan sampel bootstrap residual yang dilakukan sebanyak B = 500,
1000 dan 5000 kali pengulangan.
4. Tingkat kepercayaan yang digunakan adalah sebesar 90%, 95%, dan 99%.
5. Penelitian ini menggunakan bantuan R versi 3.4.3.
1.4 Tujuan Penelitian
Adapun tujuan yang ingin dicapai oleh penulis adalah sebagai berikut:
1. Mendapatkan model terbaik nilai return harga saham penutupan PT Fortune
Mate Indonesia Tbk periode 05 Maret 2018 – 03 Januari 2019 dengan metode
ARMA-ARCH.
2. Mendapatkan cara menghitung selang kepercayaan prediksi dengan pendekatan
bootstrap persentil pada model ARMA-ARCH.
3. Mendapatkan perbandingan selang kepercayaan pendekatan tradisional dan
pendekatan bootstrap persentil pada model ARMA-ARCH dilihat dari mean
lebar selang kepercayaan.
1.5 Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini yaitu sebagai berikut:
1. Menambah ilmu pengetahuan mengenai selang kepercayaaan metode bootstrap
persentil dalam runtun waktu salah satunya dalam metode ARMA-ARCH.
2. Diharapkan dapat memberikan informasi untuk investor dalam mengambil
keputusan ke depannya.
![Page 20: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/20.jpg)
5
BAB II
LANDASAN TEORI
2.1 Harga Saham
Saham adalah surat tanda bukti penyertaan modal pada sebuah perseroan
terbatas yang mempunyai nilai ekonomi sehingga dapat diperjual belikan atau
dijaminkan hutang [1]. Setiap perusahaan yang melakukan investasi saham
memiliki tujuan untuk mendapatkan return serta dividen tunai yang diterima.
Return adalah keuntungan yang diperoleh oleh perusahaan, individu, dan institusi
dari hasil kebijakan investasi yang dilakukan [6]. Apabila harga beli saham lebih
tinggi daripada harga jual, maka investor mengalami kerugian. Saham yang
dikenal dengan karakteristik yang memiliki risiko tinggi tetapi memberikan
peluang keuntungan yang tinggi pula. Untuk meminimalisir risiko dalam membeli
dan menjual saham, investor perlu melakukan analisis data harga saham.
Harga saham penutupan merupakan harga yang terbentuk saat jam
perdagangan bursa berakhir. Harga penutupan saham biasanya digunakan sebagai
patokan untuk harga pembukaan di kemudian harinya dan biasanya digunakan
untuk memprediksi harga saham pada periode berikutnya. Dengan memprediksi
harga saham, pelaku pasar dapat terbantu dalam memberikan saran mengenai
harga saham yang hendak diperjual belikan agar pelaku pasar mendapatkan
keuntungan lebih maksimal. Return dari harga saham penutupan dapat
didefinisikan sebagai berikut:
(
) (2. 1)
merupakan nilai return ke-t, merupakan harga saham penutupan pada
periode ke-t, dan merupakan harga saham penutupan pada periode ke-(t-1).
2.2 Data Runtun Waktu
Data runtun waktu merupakan data yang diperoleh dari pengamatan yang
dikumpulkan dari waktu ke waktu secara berurutan [7]. Data runtun waktu dapat
dijumpai dalam berbagai bidang. Dalam bisnis peneliti dapat mengamati suku
![Page 21: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/21.jpg)
6
bunga, harga saham penutupan harian, angka penjualan tahunan dan sebagainya.
Dalam meteorologi peneliti dapat mengamati suhu tinggi dan suhu rendah, curah
hujan tahunan dan indeks kekeringan, dan kecepatan angin per jam. Dalam bidang
pertanian dapat mengamati angka tahunan untuk tanaman dan produksi ternak,
tanah erosi dan penjualan ekspor. Selain itu, data runtun waktu banyak ditemui
hampir di bidang mana saja.
2.3 Stasioneritas
Dalam analisis runtun waktu, asumsi stasioneritas dari data merupakan sifat
yang penting, yakni suatu model yang semua sifat statistiknya tidak berubah
dengan pergeseran waktu. Sifat statistik yang sering menjadi perhatian adalah
rata-rata, variansi, dan kovariansi. Pada model stasioner, sifat-sifat statistik di
masa yang akan datang dapat diprediksi berdasarkan data lampau yang telah
terjadi di masa lalu. Jenis kestasioneran ada dua macam, yaitu stasioner kuat dan
stasioner lemah. Stasioner kuat didefinisikan sebagai distribusi gabungan
sama dengan distribusi gabungan , ditulis
sebagai
, dengan
dan Ɐ lag k. Sedangkan stasioner lemah didefinisikan sebagai
(mean) dan (variansi) selalu konstan setiap waktu t [8].
Untuk mendeteksi ketidak-stasioneran data dalam mean (rata-rata) dapat
digunakan plot dari data dalam urutan waktu, plot fungsi autokorelasi (ACF) dan
plot fungsi autokorelasi parsial (PACF). Jika data mengandung komponen trend
maka plot ACF/PACF akan meluruh secara perlahan dan data non stasioner dalam
mean [9]. Berikut penjelasan ACF dan PACF.
2.3.1 Autocorrelation Function (ACF)
ACF adalah fungsi yang menunjukkan besarnya korelasi antara pengamatan
pada waktu dengan pengamatan pada waktu . Koefisien korelasi antara
dengan disebut autokorelasi lag- dan umumnya dilambangkan dengan .
Korelasi antara dan dapat dicari dengan:
![Page 22: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/22.jpg)
7
√
(2. 2)
dengan Sebagai fungsi dari k, disebut fungsi
autokovarian dan adalah Autocorrelation Function (ACF) pada lag-k.
2.3.2 Partial Autocorrelation Function (PACF)
PACF merupakan korelasi antara dan setelah menghilangkan efek
atau keterkaitan linear antara yang terletak antara dan tersebut. Fungsi
PACF dapat ditulis sebagai berikut [7]:
( ∣∣ )
∑
∑
, . (2. 3)
Selain itu, kestasioneran data juga dapat dilihat salah satunya melalui uji
Augmented Dickey Fuller (ADF), yaitu untuk mengamati apakah data runtun
waktu mengandung akar unit. Langkah awal pengujian ini adalah menaksir model
autoregresi dari masing-masing variabel menggunakan Ordinary Least Square
(OLS). Model autoregresi yang dimaksud adalah sebagai berikut [10]:
∑
(2. 4)
dengan dan
Pengujian dilakukan dengan menguji hipotesis:
H0 : = 0 (data terdapat akar unit)
H1 : ≠ 0 (data tidak terdapat akar unit)
Dengan persamaan uji ADF sebagai berikut:
(2. 5)
dengan: : estimasi least square dari (koefisien parameter dari model
persamaan (2.4)
: standar error dari estimasi least square dari (koefisien parameter
standar error dari model (2.4))
![Page 23: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/23.jpg)
8
Kriteria uji dengan membandingkan nilai p-value dengan taraf signifikan sebesar
5%. Sehingga jika p-value < 0.05 maka tolak H0, artinya data tidak terdapat akar
unit, sehingga data sudah stasioner.
2.4 Model Box-Jenkins
Model Box-Jenkins merupakan model yang diperkenalkan oleh Box dan
Jenkins pada tahun 1970 dan biasa digunakan untuk memprediksi data runtun
waktu [11]. Dasar pemikiran analisis runtun waktu adalah pengamatan sekarang
( ) tergantung pada satu atau beberapa pengamatan sebelumnya ( ). Model
runtun waktu diantaranya adalah AR(p), MA(q), ARMA(p,q), dan model
ARIMA(p,d,q) yang juga dikenal sebagai model Box-Jenkins.
2.4.1 Model Autoregressive (AR)
Model autoregressive (AR) menunjukkan nilai prediksi variabel dependen
yang merupakan fungsi linier dari sejumlah aktual periode sebelumnya
variabel tersebut, sebagai contoh jika dipengaruhi oleh satu periode sebelumnya
atau kelambanan pertama, maka model tersebut disebut mode AR(1) [12]. Model
AR dapat berjenjang 0, 1, 2, ..., p. Bentuk umum model autoregressive orde ke-p
yakni AR(p) adalah sebagai berikut:
(2. 6)
dimana: : Parameter model AR orde ke-p
: Residual model pada saat t, dan bersifat white noise
2.4.2 Model Moving Average (MA)
Model MA ini menyatakan bahwa nilai prediksi variabel dependen hanya
dipengaruhi oleh nilai residual periode sebelumnya. Misal jika nilai variabel
dependen hanya dipengaruhi oleh nilai residual satu periode sebelumnya maka
disebut dengan model MA orde pertama atau disingkat dengan MA(1) [12].
Bentuk umum model MA dengan orde q yaitu MA(q) dinyatakan sebagai berikut:
(2. 7)
dimana: : Parameter model MA ke-q
: Residual model pada saat t
![Page 24: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/24.jpg)
9
2.4.3 Model Autoregressive Moving Average (ARMA)
Model ARMA merupakan model gabungan dari model AR dan model MA.
Bentuk umum dari model ARMA (p,q) adalah sebagai berikut:
(2. 8)
atau dapat ditulis pada persamaan berikut:
dengan
dan
2.4.4 Model Autoregressive Integrated Moving Average (ARIMA)
Setelah ketiga model stasioner telah diuraikan, selanjutnya yaitu model
dengan data yang tidak stasioner namun stasioner pada proses differensi yang
disebut model ARIMA (p,d,q). Dimana p adalah orde dari model AR, d adalah
orde dari proses differensi hingga data menjadi stasioner, dan q adalah orde dari
model MA. Proses differensi merupakan menghitung selisih nilai observasi saat
ini dengan observasi sebelumnya. Nilai selisih yang diperoleh dicek kembali
kestasionerannya. Jika masih belum stasioner, maka dilakukan differensi yang ke
dua hingga seterusnya sampai data stasioner. Berikut adalah bentuk umum dari
model ARIMA (p,d,q):
(2. 9)
2.5 Model ARCH
Model ARCH dikembangkan oleh Robert Engle pada tahun 1982. Model
ARCH digunakan untuk menghasilkan model volatilitas yang sistematik. Bentuk
umum model ARCH(s) adalah [2]:
∑
,
(2. 10)
dengan adalah variansi residual pada waktu ke-t, merupakan Komponen
konstanta, merupakan orde dari unsur ARCH, merupakan parameter dari
ARCH.
![Page 25: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/25.jpg)
10
2.6 Metode Bootstrap
Metode bootstrap pertama kali diperkenalkan oleh Bradley Efron pada tahun
1979. Metode bootstrap adalah suatu metode yang bekerja tanpa memperhatikan
asumsi distribusi karena sampel data asli digunakan sebagai populasi [13]. Selain
itu, metode bootstrap juga dapat digunakan untuk menaksir kuantitas statistik
seperti untuk membentuk suatu selang kepercayaan. Dalam data runtun waktu,
memprediksi merupakan suatu tujuan yang penting. Memprediksi selang
kepercayaan dengan pendekatan tradisional biasanya model diasumsikan memiliki
suatu distribusi yang diketahui. Sedangkan pada sebagian aplikasi asumsi tersebut
tidak dipenuhi sehingga selang kepercayaan prediksi tidak valid [2]. Untuk itu
dalam mengatasi masalah ini, metode bootstrap digunakan untuk pembuatan
selang kepercayaan prediksi dalam analisis runtun waktu.
Istilah bootstrap berasal dari frasa yang artinya “untuk menarik diri dengan
bootstrap seseorang” yang secara luas dianggap didasarkan pada salah satu
petualangan abad ke-18 dari Baron Munchausen. Cara kerja metode bootstrap
yaitu dengan cara meresampling data awal untuk mendapatkan data baru. Skema
berikut merupakan gambaran dari metode bootstrap [3].
Gambar 2. 1. Skema Gambaran dari Metode Bootstrap
Berdasarkan Gambar 2.1 dapat dijelaskan teknik pengambilan sampel metode
bootstrap adalah pengulangan sebanyak B kali dengan pengembalian dari sebuah
sampel asli. Sampel asli merupakan sampel yang diperoleh dari observasi yang
diperlakukan seolah-olah sebagai populasi. Pada Gambar 2.1, F merupakan
![Page 26: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/26.jpg)
11
distribusi dari sampel asli, X merupakan vektor data sampel, merupakan
statistik sampel, merupakan distribusi empiris data bootstrap, merupakan
vektor sampel bootstrap ke-b, dimana b = 1, 2, 3, ..., B, dan
merupakan replikasi bootstrap ke-b.
Pada Gambar 2.1 menghasilkan algoritma bootstrap secara umum sebagai
berikut:
1. Nilai statistik , katakanlah dihitung berdasarkan data sampel asli
.
2. Sampel acak diambil dengan pengembalian dari data sampel asli untuk
mendapatkan sampel bootstrap
.
3. Statistik yang sama dihitung seperti langkah 1 dengan menggunakan data
sampel bootstrap untuk mendapatkan .
4. Langkah 2 dan 3 diulangi sebanyak B kali, dengan b = 1, 2, ..., B, sehingga
diperoleh replikasi bootstrap .
2.7 Selang Kepercayaan Bootstrap Persentil pada Model ARMA-ARCH
Berikut adalah langkah-langkah untuk mendapatkan selang kepercayaan
bootstrap pada model ARMA-ARCH dengan meresampling residual [2] [14]:
1. Membentuk model ARMA(p,q)-ARCH(s) terbaik dan menghitung residual
model rata-rata bersyaratnya
(2. 11)
2. Mengestimasi heteroskedastisitas dari model varians bersyaratnya
∑
(2. 12)
3. Menghitung estimasi bias
(2. 13)
Untuk t = 1, ...., T dan mengestimasi bias yang distandarisasi
![Page 27: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/27.jpg)
12
(2. 14)
dimana
∑
dan
∑
4. Memperoleh fungsi distribusi empiris berdasarkan yang
didefinisikan oleh:
∑
(2. 15)
5. Membangkitkan sampel bootstrap (Yt*) dengan rekursi:
,
(2. 16)
6. Mengestimasi parameter model ARMA-ARCH ( , , 0, dan ) berdasarkan
data sampel bootstrap ( ,
, ..., .
7. Memprediksi data selanjutnya ( ) dengan model bootstrap pada model
ARMA-ARCH, h = 1, 2, ...
∑
∑
∑
.
(2. 17)
8. Mengulangi tahap 4 – 7 sebanyak B pengulangan.
9. Replikasi bootstrap diurut dari nilai terkecil ke nilai terbesar.
10. Menghitung selang kepercayaan prediksi ( ) dari bootstrap persentil
model ARMA-ARCH, dengan batas bawah selang adalah nilai replikasi
bootstrap urutan ke- ⁄ sedangkan batas atasnya adalah replikasi
bootstrap urutan ke-( ( ⁄ )).
![Page 28: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/28.jpg)
13
2.8 Prosedur Pembentukan Model ARMA-ARCH
2.8.1 Pembentukan Model ARMA (p,q)
Model ARMA terbaik dapat dibentuk dengan tiga tahapan, yakni
identifikasi model, estimasi parameter model terpilih, dan diagnosis model
terbaik.
2.8.1.1 Identifikasi Model
Pada tahap awal untuk membentuk model ARMA adalah dengan
mengidentifikasi model. Jika data sudah stasioner, maka dapat dilanjutkan dengan
membandingkan plot sampel ACF/PACF dengan sifat-sifat fungsi ACF/PACF
teoritis dari model ARMA.
2.8.1.1.1 Fungsi Autokorelasi (ACF) dan Fungsi Autoorelasi Parsial (PACF)
Secara singkat, bentuk plot ACF dan PACF dapat dirangkum pada Tabel 2.1
berikut [7]:
Tabel 2. 1. Bentuk Plot ACF dan PACF
Proses Sampel ACF Sampel PACF
AR(p) Menurun menuju nol. Terputus setelah lag-p.
MA(q) Terputus setelah lag-q. Menurun menuju nol.
ARMA(p,q) Menurun menuju nol. Menurun menuju nol.
Pada Tabel 2.1 tersebut dapat dijelaskan bahwa terdapat ketentuan dalam
mengidentifikasi model ARMA dilihat dari plot ACF dan PACF. Ketentuan
tersebut adalah jika pada plot ACF nilainya menurun menuju nol dan terputus
setelah lag-p pada plot PACF, maka kandidat modelnya adalah AR(p). Jika nilai
ACF pada plot terputus setelah lag-q dan pada plot PACF terlihat menurun
menuju nol, maka kandidat modelnya adalah model MA(q). Selanjutnya jika pada
plot ACF dan PACF terlihat menurun menuju nol, maka kandidat model terpilih
adalah dari model ARMA.
2.8.1.1.2 Extended Autocorrelation (EACF)
Selain dilihat dari plot ACF dan PACF, untuk mengidentifikasikan model
juga dapat dicari dengan metode EACF. Pada metode EACF dapat diringkas
![Page 29: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/29.jpg)
14
untuk mengetahui kandidat model ARMA yaitu dengan melihat pola segitiga
simbol “0” diantara simbol “X” pada plot EACF. Sebagai contoh berikut plot
EACF yang membentuk model ARMA(1,1) [7].
Gambar 2. 2. Contoh EACF
Pada Gambar 2.2 terlihat ada pola segitiga simbol 0 pada p = 1 dan q = 1.
Sehingga plot EACF tersebut mendapatkan kandidat ARMA(1,1).
2.8.1.1.3. Bayesian Information Criterion (BIC)
Pendekatan lain untuk mengidentifikasi model ARMA adalah dengan metode
BIC yang didefinisikan sebagai berikut [7]:
(2. 18)
Model yang dapat dijadikan kandidat pada metode BIC yaitu memilih nilai
BIC terkecil dari pola plot BIC.
2.8.1.2 Estimasi Parameter Model Terbaik
Selanjutnya setelah mendapatkan kandidat parameter yaitu mengestimasi
parameter dan menguji signifikansi parameter, kemudian dipilih model terbaik
berdasarkan nilai AIC terkecil. Estimasi parameter dapat dilakukan dengan
metode Maximum Likelihood Estimation (MLE). Metode ini menggunakan
prinsip memaksimumkan fungsi likelihood untuk mengestimasi parameter.
Setelah mengestimasi parameter, maka perlu menguji apakah parameter signifikan
atau tidak. Jika parameter tersebut signifikan, maka model layak digunakan.
![Page 30: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/30.jpg)
15
2.8.1.2.1 Uji Signifikansi Parameter
Uji signifikansi parameter :
Hipotesis:
H0: (parameter tidak signifikan)
H1: (parameter signifikan)
Tingkat signifikan :0.05
Statistik Uji:
(2. 19)
Kriteria uji:
H0 ditolak jika ∣thitung∣ > ttabel atau p-value < α, artinya parameter signifikan.
H0 tidak ditolak jika ∣thitung∣ < ttabel atau p-value > α, artinya parameter tidak
signifikan.
2.8.1.2.2 Nilai AIC (Akaike’s Information Criterion)
Nilai AIC dapat diestimasi dengan rumus sebagai berikut:
(2. 20)
dengan T merupakan banyaknya sampel, , dengan SSE = Sum of
Squared Error yang dapat diestimasi dari jumlahan kuadrat semua nilai residual
[9].
2.8.1.3 Diagnosis Model
Pada tahap ini dilakukan diagnosis model dengan menguji kenormalan,
autokorelasi, dan heteroskedastisitas pada residual.
2.8.1.3.1 Uji Kenormalan
Untuk melihat residual berdistribusi normal atau tidak dapat dilihat dari
deskripsi residual. Dalam pengujian deskripsi untuk melihat kenormalan dapat
dilihat dengan QQ-plot dan histogram. Untuk uji inferensianya dapat dengan uji
Shapiro Wilk dan Jarque Bera. Berikut tahapan-tahapan uji Shapiro Wilk dan
Jarque Bera.
![Page 31: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/31.jpg)
16
a. Shapiro Wilk
Hipotesis:
H0 : residual berdistribusi normal
H1 : residual tidak berdistribusi normal
Statistik Uji [7]:
∑
∑
(2. 21)
dimana adalah sampel data yang sudah diurutkan dari terkecil hingga terbesar
dan adalah indeks Shapiro Wilk.
Kriteria Uji:
Tolak H0 jika (p-value < α).
b. Jarque Bera
Hipotesis:
H0 : residual berdistribusi normal
H1 : residual tidak berdistribusi normal
Statistik Uji [7]:
[
] (2. 22)
∑
(
∑
)
⁄ ,
∑
(
∑
)
Tolak H0 jika (p-value < α).
2.8.1.3.2 Uji Autokorelasi
Selain uji kenormalan, selanjutnya pengujian residual yaitu untuk melihat
apakah terdapat autokorelasi atau tidak pada residual. Uji autokorelasi dapat diuji
dengan uji Ljung- Box dengan hipotesis [7]:
H0 : (Tidak terdapat autokorelasi pada residual)
H1 : Minimal terdapat satu , i = 1, 2, ..., k (Terdapat autokorelasi pada
residual)
Statistik Uji:
∑
(2. 23)
![Page 32: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/32.jpg)
17
dimana K adalah Maksimum panjang lag, T adalah banyaknya sampel data, dan
adalah ACF pada lag k. Tolak H0 jika (p-value < α = 0.05), dimana
m = p + q.
2.8.2 Pembentukan Model ARCH
Untuk mendeteksi ada atau tidaknya unsur heteroskedastisitas yaitu dengan
uji Ljung-Box dari nilai residual kuadrat. Hipotesisnya adalah [7]:
H0 : Tidak terdapat unsur ARCH
H1 : Terdapat unsur ARCH
Tolak H0 jika nilai p-value < α
Jika model mengandung unsur heteroskedastisitas, maka salah satu cara untuk
mengatasinya adalah dengan pembentukan model ARCH(s) dengan bentuk umum
pada persamaan (2.6).
2.9 Uji Kecocokan Model
Dalam analisis runtun waktu, seringkali membagi data menjadi dua bagian
yaitu data in-sample yakni data yang digunakan untuk mencari model terbaik
dengan langkah-langkah yang telah ditetapkan, dan data out-sample, yakni bagian
data untuk memvalidasi keakuratan prediksi dari model terbaik yang diperoleh
berdasarkan data in-sample [9]. Ukuran kebaikan fitting salah satunya Mean
Absolute Percentage Error (MAPE).
Jika menyatakan keseluruhan data, maka data in-sample dapat
dinyatakan sebagai , m < T. Jika nilai hasil fitting disebut sebagai
, m < T, maka MAPE untuk data in-sample didefinisikan sebagai
berikut [9][15]:
∑
| |
(2. 24)
dimana adalah data in-sample sebenarnya, merupakan data prediksi dan
. T merupakan banyaknya sampel data.
![Page 33: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/33.jpg)
18
BAB III
METODOLOGI PENELITIAN
3.1 Metode Penelitian Data
Data yang digunakan dalam penelitian ini merupakan data sekunder yang
berasal dari https://finance.yahoo.com/quote/FMII.JK/history?p=FMII.JK, diakses
pada 04 Maret 2019, pukul 11:07:14 WIB yaitu data return harga saham PT
Fortune Mate Indonesia Tbk. Data harga saham tersebut merupakan data harga
penutupan harian yang diambil dari tanggal 05 Maret 2018 sampai dengan 03
Januari 2019. Harga saham penutupan merupakan harga yang muncul saat bursa
tutup. Dalam penelitian ini data dibagi menjadi dua bagian. Pada 209 data pertama
sebagai data in sample, dan 10 data lainnya sebagai data out sample.
3.2 Metode Pengolahan Data
Pengolahan data penelitian ini dibantu dengan menggunakan software
Rstudio versi 3.4.3. Langkah-langkah analisis yang digunakan sebagai berikut:
1. Menguji kestasioneran data in sample dengan grafik dan uji Augmented
Dickey Fuller.
2. Jika tidak stasioner, ubah data menjadi data return berdasarkan persamaan
(2.1).
3. Identifikasi orde model ARMA berdasarkan ACF, PACF, EACF dan BIC.
4. Estimasi dan uji signifikansi parameter ( ) model
ARMA(p,q) berdasarkan persamaan (2.19).
5. Diagnosis model ARMA(p,q).
6. Mendapatkan model ARMA(p,q) terbaik berdasarkan nilai AIC terkecil.
7. Menguji apakah data terdapat efek ARCH dengan uji Ljung-Box dari residual
kuadrat berdasarkan persamaan (2.23).
8. Jika terdapat efek ARCH atau terdapat heteroskedastisitas, maka selanjutnya
identifikasi orde ARCH(s).
9. Mengestimasi parameter ( ) model
ARMA(p,q)-ARCH(s) terpilih.
![Page 34: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/34.jpg)
19
10. Mendapatkan model ARMA(p,q)-ARCH(s) terbaik berdasarkan nilai AIC
terkecil.
11. Memvalidasi model ARMA(p,q)-ARCH(s) dengan melihat nilai MAPE dari
data out sample.
12. Menghitung residual ( ) dari model ARMA(p,q)-ARCH(s) data in sample.
13. Menghitung bias ( ) berdasarkan persamaan (2.13) dan estimasi
standardised bias ( ) berdasarkan persamaan (2.14).
14. Memperoleh fungsi distribusi empiris berdasarkan .
15. Membangkitkan sampel bootstrap ( ), berdasarkan persamaan (2.16).
16. Mengestimasi parameter (
) model
ARMA(p,q)-ARCH(s) berdasarkan data sampel bootstrap ( ,
, ..., .
17. Memprediksi data ( ) dengan model bootstrap pada model ARMA-
ARCH, h = 1, 2, ...
18. Mengulangi tahap 14 – 17 sebanyak B pengulangan, dengan B = 500, 1000
dan 5000, dan data prediksi dari setiap pengulangan diurut dari nilai terkecil
ke nilai terbesar.
19. Menghitung selang kepercayaan prediksi ( ) dari bootstrap persentil model
ARMA(p,q)-ARCH(s), dengan batas bawah selang adalah nilai prediksi
masing-masing pengulangan urutan ke- ⁄ sedangkan batas atasnya
adalah replikasi bootstrap urutan ke- ( ( ⁄ )) dengan tingkat
kepercayaan 90%, 95% dan 99%, .
20. Menghitung selang kepercayaan pendekatan tradisional dengan cara
, dengan tingkat kepercayaan 90%, 95% dan 99%.
21. Menghitung length (l) selang kepercayaan yaitu dengan mengurangi batas
atas dan batas bawahnya.
22. Menghitung nilai mean dan standar deviasi dari length selang kepercayaan
prediksi untuk mendapatkan keakuratan selang kepercayaan baik dengan
pendekatan tradisional maupun bootstrap persentil.
![Page 35: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/35.jpg)
20
3.3 Alur Penelitian
Ya
Ya
Apakah residual terdapat autokorelasi?
Tidak
Apakah residual berdistribusi normal?
Tidak Apakah terdapat efek ARCH?
Apakah terdapat efek ARCH? Ya Tidak
Ya
Apakah data sudah stasioner?
Identifikasi orde model ARMA berdasarkan
ACF,PACF, EACF dan BIC
Estimasi dan uji signifikan parameter 𝑝 𝜃 𝜃𝑞 kandidat model
Estimasi parameter model ARMA-ARCH
Validasi dan prediksi dari
model terbaik
L
Menghitung residual (𝜀𝑡) model
ARMA-ARCH
Transformasi
log return
Mulai
Selesai
Identifikasi orde model ARMA-ARCH
Membangun selang
kepercayaan prediksi dengan
pendekatan bootstrap pada
model ARMA Selesai
Mendapatkan model terpilih berdasarkan nilai AIC terkecil
Validasi dan prediksi
dari model terbaik
Ya
Identifikasi orde model ARMA-ARCH
Tidak
Estimasi parameter
model ARMA-ARCH
Validasi dan prediksi dari
model terbaik
Tidak
![Page 36: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/36.jpg)
21
L
Menghitung bias (η𝑡) dan
estimasi standardised bias (η𝑡)
Memperoleh sampel distribusi
empiris Ft(x) berdasarkan η𝑡
Membangkitkan sampel bootstrap
(𝑟𝑡 )
Mengestimasi parameter model ARMA-
ARCH 𝑝
𝜃 𝜃𝑞
�� ��𝑠
Memprediksi data 10 hari ke depan
𝑟𝑇 , h = 1,...,10
Menghitung selang kepercayaan Bootstrap
persentil dari prediksi 𝑟𝑇 , h = 1,...,10
Menghitung selang kepercayaan prediksi
model ARMA-ARCH dengan pendekatan
tradisional
Ula
ngi
sebanyak 5
00,
10
00
dan 5
00
0 k
ali
Membandingkan nilai mean dan standar deviasi
Selang Kepercayaan antara model ARMA-ARCH
dengan bootstrap pada model ARMA-ARCH
Menghitung length dan menghitung mean
dan standar deviasi dari length selang
kepercayaan pendekatan Bootstrap dan
tradisional
Selesai
![Page 37: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/37.jpg)
22
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pembentukan Model ARMA
4.1.1 Uji Stasioneritas
Seperti yang telah dijelaskan pada BAB 3, sebelum pembentukan model
ARMA adalah pengujian kestasioneran data. Data yang digunakan adalah data
harian harga saham PT Fortune Mate Indonesia Tbk periode 05 Maret 2018
sampai dengan 03 Januari 2019 frekuensi harian aktif kerja yang ditampilkan pada
Gambar 4.1 berikut.
Gambar 4. 1. Plot Harga Saham Penutupan PT Fortune Mate Indonesia Tbk
Periode 05 Maret 2018 Hingga 03 Januari 2019.
Berdasarkan Gambar 4.1 Data tersebut memiliki nilai rata-rata sebesar
Rp.679.2, harga saham maksimal sebesar Rp.755, harga saham minimal sebesar
Rp.605, variansi sebesar 1655.4, dan standar deviasi sebesar 40.7. Kemudian data
dibagi menjadi dua bagian, bagian pertama periode 05 Maret 2018 hingga 20
Desember 2018 sebanyak 209 data sebagai data in sample dan bagian selanjutnya
periode 21 Desember 2018 hingga 03 Januari 2019 atau sebanyak 10 data sebagai
data out sample. Data in sample digunakan untuk pembentukan model dan data
out sample digunakan untuk validasi model. Sebelum membentuk model dari data
in sample, perlu dilihat terlebih dahulu kestasioneran data in sample. Untuk
![Page 38: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/38.jpg)
23
mengetahui data in sample telah stasioner atau belum, dapat diuji dengan uji ADF
pada Tabel 4.1 berikut.
Tabel 4. 1. Uji Augmented Dickey-Fuller
Uji P-Value
Uji Augmented Dickey-Fuller 0.9815
Berdasarkan Tabel 4.1 didapat nilai p-value sebesar 0.9815, dengan taraf
signifikansi sebesar 5%, maka nilai p-value > α, sehingga terima H0. Artinya, data
harga saham FMII tidak stasioner dalam mean.Untuk itu, pada penelitian ini data
ditransformasi menggunakan transformasi return untuk menstasionerkan data
harga saham FMII. Berikut Gambar 4.2 merupakan plot data in sample harga
saham FMII yang telah ditransformasi dengan return.
Gambar 4. 2. Plot Return Data Harga Saham
Berdasarkan Gambar 4.2 terlihat data telah stasioner dalam mean, namun
tidak stasioner dalam variansi karena terlihat variansi tidak konstan. Untuk
mengetahui kestasioneran data harga saham return dapat dilihat dari uji akar unit
(ADF Test) pada Tabel 4.2 berikut:
Tabel 4. 2. Uji ADF-Test data harga saham return Uji P-Value
ADF Test 0.01
![Page 39: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/39.jpg)
24
Berdasarkan Tabel 4.2 diperoleh nilai p-value sebesar 0.01. Maka p-value =
0.01 < taraf signifikansi = 0.05. Sehingga tolak H0, artinya data bersifat stasioner.
4.1.2 Identifikasi Model
Setelah data dikatakan telah stasioner, langkah selanjutnya untuk
membentuk model ARMA yaitu dengan identifikasi model. Untuk
mengidentifikasi model ARMA dapat dilihat dari plot ACF, PACF, EACF dan
grafik BIC dari data in sample return. Berikut pada Gambar 4.3 merupakan grafik
ACF dan PACF dari data return harga saham FMII.
Gambar 4. 3. Plot ACF dan PACF Data Harga Saham Return
Berdasarkan Gambar 4.3 grafik ACF dan PACF di atas, terdapat pada lag
ke-4 yang melewati garis signifikansi, sehingga ARMA(4,4) merupakan kandidat
model ARMA. Selanjutnya untuk mengidentifikasi model ARMA dapat dilihat
dari EACF pada Gambar 4.4 dan BIC pada Gambar 4.5.
Gambar 4. 4. Plot EACF Data Return Harga Saham
Dari Gambar 4.4 didapatkan kandidat model ARMA yang lain yaitu ARMA
(1,1), ARMA (0,4), dan ARMA (4,4).
![Page 40: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/40.jpg)
25
Gambar 4. 5. Plot BIC Data Return Harga Saham
Berdasarkan Gambar 4.5 didapatkan kandidat model ARMA yaitu ARMA
(4,0). Dari ketiga proses identifikasi model ARMA di atas didapat empat kandidat
model ARMA. Keempat kandidat model ARMA tersebut adalah ARMA (1,1),
ARMA (0,4), ARMA (4,4), dan ARMA (4,0). Setelah identifikasi model, langkah
selanjutnya yaitu akan dilakukan estimasi pada kandidat model ARMA terpilih.
Selain kandidat model yang terpilih, ditambah pula bentuk model sederhana yaitu
model ARMA (1,0), ARMA (0,1), ARMA (2,0), ARMA (0,2), ARMA (2,2), dan
ARMA (2,1) agar dapat memperoleh model terbaik dengan model yang
sederhana.
4.1.3 Estimasi Parameter Model ARMA
Berikut adalah estimasi parameter model ARMA yang telah terpilih sebagai
kandidat.
Tabel 4. 3. Estimasi Parameter Model Terpilih
No
Model
ARMA
(p,q)
Koefisien
Estimasi
Parameter
Standar
Error Keterangan
1. (1,1)
Intercept 0.0003 0.0007 Tidak Signifikan
0.6215 0.2116 Signifikan
-0.7636 0.1762 Signifikan
2. (0,4)
Intercept 0.000 0.001 Tidak Signifikan
-0.1328 0.0684 Tidak Signifikan
-0.0808 0.0691 Tidak Signifikan
-0.0127 0.0707 Tidak Signifikan
-0.1698 0.0677 Signifikan
![Page 41: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/41.jpg)
26
3. (4,4)
Intercept 0.0003 0.0009 Tidak Signifikan
-0.2224 0.0503 Signifikan
-0.4377 0.0481 Signifikan
-0.2296 0.0405 Signifikan
-0.9622 0.0350 Signifikan
0.1399 0.0873 Tidak Signifikan
0.4234 0.0789 Signifikan
0.1942 0.0698 Signifikan
0.8388 0.0702 Signifikan
4. (4,0)
Intercept 0.0003 0.0007 Tidak Signifikan
-0.139 0.0684 Signifikan
-0.0925 0.0697 Tidak Signifikan
-0.0282 0.0697 Tidak Signifikan
-0.1997 0.0697 Signifikan
5. (1,0) Intercept 0.0003 0.0009 Tidak Signifikan
-0.1291 0.0693 Tidak Signifikan
6. (0,1) Intercept 0.0003 0.0009 Tidak Signifikan
-0.1507 0.0747 Tidak Signifikan
7. (2,0)
Intercept 0.0003 0.0009 Tidak Signifikan
-0.1374 0.0696 Tidak Signifikan
-0.0782 0.0703 Tidak Signifikan
8. (0,2)
Intercept 0.0003 0.0008 Tidak Signifikan
-0.1436 0.0704 Signifikan
-0.1007 0.0844 Tidak Signifikan
9. (2,2)
Intercept 0.0003 0.0007 Tidak Signifikan
-0.2692 0.2976 Tidak Signifikan
0.4298 0.2813 Tidak Signifikan
0.1474 0.2659 Tidak Signifikan
-0.6008 0.2506 Signifikan
10. (2,1)
Intercept 0.0003 0.0009 Tidak Signifikan
-0.8722 0.2002 Signifikan
-0.1817 0.0688 Signifikan
0.7439 0.1922 Signifikan
Untuk mengetahui parameter signifikan atau tidak yaitu dengan melihat
hasil dari nilai koefisien parameter dibagi standar errornya. Parameter dikatakan
signifikan jika hasil baginya lebih kecil dari atau lebih besar dari 1.96.
Berdasarkan Tabel 4.3 didapatkan model ARMA yang signifikan yaitu model
![Page 42: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/42.jpg)
27
ARMA (1,1) dan ARMA(2,1). Karena keduanya memiliki intercept yang tidak
signifikan, maka selanjutnya membangun model ARMA(1,1) dan ARMA(2,1)
dengan menghilangkan intercept dan membandingkan nilai AIC. Dalam memilih
model terbaik yaitu dengan mencari nilai AIC terkecil dari model. Berikut
perbandingan nilai AIC model ARMA(1,1) dan ARMA(2,1) tanpa intercept.
Tabel 4. 4. AIC Model ARMA (1,1) dan ARMA (2,1)
No Model
ARMA(p,q) Estimasi Parameter
Standar
Error AIC
1. (1,1) 0.6107 0.2136
-1151.83 -0.7530 0.1789
2. (2,1)
-0.8731 0.1995
-1150.1 -0.1816 0.0688
0.7449 0.1913
Berdasarkan Tabel 4.4 di atas diperoleh nilai AIC terkecil terdapat pada
model ARMA (1,1), sehingga model ARMA (1,1) yang akan dilanjutkan untuk
tahap selanjutnya yaitu diagnosis model.
4.1.4 Diagnosis Model ARMA
Pada tahap ini model terpilih yaitu ARMA(1,1) akan diuji kenormalan,
autokorelasi dan heteroskedastisitas dari residualnya. Uji ini bertujuan untuk
melihat apakah data return harga saham penutupan FMII telah memenuhi ketiga
asumsi tersebut sebelum diprediksi. Berikut Gambar 4.6 adalah plot dari residual
model ARMA (1,1).
Gambar 4. 6. Plot Residual Model ARMA (1,1)
![Page 43: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/43.jpg)
28
Berdasarkan Gambar 4.6 data residual tersebut mengikuti pola data aslinya
yaitu data return harga saham penutupan PT Fortune Mate Indonesia Tbk. Berikut
merupakan hasil diagnosis model ARMA(1,1).
4.1.4.1 Uji Normalitas
Uji kenormalan dapat dilihat dari histogram dan QQ-plot dari data residual.
Berikut Gambar 4.7 merupakan histogram dan QQ-plot dari residual.
Gambar 4. 7. Histogram dan QQ-Plot Residual ARMA (1,1)
Berdasarkan histogram dan QQ-plot pada Gambar 4.7 terlihat residual tidak
berdistribusi normal. Selanjutnya untuk mengetahui residual berdistribusi normal
atau tidak adalah dengan uji Shapiro Wilk dan Jarque Bera pada Tabel 4.5 berikut.
Tabel 4. 5. Uji Shapiro Wilk dan Jarque Bera
Uji P-Value
Shapiro Wilk 9.751e-12
Jarque Bera < 2.2e-16
Berdasarkan Tabel 4.5 didapatkan p-value pada uji Shapiro Wilk dan uji
Jarque Bera berturut-turut sebesar 9.751e-12 dan < 2.2e-16 lebih kecil dari taraf
signifikansinya 5% yaitu 0.05. Oleh karena itu tolak H0, artinya residual tidak
berdistribusi normal.
4.1.4.2 Uji Autokorelasi
Selanjutnya dalam diagnosis model ARMA yaitu uji autokorelasi pada
residual. Berikut uji autokorelasi dengan uji Ljung-Box.
![Page 44: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/44.jpg)
29
Tabel 4. 6. Uji Autokorelasi dengan Ljung-Box Uji P-Value
Ljung-Box 0.2202
Berdasarkan Tabel 4.6 didapatkan nilai p-value sebesar 0.2202 lebih besar
dari taraf signifikansinya sebesar 0.05, maka terima Ho, artinya residual tidak
terdapat autokorelasi.
4.1.4.3 Uji Heteroskedastisitas
Untuk mengetahui residual terdapat heteroskedastisitas atau tidak, berikut
Tabel 4.7 dengan uji Ljung-Box dari galat kuadrat model ARMA(1,1).
Tabel 4. 7. Uji Ljung-Box dari Galat Kuadrat
Uji P-Value
Ljung-Box 0.0002553
Dapat dilihat dari Tabel 4.7 bahwa didapatkan nilai p-value sebesar
0.0002553 lebih kecil dari taraf signifikansi sebesar 0.05. maka tolak H0, artinya
residual terdapat pelanggaran asumsi homoskedastisitas.
4.2 Pembentukan Model ARCH
Karena terdapat heteroskedastisitas pada model ARMA(1,1), maka
selanjutnya akan dimodelkan dengan penambahan model ARCH yang dilakukan
setelah model ARMA terbentuk.
4.2.1 Pendugaan Model ARCH
Identifikasi orde ARCH dapat dilihat dari grafik ACF dan PACF dari galat
kuadrat model ARMA(1,1) data return harga saham pada Gambar 4.8 berikut.
Gambar 4. 8. Plot ACF dan PACF Galat Kuadrat Model ARMA(1,1)
![Page 45: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/45.jpg)
30
Dapat dilihat dari Gambar 4.8 bahwa terdapat lag ke-2 yang melewati garis
signifikan, sehingga diduga orde ARCH terbesar adalah ARCH(2). Berikut hasil
estimasi parameter model ARCH dilihat dari nilai AICnya.
Tabel 4. 8. Estimasi Parameter Model ARCH
No
Model
ARMA(1,1)
-ARCH(s)
Koefisien
Estimasi
Parameter
AIC
1. ARCH(1)
0.62919
-5.5817 -0.7740
a0 0.00017
a1 0.24760
2. ARCH(2)
0.99432
-5.5756
-1.00000
a0 0.00015
a1 0.16723
a2 0.19264
Berdasarkan Tabel 4.8 nilai AIC terkecil berada pada model ARMA(1,1)-
ARCH(1). Sehingga model terbaik yang terpilih adalah model ARMA(1,1)-
ARCH(1) dengan nilai AIC sebesar -5.5817.
4.2.2 Uji Validitas Model
Model yang terpilih berdasarkan AIC terkecil dari data in sample tanpa
melibatkan data out sample dites untuk memprediksi data return selanjutnya
sebanyak data out sample, kemudian model divalidasi dengan mencari nilai
MAPE. Perbandingan data aktual dan prediksi dari data return out sample saham
dan harga saham dari model ARMA(1,1)-ARCH(1) periode 21/12/2018 -
03/01/2019 atau sebanyak 10 data akan ditunjukkan pada Gambar 4.9 & 4.10.
![Page 46: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/46.jpg)
31
Gambar 4. 9. Plot Perbandingan Nilai Aktual dan Prediksi Return
Harga Saham Penutupan
Gambar 4. 10. Plot Perbandingan Nilai Aktual dan Prediksi Harga Saham
Penutupan
Berdasarkan Gambar 4.9 nilai prediksi return data out sample dan data
prediksi harga saham out sample pada Gambar 4.10 terlihat konstan. Berdasarkan
pada Gambar 4.10 diperoleh nilai MAPE dari data out sample sebesar 5.201%
yang artinya model ARMA(1,1) sebagai model conditional mean dan ARCH(1)
sebagai model conditional variance sudah baik memproyeksikan data aktual
harga penutupan saham frekuensi harian.
Berikut model Conditional Mean ARMA(1,1):
dan model Conditional Variance ARCH(1):
![Page 47: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/47.jpg)
32
Selain didapatkan model terbaik dari model ARMA-ARCH, pada penelitian
ini dicari pula nilai MAPE dari model sederhana yaitu model atau data
prediksi pada waktu ke-t adalah data aktual pada waktu ke-(t-1). Berikut adalah
nilai aktual dan nilai prediksi dari data out sample model dimana nilai
aktual observasi ke 209 atau periode 20/12/18 adalah 650.
Tabel 4. 9. Nilai Aktual dan Prediksi Harga Saham
No. Periode Aktual Prediksi
210 21/12/18 625 650
211 24/12/18 625 625
212 25/12/18 625 625
213 26/12/18 625 625
214 27/12/18 645 625
215 28/12/18 700 645
216 31/01/18 700 700
217 01/01/19 700 700
218 02/01/19 700 700
219 03/01/19 700 700
Berdasarkan Tabel 4.9 diperoleh nilai MAPE sebesar 1.5%. Nilai MAPE
yang diperoleh dari model lebih kecil dibandingkan nilai MAPE dari
model ARMA(1,1)-ARCH(1). Untuk itu, karena model ARMA(1,1)-ARCH(1)
memiliki nilai MAPE 5.2% dan tidak memenuhi asumsi distribusi normal, pada
penelitian ini dibangun selang kepercayaan dari prediksi dengan pendekatan
bootstrap persentil.
4.3 Bootstrap pada Model Model ARMA(1,1)-ARCH(1)
Selanjutnya penelitian ini mengaplikasikan metode bootstrap dalam
membangun selang kepercayaan prediksi pada proses ARMA(1,1)-ARCH(1) yang
tidak diketahui distribusinya dengan mereplikasi residual yang white noise.
Berikut merupakan plot nilai prediksi, selang kepercayaan prediksi ARMA(1,1)-
ARCH(1) pendekatan tradisional dan pendekatan bootstrap persentil pada model
ARMA(1,1)-ARCH(1) dengan tingkat kepercayaan 90%, 95% dan 99%
berdasarkan langkah-langkah bootstrap pada BAB 3 yang dibantu oleh program
Rstudio.
![Page 48: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/48.jpg)
33
Prediksi Tr.90% B.95% B.99%
B.90% Tr.95% Tr.99%
Gambar 4. 11. Plot Selang Kepercayaan pendekatan tradisional dan
bootstrap B = 5000 kali, tingkat kepercayaan 90%, 95% dan 99%
Gambar 4.11 di atas menunjukkan bahwa garis merah merupakan nilai
prediksinya, garis ungu merupakan selang kepercayaan pendekatan bootstrap
dengan tingkat kepercayaan 90%, garis orange merupakan selang kepercayaan
pendekatan tradisional dengan tingkat kepercayaan 90%, garis hijau merupakan
selang kepercayaan pendekatan bootstrap dengan tingkat kepercayaan 95%, garis
coklat merupakan nilai selang kepercayaan prediksi dengan pendekatan
tradisional dengan tingkat kepercayaan 95%, garis hitam merupakan nilai selang
kepercayaan prediksi dengan pendekatan bootstrap dengan tingkat kepercayaan
99%, dan garis biru merupakan nilai selang kepercayaan prediksi dengan
pendekatan tradisional dengan tingkat kepercayaan 99%. Berdasarkan Gambar
4.11 secara keseluruhan terlihat bahwa semakin besar tingkat kepercayaan (90%,
95% dan 99%), maka length selang kepercayaan semakin besar baik pada selang
kepercayaan prediksi dengan pendekatan tradisional maupun pendekatan
bootstrap persentil. Semakin besar length selang kepercayaan, maka semakin
banyak pula kemungkinan nilai prediksi yang termuat. Oleh karena itu, tingkat
kebenaran juga semakin tinggi. Begitu juga sebaliknya, semakin kecil tingkat
kepercayaan, maka length selang kepercayaan semakin mengecil pula, dan tingkat
kebenaran semakin kecil.
![Page 49: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/49.jpg)
34
Selanjutnya dihitung nilai mean dan standar deviasi dari length selang
kepercayaan untuk membandingkan selang kepercayaan pendekatan tradisional
dan pendekatan bootstrap persentil dengan pengulangan 500, 1000 dan 5000 kali.
Adapun hasilnya pada Tabel 4.10 berikut:
Tabel 4. 10. Mean dan Standar Deviasi (SD) dari Length (l) Selang Kepercayaan
Pendekatan Tradisional dan Pendekatan Bootstrap Persentil
Berdasarkan Tabel 4.10 nilai mean terkecil dari length selang pada tingkat
kepercayaan 90% dan 95% berada pada pembentukan selang kepercayaan
pendekatan bootstrap persentil dengan pengulangan 5000 kali, sedangkan pada
tingkat kepercayaan 99% nilai mean terkecil dari length selang berada pada
pembentukan selang kepercayaan pendekatan tradisional. Sehingga nilai prediksi
dan selang kepercayaan yang dipilih dengan mean terkecil dari length selang
dengan tingkat kepercayaan 90%, 95% dan 99% dari data out sample periode 21
Desember 2018 hingga 03 Januari 2019 disajikan pada Tabel 4.11 berikut:
Selang Kepercayaan
B 90% 95% 99%
Tradisional Mean = 188.481 Mean = 225.1449 Mean = 297.6413
SD = 101.3501 SD = 121.3544 SD = 161.3689
500 Mean = 70.37777 Mean = 144.7901 Mean = 387.3837
SD = 17.43903 SD = 40.11892 SD = 109.8828
1000 Mean = 96.01037 Mean = 223.7548 Mean = 463.9338
SD = 43.49043 SD = 110.6976 SD = 226.5883
5000 Mean = 65.6093 Mean = 138.5393 Mean = 381.284
SD = 16.78279 SD = 37.41072 SD = 131.0902
![Page 50: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/50.jpg)
35
Tabel 4. 11. Data Harga Saham Aktual, Prediksi dan Selang Kepercayaan
Prediksi Tingkat Kepercayaan 90% & 95% Pendekatan Bootstrap Persentil B =
5000, dan Tingkat Kepercayaan 99% Pendekatan Tradisional
Periode Aktual Prediksi
1
Prediksi
2
Selang Kepercayaan
90% 95% 99%
BB BA BB BA BB BA
21/12/18 625 651.23 650 632.0 666.6 614.5 675.2 622.5 681.3
24/12/18 625 652 625 626.5 679.2 602.7 693.5 598.2 710.6
25/12/18 625 652.5 625 619.4 689.2 591.7 703.1 575.3 740.1
26/12/18 625 652.8 625 614.9 698.7 587.3 713.4 553.2 770.3
27/12/18 645 653 625 610.2 708.0 581.0 719.2 531.9 801.6
28/12/18 700 653.11 645 606.1 717.3 578.3 726.1 511.4 834.0
31/01/18 700 653.19 700 601.5 727.4 574.5 730.1 491.7 867.7
01/01/19 700 653.24 700 597.3 736.7 572.6 735.3 472.7 902.7
02/01/19 700 653.27 700 591.6 745.4 570.0 738.6 454.4 939.1
03/01/19 700 653.29 700 586.8 754.2 568.4 742.7 436.8 977.0
Keterangan:
Prediksi 1 : Prediksi dari Model ARMA(1,1)-ARCH(1)
Prediksi 2 : Nilai Prediksi dari Model
BB : Batas Bawah
BA : Batas Atas
![Page 51: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/51.jpg)
36
BAB V
PENUTUP
5.1 Kesimpulan
Dari hasil penelitian ini, pemodelan prediksi harga saham penutupan PT
Fortune Mate Indonesia Tbk menggunakan model ARMA-ARCH. Model terbaik
yaitu ARMA(1,1) sebagai model conditional mean dan ARCH(1) sebagai model
conditional variance.
a. Model Conditional Mean ARMA(1,1):
b. Model Conditional Variance ARCH(1):
Selanjutnya dibentuk selang kepercayaan prediksi pendekatan metode
bootstrap persentil pada model ARMA(1,1)-ARCH(1), dengan tingkat
kepercayaan 90%, 95% dan 99%. Cara untuk menghitung selang kepercayaan
prediksi pendekatan bootstrap residual persentil model ARMA-ARCH adalah
dengan membangkitkan residual baru dari residual model secara acak sebanyak T
direplikasi sebanyak B, kemudian membangkitkan sampel bootstrap yang
digunakan untuk memprediksi data atau untuk membentuk replikasi bootstrap.
Replikasi bootstrap dari masing-masing prediksi diurut dari nilai terkecil hingga
nilai terbesar, kemudian dipilih batas bawah dari masing-masing prediksi yaitu
replikasi bootstrap ke-( ⁄ ) dan batas atasnya dari masing-masing prediksi
yaitu replikasi bootstrap ke-( ⁄ ). Pada penelitian ini juga dihitung mean
dan standar deviasi dari dari length ( ) selang kepercayaan prediksi pendekatan
tradisional dan pendekatan bootstrap persentil yang diulangi sebanyak B = 500,
1000 dan 5000 kali. Dalam penelitian ini diperoleh nilai mean terkecil dari length
selang pada tingkat kepercayaan 90% dan 95% berada pada selang kepercayaan
bootstrap dengan pengulangan 5000 kali. Sedangkan untuk tingkat kepercayaan
99% nilai mean terkecil dari length selang berada pada pembuatan selang
kepercayaan pendekatan tradisional.
![Page 52: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/52.jpg)
37
5.2 Saran
Saran yang dapat penulis berikan untuk mengembangkan penelitian
berikutnya adalah:
1. Dalam penelitian ini penulis hanya membandingkan selang kepercayaan
prediksi pendekatan tradisional dan selang kepercayaan pendekatan bootstrap
persentil, diharapkan penelitian selanjutnya menggunakan juga metode selang
kepercayaan dengan pendekatan bootstrap SE agar lebih bervariasi dalam
membandingkan hasil selang kepercayaan prediksi model ARMA-ARCH.
2. Untuk penelitian selanjutnya dapat juga menerapkan metode bootstrap pada
pemodelan data runtun waktu asimetris.
![Page 53: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/53.jpg)
38
REFERENSI
[1] G. Supramono, 2014, Transaksi Bisnis Saham dan Penyelesaian Sengketa
Melalui Pengadilan, Jakarta: Prenadamedia Group.
[2] Amjad Ali, S. Ahmad Khan, A. Umair Khalil, dan Dost M. Khan, 2017,
Bootstrap Prediction Intervals for Time Series Models with Heteroscedastic
Errors, Pak. J. Statist, 33 (1), pp. 1-13.
[3] Yulianti Karomah dan Putriaji Hendikawati, 2014, Estimasi Parameter
Bootstrap pada Proses ARMA dan aplikasinya pada harga saham, UNNES
Journal of Mathematics, 3 (2).
[4] Marzuki, Hinzir Sofyan, dan Asep Rusyana, 2010, Pendugaan Selang
Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi,
Statistika, 10 (1), pp. 13-23.
[5] Yahoo Finance, 2019, Harga Saham PT Fortune Mate Indonesia Tbk
(FMII.JK), https://finance.yahoo.com/quote/FMII.JK/history?p=FMII.JK,
diakses pada 04 Maret 2019, Pukul 11:07:14 WIB.
[6] K. L. Ayu Nastiti dan Agus Suharsono, 2012, Analisis Volatilitas Saham
Perusahaan Go Public dengan Metode ARCH-GARCH, Jurnal Sains dan
Seni ITS, 1 (1).
[7] Jonathan D. Cryer dan Kung-Sik Chan, 2008, Time Series Analysis With
Applications In R Second Edition, USA : Spinger Science + Bussines
Media.
[8] Hutomo Atman Maulana, 2018, Pemodelan Deret Waktu dan Peramalan
Curah Hujan pada Dua Belas Stasiun di Bogor, Jurnal Matematika,
Statistika & Komputasi, 15 (1), pp.50-63.
[9] D. Rosadi, 2012, Ekonometrika & Analisis Runtun Waktu Terapan dengan
Eviews, Yogyakarta: C. V Andi Offset.
[10] Eni Setyowati, Siti Fatimah NH., 2007, Analisis Faktor-Faktor yang
Mempengaruhi Investasi dalam Negeri di Jawa Tengah Tahun 1980-2002,
Jurnal Ekonomi Pembangunan, 8 (1), pp.62-84.
[11] M. Arifin, Tarno, dan Budi Warsito, 2017, Pemodelan Return Portofolio
![Page 54: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/54.jpg)
39
Saham Menggunakan Metode GARCH Asimetris, Jurnal Gaussian, 6 (1),
pp. 51 – 60.
[12] A. Widarjono, 2017, Ekonometrika Pengantar dan Aplikasinya disertai
Panduan Eviews, Yogyakarta: UPP STIM YKPN.
[13] Joko Sungkono, 2015, Bootstrap Resampling Observasi pada Estimasi
Parameter Regresi Menggunakan Software R. Magistra, (92).
[14] Kenichi Shimizu, 2010, Bootstrapping Stationary ARMA-GARCH Models,
Jerman: ©Vieweg + Teubner.
[15] Iwa Sungkawa dan Ries Tri Megasari, 2011, Penerapan Ukuran Ketetapan
Nilai Ramalan Data Deret Waktu dalam Seleksi Model Peramalan Volume
Penjualan PT Satriamandiri Citramulia, ComTech, 2 (2), pp.636-645.
![Page 55: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/55.jpg)
Lampiran I. Data yang Digunakan dalam Penelitian
No. Waktu
Harga
Saham
Penutupan
Nilai
Return No. Waktu
Harga
Saham
Penutupan
Nilai
Return No. Waktu
Harga
Saham
Penutupan
Nilai
Return No. Waktu
Harga
Saham
Penutupan
Nilai
Return
1 05/03/18 610
56 21/05/18 620 0,0120 111 06/08/18 730 0,0311 166 22/10/18 710 -0,0105
2 06/03/18 615 0,0122 57 22/05/18 625 0,0120 112 07/08/18 735 0,0102 167 23/10/18 715 0,0105
3 07/03/18 605 -0,0246 58 23/05/18 630 0,0120 113 08/08/18 730 -0,0102 168 24/10/18 720 0,0105
4 08/03/18 615 0,0246 59 24/05/18 645 0,0353 114 09/08/18 725 -0,0103 169 25/10/18 720 0,0000
5 09/03/18 635 0,0480 60 25/05/18 645 0,0000 115 10/08/18 730 0,0103 170 26/10/18 725 0,0104
6 12/03/18 640 0,0118 61 28/05/18 660 0,0345 116 13/08/18 720 -0,0207 171 29/10/18 725 0,0000
7 13/03/18 625 -0,0356 62 29/05/18 660 0,0000 117 14/08/18 720 0,0000 172 30/10/18 720 -0,0104
8 14/03/18 630 0,0120 63 30/05/18 655 -0,0114 118 15/08/18 730 0,0207 173 31/10/18 725 0,0104
9 15/03/18 625 -0,0120 64 31/05/18 655 0,0000 119 16/08/18 725 -0,0103 174 01/11/18 730 0,0103
10 16/03/18 615 -0,0242 65 01/06/18 655 0,0000 120 17/08/18 725 0,0000 175 02/11/18 730 0,0000
11 19/03/18 625 0,0242 66 04/06/18 665 0,0227 121 20/08/18 740 0,0307 176 05/11/18 725 -0,0103
12 20/03/18 625 0,0000 67 05/06/18 680 0,0335 122 21/08/18 745 0,0101 177 06/11/18 725 0,0000
13 21/03/18 635 0,0238 68 06/06/18 685 0,0110 123 22/08/18 745 0,0000 178 07/11/18 725 0,0000
14 22/03/18 620 -0,0359 69 07/06/18 695 0,0217 124 23/08/18 750 0,0100 179 08/11/18 725 0,0000
15 23/03/18 615 -0,0121 70 08/06/18 685 -0,0217 125 24/08/18 740 -0,0201 180 09/11/18 720 -0,0104
16 26/03/18 615 0,0000 71 11/06/18 685 0,0000 126 27/08/18 750 0,0201 181 12/11/18 690 -0,0638
LAMPIRAN – LAMPIRAN
![Page 56: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/56.jpg)
17 27/03/18 620 0,0121 72 12/06/18 685 0,0000 127 28/08/18 755 0,0100 182 13/11/18 710 0,0429
18 28/03/18 615 -0,0121 73 13/06/18 685 0,0000 128 29/08/18 750 -0,0100 183 14/11/18 710 0,0000
19 29/03/18 620 0,0121 74 14/06/18 685 0,0000 129 30/08/18 745 -0,0100 184 15/11/18 720 0,0210
20 30/03/18 620 0,0000 75 15/06/18 685 0,0000 130 31/08/18 740 -0,0101 185 16/11/18 720 0,0000
21 02/04/18 635 0,0359 76 18/06/18 685 0,0000 131 03/09/18 740 0,0000 186 19/11/18 690 -0,0638
22 03/04/18 630 -0,0119 77 19/06/18 685 0,0000 132 04/09/18 740 0,0000 187 20/11/18 690 0,0000
23 04/04/18 625 -0,0120 78 20/06/18 680 -0,0110 133 05/09/18 725 -0,0307 188 21/11/18 680 -0,0219
24 05/04/18 630 0,0120 79 21/06/18 675 -0,0111 134 06/09/18 725 0,0000 189 22/11/18 690 0,0219
25 06/04/18 630 0,0000 80 22/06/18 675 0,0000 135 07/09/18 690 -0,0742 190 23/11/18 690 0,0000
26 09/04/18 630 0,0000 81 25/06/18 680 0,0111 136 10/09/18 695 0,0108 191 26/11/18 680 -0,0219
27 10/04/18 635 0,0119 82 26/06/18 680 0,0000 137 11/09/18 695 0,0000 192 27/11/18 680 0,0000
28 11/04/18 640 0,0118 83 27/06/18 680 0,0000 138 12/09/18 705 0,0214 193 28/11/18 680 0,0000
29 12/04/18 640 0,0000 84 28/06/18 675 -0,0111 139 13/09/18 720 0,0316 194 29/11/18 645 -0,0793
30 13/04/18 640 0,0000 85 29/06/18 680 0,0111 140 14/09/18 725 0,0104 195 30/11/18 630 -0,0353
31 16/04/18 640 0,0000 86 02/07/18 680 0,0000 141 17/09/18 720 -0,0104 196 03/12/18 680 0,1146
32 17/04/18 640 0,0000 87 03/07/18 670 -0,0222 142 18/09/18 690 -0,0638 197 04/12/18 680 0,0000
33 18/04/18 630 -0,0236 88 04/07/18 665 -0,0112 143 19/09/18 695 0,0108 198 05/12/18 690 0,0219
34 19/04/18 630 0,0000 89 05/07/18 675 0,0224 144 20/09/18 710 0,0320 199 06/12/18 690 0,0000
35 20/04/18 630 0,0000 90 06/07/18 675 0,0000 145 21/09/18 715 0,0105 200 07/12/18 690 0,0000
36 23/04/18 625 -0,0120 91 09/07/18 685 0,0221 146 24/09/18 715 0,0000 201 10/12/18 690 0,0000
37 24/04/18 625 0,0000 92 10/07/18 695 0,0217 147 25/09/18 715 0,0000 202 11/12/18 690 0,0000
38 25/04/18 625 0,0000 93 11/07/18 695 0,0000 148 26/09/18 725 0,0208 203 12/12/18 680 -0,0219
39 26/04/18 625 0,0000 94 12/07/18 695 0,0000 149 27/09/18 720 -0,0104 204 13/12/18 700 0,0435
![Page 57: PENGAPLIKASIAN METODE BOOTSTRAP DALAM ...repository.uinjkt.ac.id/dspace/bitstream/123456789/48173...Arsy selaku Departemen RELASI 2017 yang telah sabar membimbing peneliti dalam organisasi,](https://reader030.vdokumen.com/reader030/viewer/2022012002/60950809fa7bce3296077b21/html5/thumbnails/57.jpg)
40 27/04/18 625 0,0000 95 13/07/18 695 0,0000 150 28/09/18 730 0,0207 205 14/12/18 650 -0,1112
41 30/04/18 625 0,0000 96 16/07/18 695 0,0000 151 01/10/18 725 -0,0103 206 17/12/18 650 0,0000
42 01/05/18 625 0,0000 97 17/07/18 700 0,0108 152 02/10/18 720 -0,0104 207 18/12/18 650 0,0000
43 02/05/18 625 0,0000 98 18/07/18 700 0,0000 153 03/10/18 725 0,0104 208 19/12/18 630 -0,0469
44 03/05/18 620 -0,0120 99 19/07/18 700 0,0000 154 04/10/18 690 -0,0742 209 20/12/18 650 0,0469
45 04/05/18 620 0,0000 100 20/07/18 705 0,0107 155 05/10/18 685 -0,0109 210 21/12/18 625 -0,0588
46 07/05/18 620 0,0000 101 23/07/18 710 0,0106 156 08/10/18 680 -0,0110 211 24/12/18 625 0,0000
47 08/05/18 620 0,0000 102 24/07/18 715 0,0105 157 09/10/18 685 0,0110 212 25/12/18 625 0,0000
48 09/05/18 625 0,0120 103 25/07/18 725 0,0208 158 10/10/18 700 0,0325 213 26/12/18 625 0,0000
49 10/05/18 625 0,0000 104 26/07/18 710 -0,0314 159 11/10/18 695 -0,0108 214 27/12/18 645 0,0472
50 11/05/18 630 0,0120 105 27/07/18 715 0,0105 160 12/10/18 700 0,0108 215 28/12/18 700 0,1227
51 14/05/18 630 0,0000 106 30/07/18 710 -0,0105 161 15/10/18 700 0,0000 216 31/12/18 700 0,0000
52 15/05/18 610 -0,0484 107 31/07/18 705 -0,0106 162 16/10/18 700 0,0000 217 01/01/19 700 0,0000
53 16/05/18 625 0,0364 108 01/08/18 715 0,0211 163 17/10/18 715 0,0318 218 02/01/19 700 0,0000
54 17/05/18 630 0,0120 109 02/08/18 710 -0,0105 164 18/10/18 715 0,0000 219 03/01/19 700 0,0000
55 18/05/18 625 -0,0120 110 03/08/18 715 0,0105 165 19/10/18 715 0,0000