PERBANDINGAN METODE EWMA DAN …repository.uinjkt.ac.id/dspace/bitstream/123456789/41937...2014 –...
Transcript of PERBANDINGAN METODE EWMA DAN …repository.uinjkt.ac.id/dspace/bitstream/123456789/41937...2014 –...
PERBANDINGAN METODE EWMA DAN ARCH/GARCH DALAM
PEMBENTUKAN PORTOFOLIO OPTIMAL PADA SAHAM SYARIAH
DI JAKARTA ISLAMIC INDEX (JII)
PERIODE JULI 2013 – JUNI 2018
Skripsi
Diajukan kepada Fakultas Ekonomi dan Bisnis
(Untuk Memenuhi Syarat-Syarat Guna Meraih Gelar Sarjana Ekonomi)
Oleh :
Ratna Fitriya Nur Fatimah
Nim. 11140810000071
JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
1440 H / 2018 M
i
PERBANDINGAN METODE EWMA DAN ARCH/GARCH DALAM
PEMBENTUKAN PORTOFOLIO OPTIMAL PADA SAHAM SYARIAH
DI JAKARTA ISLAMIC INDEX (JII)
PERIODE JULI 2013 – JUNI 2018
Skripsi
Diajukan kepada Fakultas Ekonomi dan Bisnis untuk Memenuhi
Persyaratan Memperoleh Gelar Sarjana Ekonomi
Oleh :
Ratna Fitriya Nur Fatimah
NIM. 11140810000071
Di bawah Bimbingan
Pembimbing I
Prof. Dr. Ahmad Rodoni, MM
NIP. 19690203 2001121 003
JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
1440 H / 2018 M
ii
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF
Pada hari Kamis, 12 April 2018 telah dilakukan Ujian Komprehensif atas
mahasiswa:
Nama : Ratna Fitriya Nur Fatimah
NIM : 11140810000071
Jurusan : Manajemen
Judul Skripsi : Perbandingan Metode EWMA dan ARCH/GARCH dalam
Pembentukan Portofolio Optimal Pada Saham Syariah di
Jakarta Islamic Index (JII) Periode Juli 2013 – Juni 2018
Setelah mencermati dan memperhatikan penampilan serta kemampuan yang
bersangkutan selama proses Ujian Komprehensif, maka diputuskan bahwa
mahasiswa di atas dinyatakan LULUS dan diberi kesempatan untuk melanjutkan
ke tahap Ujian Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana
Ekonomi di Fakultas Ekonomi dan Bisnis Universitas Islam Negeri Syarif
Hidayatullah Jakarta.
Jakarta, 12 April 2018
1. Amalia, M.S.M (___________________)
NIP. 19740821 200901 2 005 Penguji I
2. Faizul Mubarok, MM (___________________)
Penguji II
iii
LEMBAR PENGESAHAN UJIAN SKRIPSI
Pada hari Rabu, 26 September 2018 telah dilakukan Ujian Skripsi atas mahasiswa:
Nama : Ratna Fitriya Nur Fatimah
NIM : 11140810000071
Jurusan : Manajemen
Judul Skripsi : Perbandingan Metode EWMA dan ARCH/GARCH dalam
Pembentukan Portofolio Optimal Pada Saham Syariah di
Jakarta Islamic Index (JII) Periode Juli 2013 – Juni 2018
Setelah mencermati dan memperhatikan penampilan serta kemampuan yang
bersangkutan selama proses Ujian Skripsi, maka diputuskan bahwa mahasiswa di
atas dinyatakan LULUS dan skripsi ini diterima sebagai salah satu syarat untuk
memperoleh gelar Sarjana Ekonomi di Fakultas Ekonomi dan Bisnis Universitas
Islam Negeri Syarif Hidayatullah Jakarta.
Jakarta, 26 September 2018
1. Dr. Titi Dewi Warninda,. SE, M.Si (_______________________)
NIP. 19731221 200501 2 002 Ketua
2. Prof. Dr. Ahmad Rodoni, MM (_______________________)
NIP. 19690203 200112 1 003 Sekretaris
3. Murdiyah Hayati, S.Kom.,MM (_______________________)
NIP. 19741003 200312 2 001 Penguji Ahli
4. Prof. Dr. Ahmad Rodoni, MM (_______________________)
NIP. 19690203 200112 1 003 Pembimbing I
iv
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH
Yang bertanda tangan di bawah ini :
Nama : Ratna Fitriya Nur Fatimah
NIM : 11140810000071
Fakultas : Ekonomi dan Bisnis
Jurusan : Manajemen/Keuangan
Dengan ini menyatakan bahwa dalam penulisan skripsi ini, Saya :
1. Tidak menggunakan ide orang lain tanpa mampu mengembangkan dan
mempertanggungjawabkan
2. Tidak melakukan plagiat terhadap naskah karya orang lain
3. Tidak menggunakan karya orang lain tanpa menyebutkan sumber asli
atau tanpa ijin pemilik karya
4. Tidak melakukan pemanipulasian dan pemalsuan data
5. Mengerjakan sendiri karya ini dan mampu bertanggung jawab atas karya
ini
Apabila dikemudian hari ada tuntutan dari pihak lain atas karya Saya, dan telah
melalui pembuktian yang dapat dipertanggung jawabkan, ternyata memang
ditemukan bukti bahwa saya telah melanggar pernyataan di atas, maka saya siap
untuk dikenai sanksi berdasarkan aturan yang berlaku di Fakultas Ekonomi dan
Bisnis UIN Syarif Hidayatullah Jakarta.
Demikian pernyataan ini Saya buat dengan sesungguhnya.
Jakarta, 3 September 2018
(Ratna Fitriya Nur Fatimah)
NIM. 11140810000071
v
DAFTAR RIWAYAT HIDUP
Identitas Pribadi
Nama : Ratna Fitriya Nur Fatimah
Tempat, Tanggal Lahir : Purworejo, 11 Maret 1996
Alamat Rumah : Jalan Haji Usman RT 05/RW 06 No. 55A, Kelurahan
Rempoa, Kecamatan Ciputat Timur, Kota Tangerang
Selatan, Provinsi Banten.
Ayah : Marsila
Ibu : Siswati
No. Handphone : 083813252162
E-mail : [email protected]
Pendidikan Formal
2001 – 2008 : SD Negeri Bintaro 014 Pagi
2008 – 2011 : SMP Negeri 178 Jakarta
2011 – 2014 : SMK Negeri 18 Jakarta
2014 – 2018 : Program Sarjana S1 Manajemen Keuangan FEB UIN
Syarif Hidayatullah Jakarta
Pengalaman Organisasi
2013 – 2014 : Anggota Rohis SMK Negeri 18 Jakarta
2015 – 2016 : Anggota Divisi Kewirausahaan HMJ Manajemen
2017 : Anggota Divisi Humas KKN Sanubari 142
vi
ABSTRACT
This study aims to compare volatility stock that estimate by Exponentially
Weighted Moving Average (EWMA) method and Autoregressive Conditional
Heteroscedasticity/Generallized Autoregressive Conditional Heteroscedasticity
(ARCH/GARCH) method to build portfolio for sharia stocks in Jakarta Islamic
Index (JII) for the observation period July 2013 – June 2018. Variance-covariance
matrix use to build portfolio for each method, then optimal portfolio selected based
on the highest Capital Allocation Line (CAL) slope. The result of study shows that
risk and return portfolio that build with EWMA method better than risk and return
portfolio that build with ARCH/GARCH method. Optimal portfolio that build with
EWMA method is better than optimal portfolio that build with ARCH/GARCH
method based on higher Capital Allocation Line (CAL) slope. Optimal portfolio
with EWMA method consists of five stocks there are ADRO, ICBP, TLKM, UNTR
and UNVR. While, optimal portfolio with ARCH/GARCH method consists of four
stocks there are ICBP, TLKM, UNTR and UNVR. Furthermore, market risk is
calculated with Value at Risk (VaR) method the result shows that market risk of
optimal portfolio with ARCH/GARCH method is better than market risk of optimal
portfolio with EWMA method. Performance of optimal portfolio with EWMA
method is better than performance of optimal portfolio with ARCH/GARCH method
based on Sharpe Index, Traynor Index and Jansen Index.
Keywords : Volatilities, Optimal Portfolio, EWMA, ARCH/GARCH, Value at Risk,
Sharpe Index, Traynor Index and Jansen Index
vii
ABSTRAK
Penelitian ini bertujuan untuk membandingkan volatilitas saham yang
diestimasi dengan metode Exponentially Weighted Moving Average (EWMA) dan
Autoregressive Conditional Heteroscedasticity/Generallized Autoregressive
Conditional Heteroscedasticity (ARCH/GARCH) untuk membentuk portofolio
pada saham syariah yang terdaftar di Jakarta Islamic Index (JII) periode Juli 2013
– Juni 2018. Matriks varians-kovarians digunakan untuk membentuk portofolio,
kemudian portofolio optimal dipilih berdasarkan slope Capital Allocation Line
(CAL) tertinggi. Hasil penelitian menunjukan risk dan return portofolio yang
terbentuk dengan metode EWMA lebih baik dibandingkan risk dan return
portofolio yang terbentuk dengan metode ARCH/GARCH. Portofolio optimal yang
terbentuk dengan metode EWMA lebih baik dibandingkan portofolio yang
terbentuk dengan metode ARCH/GARCH berdasarkan nilai slope Captial
Allocation Line (CAL) yang lebih tinggi. Portofolio optimal metode EWMA terdiri
dari ADRO, ICBP, TLKM, UNTR dan UNVR. Sedangkan, portofolio optimal
metode ARCH/GARCH terdiri dari ICBP, TLKM, UNTR dan UNVR. Selanjutnya,
risiko pasar dihitung dengan metode Value at Risk (VaR) hasilnya menunjukan
bahwa risiko pasar portofolio optimal metode ARCH/GARCH lebih baik
dibandingkan risiko pasar portofolio optimal yang terbentuk dengan metode
EWMA. Kinerja portofolio optimal metode EWMA lebih baik dibandingkan
kinerja portofolio optimal metode ARCH/GARCH berdasarkan metode Sharpe
Index, Traynor Index dan Jansen Index.
Kata Kunci : Volatilitas, Portofolio Optimal, EWMA, ARCH/GARCH, Value at
Risk, Sharpe Index, Traynor Index, Jansen Index
viii
KATA PENGANTAR
Bismillahirrahmanirrahim
Syukur Alhamdulillah, senantiasa penulis panjatkan kehadiran Allah SWT,
atas segala rahmat, hidayah dan inayah-Nya sehingga penulis dapat menyelesaikan
skripsi berjudul “Perbandingan Metode EWMA dan ARCH/GARCH dalam
Pembentukan Portofolio Optimal Pada Saham Syariah di Jakarta Islamic Index
(JII) Periode Juli 2013 – Juni 2018”.
Shalawat serta salam tak lepas penulis haturkan kehadirat Nabi besar
Muhammad SAW, yang telah membawa kita dari zaman kegelapan ke zaman yang
terang benderang.
Skripsi ini disusun sebagai salah satu syarat untuk memperoleh gelar sarjana
strata satu pada Fakultas Ekonomi dan Bisnis, program studi Manajemen
Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Penulis menyadari bahwa penulisan skripsi ini tidak dapat terselesaikan tanpa
dukungan dari berbagai pihak baik moril maupun materil. Oleh karena itu, dalam
kesempatan ini penulis mengucapkan terima kasih kepada pihak-pihak yang telah
membantu dalam menyusun skripsi ini, antara lain :
1. Kedua orang tua Saya, Bapak dan Mama tercinta yang dengan tulus mencintai,
merawat, mendampingi, mendidik dan membimbing dengan sepenuh hati, jiwa
dan raga sehingga membuat Saya menjadi pribadi yang tegar, tidak mudah
menyerah, dewasa dan termotivasi untuk terus maju dan berjuang dalam
menjalani hidup agar dapat membahagiakan mereka suatu saat nanti. Terima
kasih juga untuk adik Saya yang menjadi penghibur dikala lelah dan sumber
motivasi bagi Saya untuk menjadi teladan yang baik.
2. Bapak Dr. M. Arief Mufraini Lc., M.Si selaku dekan Fakultas Ekonomi dan
Bisnis UIN Syarif Hidayatullah Jakarta..
3. Ibu Dr. Titi Dewi Warninda, SE., M.Si selaku ketua Prodi Manajemen Fakultas
Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta
ix
4. Prof Dr. Ahmad Rodoni., MM selaku pembimbing I yang telah banyak
membimbing, memberi saran, petunjuk, ilmu pengetahuan dan meluangkan
waktunya serta memberikan semangat dalam proses penyusunan skripsi
sehingga penulis dapat menyelesaikan skripsi ini.
5. Mohamad Faisal Badroen, SE., MBA sebagai Dosen Pembimbing Akademik
yang telah bersedia memberikan dorongan dan arahan selama masa
perkuliahan yang dilalui penulis.
6. Seluruh Dosen Fakultas Ekonomi dan Bisnis baik Staff Akademis dan
keuangan terima kasih atas ilmu dan bantuan yang diberikan selama ini.
7. Seluruh keluarga besar yang telah memberikan perhatian dan doanya kepada
Saya sehingga membuat Saya selalu termotivasi.
8. Sahabat-sahabat Saya dari grup Ranger Baper Atika, Depi, Winarni, Husna,
Erna dan Puji terima kasih banyak karena telah menemani, berbagi kisah suka
maupun duka selama 4 tahun ini.
9. Sahabat KKN Sanubari 142 Deni, Irwan, Fajar, Ibnu, Aris, Husni, Zavita,
Nailil, Intan, Hani, Dwi, Didya, Intan, Lia dan Nurfik bersama kalian Saya
mendapat pengalaman berharga.
10. Kawan-kawan seperjuangan bimbingan Prof Rodoni Bazuri, Qisti dan
Ayudhita yang selalu peduli, berbagi ilmu dan memberikan semangat.
11. Sahabat-sahabat SMK Saya Wida, Rafika, Triyanti, Siwi, Arica, Shela, Winarti
dan Odi yang jarang bertemu namun selalu memberikan semangat dan doa
untuk Saya.
12. Sahabat Saya Nailil Amany yang dengan sabar mau mendengarkan cerita dan
keluh kesah Saya selama mengerjakan skripsi. Terima kasih karena selalu
mendengarkan, memberi semangat ketika lelah, memberikan pendapat ketika
saya bimbang.
13. Sahabat Saya Atika yang ada disaat saya merasa sedih, terima kasih karena
mengingatkan Saya untuk bersyukur karena telah mampu melewati proses
yang panjang selama masa perkuliahan.
x
14. Sahabat Saya Gialin yang dengan sukarela mempersilahkan saya untuk
melepas penat di kosannya. Zulfa Adila yang sering mengirim chat tidak
penting namum selalu berhasil membuat Saya terhibur.
15. Teman-teman dari kelas Manajemen Keuangan 2014 yang selalu memberikan
informasi, berbagi ilmu dan menyemangati secara moril.
16. Keluarga besar Manajemen 2014, terima kasih selama 4 tahun ini telah
berjuang bersama-sama.
17. Pihak-pihak yang belum saya sebutkan yang turut membantu baik dalam
bentuk moril maupun materil sehingga skripsi ini dapat terselesaikan terima
kasih atas kebaikan dan perhatian yang kalian berikan.
Penulis menyadari bahwa hasil penelitian ini masih jauh dari kesempurnaan.
Dengan segenap kerendahan hati penulis mengharapkan saran, arahan maupun
kritikan yang bersifat membangun demi kesempurnaan hasil penelitian ini. Semoga
penulisan skripsi ini dapat bermanfaat bagi semua pihak khususnya dalam bidang
manajemen keuangan.
Jakarta, 3 September 2018
Penulis,
Ratna Fitriya Nur Fatimah
xi
DAFTAR ISI
LEMBAR PENGESAHAN SKRIPSI .................................................................. i
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF ................................... ii
LEMBAR PENGESAHAN UJIAN SKRIPSI ................................................... iii
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH ........................... iv
DAFTAR RIWAYAT HIDUP .............................................................................. v
ABSTRACT ........................................................................................................... vi
ABSTRAK ........................................................................................................... vii
KATA PENGANTAR ........................................................................................ viii
DAFTAR ISI ......................................................................................................... xi
DAFTAR TABEL .............................................................................................. xiv
DAFTAR GAMBAR ............................................................................................ xv
DAFTAR LAMPIRAN ...................................................................................... xvi
BAB I PENDAHULUAN ....................................................................................... 1
A. Latar Belakang ................................................................................................ 1
B. Permasalahan ................................................................................................ 10
1. Identifikasi Masalah .............................................................................. 10
2. Batasan Masalah .................................................................................... 10
3. Rumusan Masalah ................................................................................. 11
C. Tujuan Penelitian .......................................................................................... 12
D. Manfaat Penelitian ........................................................................................ 13
BAB II TINJAUAN PUSTAKA .......................................................................... 14
A. Kajian Teori .................................................................................................. 14
1. Investasi dalam Perspektif Islam ........................................................... 14
2. Saham .................................................................................................... 18
3. Return .................................................................................................... 20
4. Risiko ..................................................................................................... 22
5. Portofolio ............................................................................................... 27
6. Analisis Time Series .............................................................................. 30
7. Exponentially Weighted Moving Average (EWMA) ............................. 31
xii
8. Autoregressive Conditional Heteroscedasticity/Generallized
Autoregressive Conditional Heteroscedasticity (ARCH/GARCH) ...... 33
9. Value at Risk (VaR) ............................................................................... 35
10. Penilaian Kinerja Portofolio .................................................................. 37
B. Penelitian Terdahulu ..................................................................................... 40
C. Kerangka Pemikiran ..................................................................................... 51
D. Hipotesis Penelitian ...................................................................................... 52
BAB III METODOLOGI PENELITIAN .......................................................... 55
A. Ruang Lingkup Penelitian ............................................................................ 55
B. Metode Penentuan Sampel ........................................................................... 56
C. Metode Pengumpulan Data........................................................................... 58
D. Metode Analisis Data ................................................................................... 59
1. Menghitung Actual Return dan Expected Return Saham ...................... 59
2. Uji Statistik Data Actual Return Saham ................................................ 60
3. Estimasi Volatilitas dengan Metode EWMA ........................................ 64
4. Estimasi Volatilitas dengan Metode ARCH/GARCH ........................... 66
5. Matriks Korelasi Antar Saham .............................................................. 70
6. Matriks Kovarian Antar Saham ............................................................. 71
7. Matriks Varian-Kovarian untuk Membentuk Portofolio ....................... 72
8. Membuat Kurva Efficient Frontier ........................................................ 74
9. Portofolio Optimal dengan CAL Slope .................................................. 74
10. Value at Risk (VaR) ............................................................................... 75
11. Kinerja Portofolio Optimal .................................................................... 76
E. Operasional Variabel Penelitian ................................................................... 78
BAB IV HASIL DAN PEMBAHASAN ............................................................. 79
A. Gambaran Umum Objek Penelitian .............................................................. 79
B. Analisis dan Pembahasan ............................................................................. 82
1. Menghitung Actual Return dan Expected Return Saham ...................... 82
2. Pengujian Statistik Actual Return Saham .............................................. 84
3. Estimasi Volatilitas dengan Metode EWMA ........................................ 93
4. Estimasi Volatilitas dengan Metode ARCH/GARCH ........................... 95
xiii
5. Matriks Korelasi Antar Saham ............................................................ 105
6. Matriks Kovarian Antar Saham ........................................................... 106
7. Matriks Varian-Kovarian untuk Membentuk Portofolio ..................... 108
8. Membuat Kurva Efficient Frontier ...................................................... 110
9. Portofolio Optimal dengan CAL Slope ................................................ 112
10. Value at Risk (VaR) ............................................................................. 114
11. Kinerja Portofolio Optimal .................................................................. 115
BAB V PENUTUP .............................................................................................. 118
A. Kesimpulan ................................................................................................. 118
B. Saran ........................................................................................................... 119
DAFTAR PUSTAKA ......................................................................................... 120
LAMPIRAN ........................................................................................................ 124
xiv
DAFTAR TABEL
Tabel 1.1 Perbandingan Kinerja JII, IHSG dan LQ45 ............................................. 3
Tabel 2.1 Penelitian Terdahulu .............................................................................. 40
Tabel 3.1 Daftar Saham Jakarta Islamic Index (JII) .............................................. 58
Tabel 3.2 Format Matriks Korelasi Saham ............................................................ 71
Tabel 3.3 Format Matriks Kovarian Saham ........................................................... 72
Tabel 3.4 Format Matriks Varians-Kovarians ....................................................... 73
Tabel 3.5 Operasional Variabel Penelitian............................................................. 78
Tabel 4.1 Expected Return Saham ......................................................................... 83
Tabel 4.2 Hasil Uji Normalitas Data Return Saham .............................................. 86
Tabel 4.3 Hasil Perhitungan Alpha Prime Return Saham ...................................... 87
Tabel 4.4 Uji Augmented Dickey Fuller ADRO .................................................... 89
Tabel 4.5 Hasil Uji Stasioneritas Data Return Saham ........................................... 90
Tabel 4.6 Uji White Hetoroscedasticity ADRO ..................................................... 91
Tabel 4.7 Hasil Uji White Heteroscedasticity Return Saham ................................ 92
Tabel 4.8 Hasil Estimasi Volatilitas Return dengan Metode EWMA ................... 94
Tabel 4.9 Rangkuman Hasil Peramalan Model ARIMA ....................................... 96
Tabel 4.10 Hasil Pengujian ARCH Effect-LM........................................................ 98
Tabel 4.11 Hasil Estimasi Model ARCH/GARCH Terbaik ................................ 100
Tabel 4.12 Hasil Estimasi Volatilitas Return dengan Metode ARCH/GARCH .. 104
Tabel 4.13 Matriks Korelasi Antar Saham ........................................................... 106
Tabel 4.14 Matriks Kovarian Antar Saham Metode EWMA ............................... 107
Tabel 4.15 Matriks Kovarian Saham Metode ARCH/GARCH ........................... 108
Tabel 4.16 Value at Risk Portofolio Optimal ....................................................... 115
Tabel 4.17 Kinerja Portofolio Optimal ................................................................ 117
xv
DAFTAR GAMBAR
Gambar 1.1 Perkembangan Saham Syariah ............................................................. 2
Gambar 2.1 Kerangka Pemikiran ........................................................................... 51
Gambar 4.1 Gafik Fluktuasi IHSG......................................................................... 80
Gambar 4.2 Grafik Fluktuasi JII ............................................................................ 81
Gambar 4.3 Hasil Uji Normalitas Return ADRO .................................................. 85
Gambar 4.4 Kurva Efficient Frontier ................................................................... 110
Gambar 4.5 CAL Slope Portofolio Optimal ......................................................... 112
xvi
DAFTAR LAMPIRAN
Lampiran 1 Uji Normalitas Return Saham .......................................................... 124
Lampiran 2 Uji Stasioneritas Return Saham ........................................................ 128
Lampiran 3 Uji White Heteroscesasticity Return Saham ..................................... 136
Lampiran 4 Volatility Forecasting Metode EWMA ............................................ 142
Lampiran 5 Hasil Estimasi Model ARIMA ......................................................... 151
Lampiran 6 Hasil Estimasi Model ARCH/GARCH ............................................ 156
Lampiran 7 Volatility Forecasting Metode ARCH/GARCH .............................. 162
Lampiran 8 Matriks Varian-Kovarian .................................................................. 171
Lampiran 9 Kombinasi Portofolio Efisien ........................................................... 173
Lampiran 10 Perhitungan Risk Free (Rf) ............................................................. 175
Lampiran 11 Hasil Uji Regresi Linier Sederhana ................................................ 176
1
BAB I
PENDAHULUAN
A. Latar Belakang
Indonesia merupakan negara dimana mayoritas penduduknya menganut
agama Islam. Berdasarkan data Badan Pusat Statistik (BPS) tahun 2010
diketahui jumlah penduduk Indonesia yang menganut agama Islam yaitu
207.176.162 jiwa atau 87,18% dari jumlah keseluruhan penduduk Indonesia.
Jumlah tersebut kemudian mendorong berbagai pihak untuk menyediakan
sarana dan prasarana yang mampu mengakomodir berbagai kebutuhan
masyarakat yang sesuai dengan syariat Islam termasuk di dalamnya yaitu
sarana investasi.
Investasi atas instrumen keuangan yang banyak diminati oleh masyarakat
yaitu dalam bentuk saham. Perkembangan saham syariah di pasar modal
syariah dapat dilihat dari jumlah saham syariah dalam Daftar Efek Syariah
(DES). Berdasarkan gambar 1.1, diketahui bahwa jumlah saham syariah dalam
DES meningkat dari tahun ke tahun. Hingga periode pertama tahun 2018
jumlah saham syariah dalam DES yaitu 383 saham, jumlah tersebut lebih
tinggi dibandingkan periode pertama tahun 2017 dimana jumlahnya hanya 368
saham.
2
Gambar 1.1
Perkembangan Saham Syariah
Sumber : Otoritas Jasa Keuangan (OJK)
Pasar modal syariah kini telah memiliki tiga indeks yang menjadi indikator
atas kinerja saham-saham syariah yang terdaftar di Bursa yaitu Jakarta Islamic
Index (JII), Indeks Saham Syariah Indonesia (ISSI) dan Jakarta Islamic Index
(JII) 70. Dari ketiga indeks syariah tersebut, JII merupakan indeks syariah
pertama yang hadir di pasar modal sebagai indikator pengukur kinerja saham
syariah. Jakarta Islamic Index (JII) diluncurkan pada tahun 2000 di dalamnya
terdiri dari 30 saham syariah terlikuid.
Jakarta Islamic Index (JII) pada tahun 2013 mencatatkan pertumbuhan
yang gemilang dengan mengungguli dua indeks konvensional yang sering
dijadikan benchmark oleh investor yaitu Indeks Harga Saham Gabungan
(IHSG) dan LQ45. Adapun perbandingan kinerja IHSG, LQ45 dan JII pada
tahun 2013 dapat dilihat pada tabel 1.1.
3
Tabel 1.1
Perbandingan Kinerja JII, IHSG dan LQ45
No Indeks 2012 2013 Kinerja
1. IHSG 4.316,67 4.274,18 -1%
2. LQ45 735,04 711,14 -3%
3. JII 372,29 585,11 57%
Sumber : Data statistik pasar modal OJK
Tahun 2015 berdasarkan data statistik OJK, JII mengalami penurunan
sebesar 12,69% jika dibandingkan dengan tahun 2014 yang mengalami
pertumbuhan sebesar 18,01% dengan nilai 691,04 menjadi 603,35. Tahun 2016
dalam rentang waktu 4 Januari 2016 - 21 September 2016, JII tercatat
menorehkan pertumbuhan tertinggi sebesar 25,22% sekaligus menjadi indeks
dengan pertumbuhan tertinggi di bursa.
Sepanjang periode perdagangan bursa pada awal Januari 2017 hingga 14
Desember 2017, JII hanya mencatatkan pertumbuhan sebesar 6,29% hal ini
jauh lebih rendah dari tahun sebelumnya pada periode yang sama dimana JII
mampu tumbuh sebesar 16,28%. Hingga akhir tahun 2017 kapitalisasi pasar JII
berjumlah 2.288.015,67 Milliar atau mengalami peningkatan sebesar 10,79%
dari tahun sebelumnya yang berjumlah 2.041.070,80 Milliar.
Pada akhir Januari 2018, JII mencatatkan pertumbuhan sebesar 3,69%
dibanding akhir tahun 2017 dengan nilai 759,07 menjadi 787,12. Namun, pada
bulan-bulan selanjutnya JII terus mengalami penurunan hingga nilainya
menjadi 654,77 pada akhir Juni 2018. Hal serupa terjadi pada jumlah
4
kapitalisasi pasar JII dimana pada akhir tahun 2017 jumlahnya mencapai
2.288.015,67 Milliar menjadi 2.047.165,04 pada Juni 2018.
Berdasarkan penjabaran di atas diketahui bahwa secara keseluruhan dalam
kurun waktu 5 tahun terakhir Jakarta Islamic Index (JII) mengalami fluktuasi.
Fluktuasi tersebut dapat disebabkan karena adanya faktor internal dari segi
ekonomi maupun faktor eksternal nonekonomi (sosial dan politik) yang secara
langsung mempengaruhi sikap dan keputusan para pelaku pasar. Fluktuasi
yang terjadi akan menimbulkan ketidakpastian atas investasi yang dilakukan,
sehingga memungkinkan timbulnya risiko yang lebih besar.
Menurut Ismanto (2016), risiko investasi dapat diartikan sebagai
kemungkinan tingkat keuntungan yang diperoleh menyimpang dari tingkat
keuntungan yang diharapkan. Seperti ungkapan terkenal menyatakan “high risk
high return” yang artinya semakin tinggi risiko maka semakin tinggi return
yang diperoleh begitupun sebaliknya. Oleh karena itu, dalam melakukan
investasi hendaknya disamping memperhatikan berapa jumlah kuntungan yang
akan diperoleh juga harus mempertimbangkan berapa jumlah kerugian yang
ditanggung atas investasi tersebut.
Investor dapat meminimalisir risiko investasi atas instrumen keuangan
dengan melakukan diversifikasi. Diversifikasi merupakan suatu proses
memasukan dua atau lebih aset keuangan ke dalam suatu portofolio. Semakin
banyak jumlah aset keuangan yang dimasukan ke dalam portofolio maka akan
semakin kecil risiko yang dihasilkan. Namun perlu diingat bahwa aset
keuangan yang dimasukan ke dalam portofolio haruslah memiliki korelasi yang
5
rendah karena hal ini akan mempengaruhi besar kecilnya risiko suatu
portofolio.
Menurut Andika (2014) portofolio diarktikan sebagai serangkaian
investasi sekuritas yang diinvestasikan dan dipegang oleh investor, baik
individu maupun entitas. Seorang investor kerap kali mengalami kesulitan
dalam membentuk suatu portofolio investasi mulai dari pemilihan sekuritas
hingga alokasi dana yang diberikan untuk masing-masing sekuritas pembentuk
portofolio. Oleh karena itu dibutuhkan suatu pemahaman dan keterampilan
yang memadai bagi seorang investor untuk melakukan analisis atas sejumlah
sekuritas di pasar modal untuk dimasukan ke dalam portofolio.
Analisis portofolio yang dilakukan oleh investor dapat membantu dalam
membentuk portofolio efisien. Portofolio yang efisien (efficient portfolio)
didefinisikan sebagai portofolio yang memberikan return ekspektasi terbesar
dengan risiko yang sudah pasti atau yang mengandung risiko terkecil dengan
tingkat return yang sudah pasti (Dian et.al, 2014). Setelah berbagai kombinasi
portofolio efisien terbentuk, maka selanjutnya seorang investor dapat memilih
portofolio optimal yang sesuai dengan kebijakan investasinya.
Menurut Madelbrot (1989) dalam Gatrani (2010), data keuangan seperti
return saham memiliki ekor yang lebih besar (fat tail) dari distribusi normal.
Selain itu nilai kuadrat residual return memiliki korelasi satu sama lain dan
perubahan return cenderung bersifat cluster dimana perubahan kecil diikuti
dengan perubahan kecil dan perubahan besar diikuti dengan perubahan besar
dimana fenomena ini sering disebut dengan heteroskedastisitas. Buchdadi
6
(2008) menemukan fenomena distribusi tidak normal serta heteroskedastisitas
pada data return saham di JII, sedangkan Pratiwi (2017) menemukan fenomena
distribusi tidak normal dan heteroskedastisitas pada reksadana campuran
Kresna Flexima dan Nikko BUMN.
Adanya fenomena heteroskedastisitas pada data return saham di pasar
modal menyebabkan pengukuran risiko (volatilitas) tidak lagi relevan jika
dihitung menggunakan rumus standar deviasi biasa seperti pada pendekatan
statistik karena tidak dapat merefleksikan keadaan riil pasar. Horasanh dan
Fidan (2008) dalam jurnalnya mengusulkan penggunaan metode Exponentially
Weighted Moving Average (EWMA) dan Generallized Autoregressive
Conditional Heteroscedasticity (GARCH) untuk mengestimasi volatilitas
saham dalam membentuk portofolio.
Exponentially Weighted Moving Average (EWMA) pertama kali
diperkenalkan oleh J.P Morgan pada 1994. EWMA digunakan untuk
mengestimasi volatilitas data yang heteroskedastisitas dengan menggunakan
exponentially weighted data atau memberikan bobot yang lebih besar pada data
observasi terbaru dibandingkan dengan data lampau (Dian et.al, 2014).
Penelitian terkait analisis volatilitas harga saham dengan metode EWMA telah
dilakukan oleh Buchdadi (2008) dan Pratiwi (2017).
Metode Generallized Autoregressive Conditional Heterocedasticity
(GARCH) diperkenalkan oleh Bollerslev pada 1986. GARCH merupakan
pengembangan dari metode Autoregressive Conditional Heteroscedasticity
(ARCH) yang dikembangkan oleh Engle pada 1982. GARCH memungkinan
7
adanya conditional variance yang berubah sepanjang waktu sebagai fungsi dari
eror atau residual kuadrat masa lalu. Metode ini menyatakan bahwa conditional
variance pada waktu t dipengaruhi oleh residual kuadrat masa lalu serta
conditional variance masa lalu.
Horasanh dan Fidan (2008) menggunakan metode EWMA dan GARCH
untuk mengestimasi volatilitas saham pada Istanbul Stock Exchange (XU030)
untuk membentuk portofolio. Selanjutnya, matriks varian-kovarian digunakan
untuk menentukan bobot masing-masing saham. Hasilnya diketahui portofolio
yang terbentuk dengan volatilitas EWMA memberikan risiko yang lebih
rendah dibandingkan portofolio yang terbentuk dengan volatilitas GARCH dan
Markowitz. Hasil tersebut sama dengan yang diperoleh Dharmawan (2009) dan
Barauskaite (2016).
Hasil yang berbeda diperoleh Gatrani (2010) yang menggunakan metode
EWMA dan GARCH untuk mengestimasi volatilitas saham di Bursa Efek
Indonesia dalam pembentukan portofolio. Hasilnya, portofolio yang terbentuk
dengan metode GARCH memberikan risiko yang lebih rendah dibandingkan
metode EWMA dan Markowitz. Hasil ini didukung oleh Dian et.al (2014)
bahwa metode GARCH mampu membentuk portofolio efisien dengan nilai
return to variability tertinggi. Hal ini disebabkan karena GARCH mampu
menghilangkan efek heteroskedastisitas dan fat tail dalam residual data time
series.
Menurut Pratiwi (2017), estimasi volatilitas aset keuangan yang dimiliki
dapat digunakan untuk mengontrol atau mengurangi risiko pasar yang terjadi.
8
Salah satu metode yang banyak digunakan untuk mengukur risiko pasar yaitu
metode Value at Risk (VaR). VaR mengukur risiko pasar dari suatu portofolio
secara kuantitatif dengan mengestimasi potensi kerugian maksimal, yang
mungkin terjadi pada masa yang akan datang pada jangka waktu tertentu dan
tingkat kepercayaan (cofidence level) tertentu pada kondisi pasar normal
(Yunarti, 2012). Metode estimasi volatilias yang banyak digunakan sebagai
pendekatan dalam analisis Value at Risk (VaR) di antaranya yaitu metode
EWMA dan ARCH/GARCH.
Hal yang tidak kalah penting dalam analisis portofolio yaitu pengukuran
kinerja portofolio. Pengukuran kinerja portofolio dilakukan untuk mengetahui
apakah portofolio yang terbentuk kinerjanya telah sesuai dengan tujuan
investasi investor. Apabila kinerjanya tidak sesuai dengan apa yang
diharapkan, maka seorang investor dapat mengubah kombinasi ataupun alokasi
dana yang ditempatkan pada masing-masing sekuritas di dalam portofolio.
Sedikitnya terdapat tiga indeks yang dapat digunakan untuk mengukur
kinerja portofolio investasi di antaranya yaitu Sharpe Index, Traynor Index dan
Jansen index. Penelitian sebelumnya terkait pengukuran kinerja portofolio
telah dilakukan dilakukan oleh Andika (2014) serta Suryani dan Herianti
(2015), sedangkan Fun Ho et.al (2014) menggunakan ketiga indeks tersebut
untuk mengukur kinerja indeks saham syariah dan konvensional global.
Penelitian sebelumnya terkait pembentukan portofolio dengan metode
EWMA dan ARCH/GARCH, hanya sebatas membandingkan rangkaian
portofolio efisien yang terbentuk dari kedua metode yang diplot ke dalam kurva
9
efficient frontier. Oleh karena itu penulis merasa perlu untuk melanjutkan ide
dari penelitian sebelumnya dan menambahkan ide baru sehingga penelitian ini
menjadi lebih kompleks. Ide yang membedakan penelitian ini dengan
penelitian sebelumnya yaitu pemilihan portofolio optimal yang dilakukan
dengan slope Capital Allocation Line. Selanjutnya pengukuran risiko pasar
dengan analisis Value at Risk (VaR) dilakukan untuk mengetahui berapa
jumlah risiko maksimum yang akan ditanggung oleh seorang investor untuk
portofolio dalam kondisi pasar normal. Pengukuran kinerja portofolio
dilakukan dengan menggunakan indeks Sharpe, indeks Traynor dan indeks
Jansen, sehingga investor memiliki opsi lain untuk memilih portofolio selain
dari mempertimbangkan risiko optimumnya. Penelitian ini akan menggunakan
saham syariah pada Jakarta Islamic Index (JII) periode Juli 2013 – Juni 2018
sebagai objek penelitian.
Berdasarkan pemikiran tersebut, maka peneliti tertarik untuk melakukan
penelitian dengan judul “Perbandingan Metode EWMA dan
ARCH/GARCH dalam Pembentukan Portofolio Optimal Pada Saham
Syariah di Jakarta Islamic Index (JII) Periode Juli 2013 – Juni 2018”.
10
B. Permasalahan
1. Identifikasi Masalah
Berdasarkan latar belakang yang sudah dijelaskan di atas, maka
masalah-masalah dalam penelitian ini dapat diidentifikasi sebagai berikut:
a. Fluktuasi yang terjadi di pasar modal secara langsung dapat
mempengaruhi besarnya risiko investasi yang ditanggung investor.
Banyak metode yang dapat digunakan sebagai alat untuk mengukur
risiko, sehingga keakuratan metode sangat penting untuk menentukan
keputusan investasi.
b. Risiko investasi dapat dimininalisir dengan melakukan diversifikasi
yaitu memasukkan dua atau lebih instrumen investasi ke dalam suatu
portofolio.
c. Pengukuran terkait kinerja portofolio menjadi penting bagi investor
sebagai alat analisis alternatif yang digunakan untuk membuat
keputusan investasi.
2. Batasan Masalah
Berdasarkan identifikasi masalah di atas, agar penelitian ini lebih
terarah peneliti menetapkan batasan masalah. Penelitian ini berfokus untuk
membandingkan volatilitas saham yang diestimasi dengan metode
Exponentiallly Weighted Moving Average (EWMA) dan Autoregressive
Conditional Heteroscedasticity/Generallized Autoregressive Conditional
Heteroscedasticity (ARCH/GARCH) untuk membentuk portofolio.
11
Kombinasi portofolio dibentuk dengan menggunakan matriks varians-
kovarians, sedangkan portofolio optimal dipilih melalui nilai slope Capital
Allocation Line tertinggi. Risiko pasar portofolio optimal diperoleh dengan
metode Value at Risk (VaR). Terakhir, portofolio optimal yang telah
terbentuk akan dievaluasi kinerjanya dengan Sharpe Index, Traynor Index
dan Jansen Index. Instrumen investasi yang digunakan sebagai objek
penelitian ini yaitu saham syariah yang tercatat pada Jakarta Islamic Index
(JII) periode Juli 2013 – Juni 2018.
3. Rumusan Masalah
Berdasarkan batasan masalah di atas, maka rumusan masalah dalam
penelitian ini antara lain :
a. Apakah risk dan return portofolio yang terbentuk dengan metode
EWMA lebih baik dibandingkan risk dan return portofolio yang
terbentuk dengan metode ARCH/GARCH ?
b. Apakah portofolio optimal yang terbentuk dengan metode EWMA
lebih baik dibandingkan portofolio optimal yang terbentuk dengan
metode ARCH/GARCH berdasarkan slope Capital Allocation Line
(CAL) tertinggi ?
c. Apakah risiko pasar pada portofolio optimal yang terbentuk dengan
metode EWMA lebih baik dibandingkan risiko pasar pada portofolio
optimal yang terbentuk dengan metode ARCH/GARCH berdasarkan
metode Value at Risk (VaR) ?
12
d. Apakah kinerja portofolio optimal yang terbentuk dengan metode
EWMA lebih baik dibandingkan kinerja portofolio optimal yang
terbentuk dengan metode ARCH/GARCH berdasarkan metode Sharpe
Index, Traynor Index dan Jansen Index ?
C. Tujuan Penelitian
Berdasarkan rumusan masalah yang telah disebutkan sebelumnya, maka
tujuan dari penelitian ini adalah sebagai berikut :
1. Untuk membandingkan risk dan return portofolio yang terbentuk dengan
metode EWMA dan ARCH/GARCH.
2. Untuk membandingkan portofolio optimal yang terbentuk dengan metode
EWMA dan ARCH/GARCH berdasarkan slope Capital Allocation Line
(CAL) tertinggi.
3. Untuk membandingkan risiko pasar portofolio optimal yang terbentuk
dengan metode EWMA dan ARCH/GARCH berdasarkan metode Value at
Risk (VaR).
4. Untuk membandingkan kinerja portofolio optimal yang terbentuk dengan
metode EWMA dan ARCH/GARCH berdasarkan metode Sharpe Index,
Traynor Index dan Jansen Index.
13
D. Manfaat Penelitian
1. Bagi investor dan masyarakat
Penelitian ini diharapkan dapat membantu investor dalam mengambil
keputusan investasi di pasar modal, khususnya dalam pengukuran risiko
dan proses optimalisasi saham-saham yang tercatat pada Jakarta Islamic
Index (JII) periode Juli 2013 – Juni 2018. Selain itu, penelitian ini
diharapkan dapat menjadi referensi yang tepat untuk mengukur risiko
saham serta mengelola risiko tersebut.
2. Bagi akademisi dan peneliti
Penelitian ini diharapkan dapat menjadi sarana pengembangan keilmuan
khususnya mengenai analisis investasi, manajemen portofolio dan
manajemen risiko. Selanjutnya penelitian ini juga diharapkan dapat
menjadi bahan referensi bagi penelitian-penelitian yang akan datang
mengenai optimalisasi portofolio dan pengukuran risiko investasi finansial.
3. Bagi perusahaan
Penelitian ini diharapkan dapat menjadi bahan evaluasi bagi perusahaan
terkait khususnya mengenai kinerja saham serta risikonya.
14
BAB II
TINJAUAN PUSTAKA
A. Kajian Teori
1. Investasi dalam Perspektif Islam
Menurut (Bodie et.al, 2014 : 1), investasi adalah komitmen saat ini
atas uang atau sumber daya lain dengan harapan untuk mendapatkan
keuntungan di masa depan. Investasi dalam perspektif Islam tentunya
berbeda dengan investasi dalam perspektif konvesional. Islam sebagai
aturan hidup (nidham al hayat) yang mengatur seluruh sisi kehidupan umat
manusia menawarkan berbagai cara dan kiat untuk menjalani kehidupan
yang sesuai dengan norma dan aturan Allah SWT. Dalam berinvestasi
Allah SWT dan Rasulnya memberikan petunjuk dan rambu-rambu pokok
yang seyogyanya diikuti oleh setiap muslim yang beriman. Di antara
rambu-rambu tersebut adalah sebagai berikut (Rodoni, 2009 : 42) :
a. Terbebas dari unsur riba
Riba merupakan kelebihan yang tidak ada padanan pengganti yang
tidak dibenarkan syariah atau diisyaratkan oleh satu dari dua orang yang
berakad. Saat ini riba sering diidentikkan dengan bunga yang diberikan
oleh pihak perbankan.
b. Terbebas dari unsur haram
Haram merupakan sesuatu yang disediakan hukuman bagi yang
melakukan dan disediakan pahala bagi yang meninggalkannya karena
15
diniatkan untuk menjalankan syariatnya. Haram secara garis besar
dikategorikan menjadi 2 (dua) yaitu pertama, haram karena zatnya
seperti babi, khamr, darah, bangkai dan judi. Kedua, haram selain
karena bendanya yaitu suatu kegiatan yang objek dari kegiatan tersebut
bukan merupakan benda yang diharamkan karena zatnya, artinya
benda-benda tersebut benda yang diperbolehkan, akan tetapi menjadi
haram karena terdapat unsur tadlis, taghrir/gharar, riba dan lain-lain.
c. Terhindar dari unsur gharar
Gharar lebih dikenal dengan ketidakpastian atau risiko. Gharar
dalam ilmu fiqih muamalah berarti melakukan sesuatu secara membabi
buta tanpa pengetahuan yang mencukupi, atau mengambil risiko sendiri
dari suatu perbuatan yang mengandung risiko tanpa mengetahui dengan
persis apa akibatnya.
d. Terhindar dari unsur judi (maysir)
Maysir merupakan suatu bentuk objek yang diartikan sebagai
tempat untuk memudahkan sesuatu. Dikatakan memudahkan sesuatu
karena seseorang yang seharusnya menempuh jalan yang susah payah,
akan tetapi mencari jalan pintas dengan harapan dapat mencapai apa
yang dikehendaki, walaupun jalan pintas tersebut bertentangan dengan
nilai serta aturan syariah.
e. Terhindar dari unsur syubhat
Syubhat adalah sesuatu perkara yang bercampur (antara halal dan
haram) akan tetapi tidak diketahui secara pasti apakah ia sesuatu yang
16
halal atau haram, dan apakah ia hak ataukah batil. Seorang investor
muslim disarankan menjauhi aktivitas investasi yang mengandung
syubhat, karena jika hal tersebut tetap dilakukan, maka pada hakikatnya
telah terjerumus pada suatu yang haram, sebagaimana apa yang telah
dinyatakan oleh para ulama.
Menurut Sharpe et.al (1999 : 1) investasi dapat dibedakan menjadi dua
jenis yaitu investasi pada aset riil (real assets) dan investasi pada aset
keuangan (financial assets). Investasi nyata (real investment) secara umum
melibatkan aset berwujud seperti tanah, mesin-mesin atau pabrik. Investasi
finansial (financial invesment) melibatkan kontrak-kontrak tertulis, seperti
saham biasa dan obligasi. Investasi dalam perspektif Islam baik pada asset
riil maupun asset keuangan harus dilakukan pada objek yang halal serta
proses yang sesuai dengan syariat Islam.
Proses investasi syariah menunjukan bagaimana seharusnya seorang
investor membuat keputusan investasi pada sekuritas yaitu sekuritas apa
yang akan dipilih, seberapa banyak investasi tersebut dan kapan investasi
tersebut dilakukan. Untuk mengambil keputusan tersebut diperlukan
tahapan-tahapan sebagai berikut menuntut Rodoni (2009 : 38) :
a. Menentukan tujuan investasi
Ada tiga hal yang dipertimbangkan dalam tahapan ini, yaitu tingkat
pengembalian yang diharpakan, tingkat risiko dan ketersediaan jumlah
dana yang akan diinvestasikan.
17
b. Melakukan analisis sekuritas
Tahap ini berarti melakukan analisis terhadap suatu efek atau
sekelmpok efek. Salah satu tujuan penilaian ini adalah untuk
mengidentifikasi efek yang salah harga (mispriced), apakah harganya
terlalu tinggi atau terlalu rendah. untuk itu ada dua pendekatan yang
dapat digunakan, yaitu pendekatan fundamental dan pendekatan
tenikal.
c. Pembentukan portofolio
Portofolio berarti sekumpulan investasi. Tahap ini menyangkut
identifikasi sekuritas-sekuritas mana yang akan dipilih dan berapa
proporsi dana yang akan diinvestasikan pada masing-masing sekuritas
tersebut.
d. Melakukan revisi portofolio
Tahap ini merupakan pengulangan terhadap tiga tahap sebelumnya,
dengan maksud kalau dirasa bahwa portofolio yang sekarang dimiliki
tidak lagi optimal atau tidak sesuai dengan preferensi risiko pemodal,
maka pemodal dapat melakukan perubahan terhadap sekuritas-sekuritas
yang membentuk portofolio tersebut.
e. Evaluasi kinerja portofolio
Dalam tahap ini pemodal melakukan penilaian terhadap kinerja
portofolio, baik dalam aspek tingkat keuntungan yang diperoleh
maupun risiko yang ditanggung.
18
2. Saham
Menurut Robert Ang (1997) dalam Hadi (2013 : 67) saham merupakan
instrumen ekuitas, yaitu tanda penyertaan atau kepemilikan seseorang atau
badan usaha dalam suatu perusahaan atau perseroan terbatas. Menurut
Rodoni (2009 : 61) saham menjadi halal jika saham tersebut kegiatan
usahanya bergerak dibidang yang halal dan/atau dalam niat pembelian
saham tersebut adalah untuk investasi, bukan spekulasi (judi).
Menyertakan modalnya dalam bentuk saham, berarti seorang pemegang
saham berhak atas klaim pendapatan dan asset perusahaan saat perusahaan
dilikuidasi serta memiliki hak untuk hadir dan memberikan suara dalam
Rapat Umum Pemegang Saham (RUPS). RUPS dilakukan setiap periode
tertentu, dimana dalam pembahasannya termasuk pemilihan dan
pemberhentian direksi sebagai pihak yang menjalankan kegiatan organisasi
secara langsung dan bertanggung jawab kepada pemegang saham.
Menurut Jones (2007 : 38) terdapat dua jenis saham dilihat dari hak
yang melekat padanya, antara lain :
a. Saham biasa (Common Stock)
Saham biasa merupakan sekuritas ekuitas yang mewakili kepentingan
pemiliknya dalam perusahaan (Jones 2007 : 39). Saham biasa merupakan
saham yang paling banyak beredar dimasyarakat. Salah satu
karakteristiknya yaitu pemegang saham biasa ditempatkan pada posisi
paling akhir (setelah kreditur dan pemegang saham preferen) dalam
pembagian pendapatan dan juga asset perusahaan apabila dilikuidasi.
19
b. Saham preferen (Preffered Stock)
Saham preferen merupakan sekuritas ekuitas saham yang memiliki
karekteristik gabungan antara obligasi dan saham biasa terhadap klaim
atas aset dan pendapatan perusahaan (Jones, 2007 : 38). Saham preferen
memiliki karakteristik yang hampir mirip dengan Obligasi dan Saham
Preferen. Mirip obligasi karena saham preferen memberikan pendapatan
tetap berupa pemberian dividend kepada pemegangnya. Mirip dengan
saham biasa karena saham preferen memberikan keuntungan berupa
capital gain.
Menurut Halim (2015 : 23), indeks harga saham merupakan ringkasan
dari pengaruh simultan dan kompleks dari berbagai macam variabel yang
berpengaruh, terutama tentang kejadian-kejadian ekonomi. Bahkan saat ini
indeks harga saham tidak saja menampung kejadian ekonomi, tetapi juga
menampung kejadian-kejadian sosial, politik dan keamanan. Dengan
demikian indeks harga saham dapat dijadikan barometer kesehatan ekonomi
suatu negara dan sebagai dasar melakukan analisis statistik atas kondisi
pasar terakhir (current market).
Pada 3 Juli 2000, PT Bursa Efek Indonesia bekerja sama dengan PT
Danareksa Investment Management (DIM) meluncurkan indeks saham
yang dibuat berdasarkan syariah islam yaitu Jakarta Islamic Index (JII).
Jakarta Islamic Index (JII) terdiri dari 30 saham syariah dengan tingkat
likuiditas tertinggi..
20
Untuk menetapkan saham-saham yang masuk dalam perhitungan
Jakarta Islamic Index (JII) dilakukan proses seleksi sebagai berikut :
a. Saham-saham yang akan dipilih berdasarkan Daftar Efek Syariah (DES)
yang dikeluarkan oleh Bapepam - LK.
b. Memilih 60 saham dari Daftar Efek Syariah tersebut berdasarkan urutan
kapitalisasi pasar terbesar selama 1 tahun terakhir.
c. Dari 60 saham tersebut, dipilih 30 saham berdasarkan tingkat likuiditas
yaitu nilai transaksi di pasar reguler selama 1 tahun terakhir.
3. Return
Return adalah imbal hasil yang diperoleh dari investasi yang dilakukan.
Return investasi di bagi menjadi dua komponen yaitu yield dan capital gain
(loss). Yield merupakan pendapatan periodik yang diperoleh dari investasi,
dapat berupa bunga ataupun dividend. Capital gain (loss) adalah
kenaikan/penurunan atas harga asset, atau disebut dengan perubahan harga.
Ketika kedua komponen tersebut ditambahkan secara bersama-sama maka
dapat diketahui total return sebagai berikut (Jones, 2007 : 142) :
Total return = Yield + Price Change
Dalam konteks manajemen investasi, return dibedakan menjadi dua
yaitu return yang telah terjadi (actual return) yang dihitung berdasarkan
data historis dan kedua return yang diharapkan (expected return) akan
diperoleh investor di masa mendatang (Halim, 2015 : 43). Menurut Ahmad
21
(2004 : 104), actual return atau return realisasi pada suatu saham dapat
dihitung dengan rumus sebagai berikut :
𝑅𝑖 = 𝑃𝑡−𝑃𝑡−1
𝑃𝑡−1 (2.1)
Keterangan :
Ri : Return realisasi saham periode t
Pt : Harga saham periode t
Pt−1 : Harga saham periode t-1
Dalam investasi selain actual return juga dikenal istilah expected
return. Expected return secara sederhana adalah rata-rata tertimbang dari
berbagai return historis. Faktor penimbangnya adalah probabilitas masing-
masing return. Expected return saham tunggal dapat dihitung dengan
formula sebagai berikut (Halim, 2015 : 44) :
E(Ri) = ∑ (Pij)(Rij)nj=1 (2.2)
Keterangan :
E(Ri) : Expected return dari investasi saham i;
Pij : Probabilitas diraihnya keuntungan pada keadaan j
Rij : Actual return dari investasi pada saham i pada keadaan j
4. Risiko
Menurut Hadi (2013 : 201), risiko investasi adalah ketidaksesuaian
antara expected return dengan return realisasi (actual return). Artinya,
risiko merupakan penyimpangan dari fakta return yang diterima (actual
return). Untuk itu, menghitung risiko investasi dapat ditentukan dari tingkat
22
penyimpangan return yang diharapkan. Menurut Halim (2015 : 49), apabila
risiko dinyatakan sebagai seberapa jauh hasil yang diperoleh bisa
menyimpang dari hasil yang diharapkan, maka digunakan ukuran
penyebaran. Alat statistik yang digunakan sebagai ukuran penyebaran
tersebut adalah varians dan standar deviasi. Semakin besar nilainya, berarti
semakin besar penyimpangannya.
Apabila dikaitkan dengan preferensi investor terhadap risiko, maka
risiko dibedakan menjadi tiga, yaitu (Halim, 2015 : 49) :
a. Investor yang suka terhadap risiko (risk seeker)
b. Investor yang netral terhadap risiko (risk neutral)
c. Investor yang tidak suka terhadap risiko (risk averter).
Berdasarkan Rodoni (2009 : 48-49) terdapat beberapa sumber risiko
yang mempengaruhi besarnya risiko suatu investasi, antara lain :
a. Interest Risk. Risiko yang berasal dari variablitias return akibat
perubahan tingkat suku bunga. Perubahan tingka suku bunga ini
berpengaruh negatif terhadap harga saham.
b. Market Risk. Risiko yang berasal dari variabilitas return karena fluktuasi
dalam keseluruhan pasar sehingga berpengaruh pada semua sekuritas.
c. Inflation Risk. Suatu faktor yang mempengaruhi semua sekuritas
purchasing power risk. Jika suku bunga naik, maka inflasi juga
meningkat, karena lender membutuhkan tambahan premium inflasi
untuk mengganti kerugian purchasing power.
23
d. Business Risk. Risiko yang ada karena melakukan bisnis pada indusri
tertentu.
e. Financial Risk. Risiko yang timbul karena penggunaan leverage finansial
oleh perusahaan.
f. Liquidity Risk. Risiko yang berhubungan dengan pasar sekunder tertentu
di mana sekuritas diperdagangkan. Suatu investasi jika dapat dibeli dan
dijual dengan cepat tanpa perubahan harga yang signifakan, maka
investasi tersebut dikatakan likuid, demikian sebaliknya.
g. Exchange Rate Risk. Risiko yang berasal dari variabilitas return sekuritas
karena fluktuasi kurs currency.
h. Country Risk. Risiko ini menyangkut politik suatu negara sehingga
mengarah pada political risk.
Menurut Jones (2007 : 219), diversifikasi dapat mengurangi risiko
portofolio. Pada kenyataannya, hampir setengah dari rata-rata risiko
portofolio dapat dieliminasi jika diversifikasi saham pembentuk portofolio
dilakukan dengan baik. Terdapat dua jenis risiko investasi menurut Jones
(2007 : 219) yaitu :
a. Risiko Sistematis (systematic risk)
Variabilitas dalam risiko total suatu sekuritas yang secara langsung
berhubungan dengan keseluruhan pergerakan di dalam pasar atau
ekonomi disebut dengan systematic risk atau risiko pasar atau disebut
juga nondiversifiable risk. Jadi risiko sistematis merupakan risiko yang
tidak dapat dihilangkan dengan cara diversifikasi, karena risiko tersebut
24
berkaitan dengan variabel-variabel makro ekonomi. Adapun contoh
variabel-variabel risiko sistematis antara lain terdiri dari tingkat suku
bunga, inflasi, kurs valuta asing, kebijakan pemerintah, dan sebagainya.
b. Risiko Tidak Sistematis (unsystematic risk)
Risiko tidak sistematis merupakan risiko yang dapat dihilangkan
dengan melakukan diversifikasi, karena risiko ini merupakan risiko unik
yang hanya terdapat pada perusahaan tertentu atau industri tertentu.
Bagaimanapun juga, pengurangan risiko tergantung pada tingkat korelasi
antar saham. Secara umum, reisiko portofolio dapat dikurangi dengan
cara menambah jumlah saham. Reduksi risiko tidak sistematis
bergantung pada korelasi antar saham, dimana investor sebaiknya
menempatkan saham dengan korelasi yang rendah ke dalam portofolio.
Hal ini dapat dilakukan dengan menempatkan saham-saham yang
terdapat pada industri yang berbeda-beda. Contoh risiko tidak sistematis
antara lain faktor struktur modal, struktur aset, tingkat likuiditas, dan juga
kinerja keuangan perusahaan.
Menurut Hadi (2013 : 24), risiko adalah sesuatu yang dapat terjadi dan
tidak selalu dapat dihindari. Karena sifat risiko yang seperti ini, maka untuk
mengantisipasi kemunculannya, diperlukan kegiatan manajemen risiko.
Menurut Fahmi (2013 : 373), terdapat empat cara untuk mengelola risiko,
antara lain :
25
a. Memperkecil Risiko
Keputusan untuk memperkecil risiko dilakukan dengan cara
membatasi keputusan yang mengandung risiko tinggi serta
meminimalisirnya agar risiko tidak bertambah besar. Adapun dalam
melakukan investasi pada sekuritas, diversifikasi dapat dijadikan sebagai
upaya untuk mengurangi risiko (Husnan, 2005 : 161)
b. Mengalihkan Risiko
Risiko yang kita terima, sebagian dapat dialihkan ke tempat lain
contohnya seperti keputusan mengasuransikan bisnis kepada perusahaan
asuransi untuk mengurangi tanggung jawab transferor terhadap kerugian
yang bersangkutan (Kasidi, 2010 : 85).
c. Mengontrol Risiko
Risiko dapat dikontrol dengan cara mengantisipasi timbulnya risiko
sebelum risiko tersebut terjadi seperti memasang alarm pada mobil atau
alarm kebakaran pada rumah.
d. Pendanaan Risiko
Mempersiapkan besarnya risiko yang mungkin timbul, kemudian
menyiapkan langkah-langkah yang diperlukan untuk menangani risiko
tersebut, misalnya menyiapkan dana atau resources lainnya untuk
penyembuhan (recovery) dari risiko yang timbul atau melakukan self
insurance atau menyiapkan program-program khusus untuk menghadapi
risiko (Hadi, 2009 : 25).
26
Menurut Halim (2015 : 51), risiko saham tunggal dapat dihitung dengan
formula sebagai berikut :
𝜎𝑖2 = ∑ (𝑃𝑖𝑗) {𝑅𝑖𝑗 − 𝐸(𝑅𝑖)}2𝑛𝑗=1 (2.3)
𝜎𝑖 = √∑ (𝑃𝑖𝑗){𝑅𝑖𝑗𝑛𝑗=1 − 𝐸(𝑅𝑖)}2 (2.4)
Keterangan simbol :
𝜎𝑖2 : Varians dari investasi pada saham i
σi : Standar deviasi dari saham i
Pij : Probabilitas diraihnya return pada kondisi j
Rij : Actual return dari investasi pada saham i pada kondisi j
E(Ri) : Expected return dari investasi saham i
Risiko sering dikaitkan dengan volatiitas. Menurut Yunarti (2012)
volatilitas adalah suatu ukuran yang menunjukan seberapa besar harga
berfluktuasi dalam suatu periode waktu. Volatilitas harga saham
mempresentasikan risiko pengembalian harga saham tersebut. Semakin tinggi
volatilitas, maka ‘kepastian’ return suatu investasi akan semakin rendah.
Volatilitas merupakan sebuah terminologi kepekaan (sensitifitas) atau ukuran
dari ketidakpastian sebuah data deret waktu keuangan sehingga merupakan
risiko yang mungkin dihadapi investor dalam perdagangan di bursa dimana
besaran ini dinyatakan sebagai standar deviasi dari laju perubahan penyusun
data deret waktu keuangan. (Yohanes dan Hokky, 2003)
27
5. Portofolio
Portofolio merupakan kombinasi atau gabungan atau sekumpulan aset,
baik berupa real assets maupun financial assets yang dimiliki investor.
Hakekat pembentukan portofolio adalah untuk mengurangi risiko dengan
cara diversifikasi, yaitu mengalokasikan sejumlah dana pada berbagai
alternatif investasi yang berkorelasi negatif (Halim, 2015 : 59).
Dalam membentuk portofolio investasi, terdapat dua konsep
pembentukan portofolio yaitu portofolio efisien dan portofolio oprimal
(Hadi, 2013 : 207) :
a. Portofolio efisien
Menurut Halim (2015 : 59), suatu portofolio dikatakan efisien
apabila portofolio tersebut bila dibandingkan dengan portofolio lain
mampu memberikan expected return terbesar dengan risk yang sama atau
memberikan risk terkecil dengan expected return yang sama.
Portofolio efisien dapat diperoleh dengan mengukur expected return
{E(Rp} dan risiko portofolio (σp), kemudian kumpulan investasi tersebut
digambarkan dalam kurva yang semuanya cembung terhadap sumbu
E(Rp) yang disebut dengan kurva efficient frontier. Semua portofolio
yang terletak pada efficient frontier merupakan portofolio yang efisien.
b. Portofolio optimal
Portofolio optimal adalah portofolio yang dipilih investor dari sekian
banyak pilihan yang ada pada portofolio efisien. Pemilihan portofolio
optimal berdasarkan preferensi investor terhadap return yang diharapkan
28
dan risiko yang ada. Tidaklah mudah menentukannya ketika tidak
mempunyai ukuran yang tepat untuk tingkat pengembalian yang
diharapkan serta tingkat pengembalian portofolio yang satu dengan
lainnya (Tandelilin, 2007 : 59).
Expected return portofolio adalah rata-rata tertimbang dari expected
return saham tunggal. Faktor penimbangnya adalah proporsi dana yang
diinvestasikan pada masing-masing saham. Expected return portofolio
dapat dihitung dengan formula sebagai berikut (Halim, 2015 : 46) :
𝐸(𝑅𝑝) = ∑ 𝐸(𝑅𝑖)(𝑋𝑖)𝑛𝑗=1 (2.5)
Keterangan simbol :
E(Rp) : Expected return portofolio
E(Ri) : Expected return dari investasi saham i
Xi : Proporsi dana yang diinvestasikan pada saham i
Menurut Rodoni dan Ali (2014 : 70), risiko portofolio
menggambarkan gabungan penyimpangan antara sekuritas yang
membentuk portofolio tersebut. Risiko portofolio dapat diukur dengan
standar deviasi portofolio. Risiko portofolio dapat dihitung dengan
formula sebagai berikut (Halim, 2015 : 53) :
𝜎12 = (𝑋𝑖)
2 (𝜎𝑖)2 + (𝑋𝑗)2 (𝜎𝑗)2 + 2(𝑋𝑖) (𝑋𝑗) 𝜌(𝑖, 𝑗) (𝜎𝑖) (𝜎𝑗) (2.6)
𝜎𝑖 = √(𝑋𝑖)2 (𝜎𝑖)
2 + (𝑋𝑗)2 (𝜎𝑗)2 + 2(𝑋𝑖) (𝑋𝑗) 𝜌(𝑖, 𝑗) (𝜎𝑖) (𝜎𝑗) (2.7)
Keterangan simbol :
Xi : Proporsi dana yang diinvestasikan pada saham i
Xj : Proporsi dana yang diinvestasikan pada saham j
29
𝜎𝑖 : Standar deviasi saham i
𝜎𝑗 : Standar deviasi saham j
Ρ : Kofisien korelasi menunjukan keeratan hubungan suatu variabel
dengan variabel lain
𝜌(𝑖, 𝑗) (𝜎𝑖) (𝜎𝑗) : Kovarians saham i dengan saham j
Korelasi dan Kovarians dapat dihitung dengan rumus berikut :
ρ(A,B) = 𝑐𝑜𝑣 (𝐴,𝐵)
(𝜎𝑖) (𝜎𝑗) (2.8)
𝐶𝑜𝑣(𝐴,𝐵) = 𝜌(𝐴,𝐵) (𝜎𝐴)(𝜎𝐵) (2.9)
= ∑ (𝑃𝑖){𝑅𝐴𝑖 − 𝐸(𝑅𝐴)}𝑛𝑖=1 {𝑅𝐵𝑖 − 𝐸(𝑅𝐵)} (2.10)
Keterangan simbol :
Pi : Probabilitas diraihnya return
𝑅𝐴𝑖 : Actual return dari investasi pada saham A pada kesempatan i
𝑅𝐵𝑖 : Actual return dari investasi pada saham B pada kesempatan i
𝐸(𝑅𝐴) : Expected return dari investasi saham A
𝐸(𝑅𝐵) : Expected return dari investasi saham B
6. Analisis Time Series
Para peneliti tidak selalu menggunakan metode hubungan sebab akibat
dalam menganalisis suatu fenomena, seperti yang biasa digunakan pada
metode regresi korelasi. Pada metode regresi korelasi, peneliti
menggunakan dua variabel atau lebih untuk mencari pengaruh satu atau
beberapa variabel terhadap variabel yang lain. Dalam dunia ekonomi,
30
dikenal juga data runtut waktu (time series), yang diduga memiliki
karakteristik tertentu, sehingga nilainya berfluktuasi. Sebagai contoh adalah
harga saham suatu perusahaan, atau IHSG (Indeks Harga Saham
Gabungan).
Harga saham berfluktuasi setiap hari dan para pengamat yakin fluktuasi
harga saham ini sangat dipengaruhi oleh berbagai faktor di luar pasar saham,
baik itu peristiwa politik, bencana alam, perkembangan teknologi dan
sebagainya. Namun di sisi lain, sangat dipengaruhi oleh harga saham pada
hari kemarin, atau pada hari-hari sebelum kemarin. Demikian juga harga
saham hari ini, akan mempengaruhi harga saham besok. Data seperti ini,
yaitu terdiri atas suatu objek dan terdiri atas beberapa periode waktu, disebut
dengan data runtut waktu atau time series. Analisis terhadap data runtut
waktu disebut dengan analisis runtuk waktu atau time series analysis.
(Winarno, 2015 : 7.1)
Menurut Gujarati (2003) dalam Winarno (2015 : 7.1) ada lima
pendekatan dalam peramalan ekonomi berbasis data runtut waktu. Kelima
metode tersebut adalah :
a. Exponential Smothing Method
b. Single Equation Regression Method
c. Simultanous-Equation Regression Model
d. Autoregressive Integrated Moving Average (ARIMA) Model
e. Vector Autoregression
31
Metode ARIMA (Autoregressive Integrated Moving Average) adalah
salah satu metode dari analisis runtun waktu, ARIMA merupakan metode
yang secara intensif dikembangkan dan dipelajari oleh George Box dan
Gwilyn Jenkins, oleh karena itu nama mereka sering dikaitkan dengan
proses ARIMA yang diaplikasikan untuk analisis data dan peramalan data
runtun waktu. ARIMA sebenarnya merupakan usaha untuk mencari pola
data yang paling cocok dari sekelompok data, sehingga metode ARIMA
memerlukan sepenuhnya data historis dan data sekarang untuk
menghasilkan ramalan jangka pendek. (Sugiarto dan Harijono, 2000)
Secara umum model Box Jenkins dirumuskan dengan notasi ARIMA
(p,d,q). Dalam hal ini, p = ordo atau derajat AR (Autoregressive), d = ordo
atau derajat pembeda (Differencing) dan q = ordo atau derajat MA (Moving
Average). Hubungan antara metode ARIMA dengan model ARIMA adalah
model ARIMA merupakan bagian dari metode ARIMA. (Sugiarto dan
Harijono, 2000 : 177)
7. Exponentially Weighted Moving Average (EWMA)
Exponentially Weighted Moving Average (EWMA) pertama kali
diperkenalkan oleh JP Morgan pada 1994 sebagai alat pengukuran
volatilitas data yang tidak konstan (heteroskedastic). Peramalan volatilitas
dengan pendekatan EWMA pada dasarnya adalah melakukan estimasi
terhadap volatilitas di masa yang akan datang, dengan data observasi terkini
memberikan bobot yang lebih besar dibandingkan dengan data lampau.
32
Pendekatan ini mengasumsikan bahwa hasil proyeksi esok hari dipengaruhi
oleh data aktual hari ini dan data lampau. (Dian et.al : 2014)
EWMA menggunakan decay factor untuk bobot setiap hari dari
perubahan persentase harga. Parameter λ (decay factor) menunjukkan skala
bobot dari pengamatan data terbaru dengan data sebelumnya dengan nilai 0
< λ < 1. Berdasarkan JP. Morgan (1996 : 100) dalam Dian et.al (2014) decay
factor optimal untuk data harian sebesar 0.94 sedangkan untuk data bulanan
nilai 𝜆 sebesar 0.97.
Perlu diingat bahwa, EWMA tidak mengasumsikan perubahan harga
akan membentuk kurva distribusi normal. Persamaan pendekatan EWMA
berdasarkan Morgan (1996: 78) dalam Dian et.al (2014) yaitu :
𝜎𝑡 = √𝜆 𝜎𝑡−12 + (1 − 𝜆)𝑅𝑡−1
2 (2.11)
Keterangan :
𝜎𝑡 : Standar deviasi dari return pada waktu t
𝜎𝑡−12 : Varians dari return pada waktu t-1
Rt-1 : Return saham pada waktu t-1
𝜆 : Parameter decay faktor
Terdapat dua bagian pada persamaan diatas, yaitu λσ2 t −1 dan (1 – λ)
Rt2. Bagian pertama menunjukkan persistensi dari volatilitas, bila
volatilitas hari kemarin tinggi maka hari ini juga akan tetap tinggi. Bagian
yang kedua menunjukkan intensitas reaksi volatilitas terhadap kondisi
pasar. Semakin kecil λ, maka semakin reaktif volatilitas terhadap informasi
pasar mengenai return kemarin (Dian et.al, 2014).
33
8. Autoregressive Conditional Heteroscedasticity/Generalized
Autoregressive Conditional Heteroskedastisitas (ARCH/GARCH)
Menurut Winarno (2015 : 8.1) salah satu asumsi yang mendasari
estimasi dengan metode OLS adalah data residual harus terbebas dari
otokorelasi. Selain otokorelasi, asumsi lain yang sering digunakan adalah
variabel pengganggu atau residual yang bersifat konstan dari waktu ke
waktu (homoscedasticity). Apabila residual tidak bersifat konstan, maka
terkandung masalah heteroskedastisitas. Seringkali peneliti menghadapi
kondisi yang melanggar asumsi ini, contohnya saja untuk data time series di
pasar modal seperti data harga saham.
Variance data time series dibedakan menjadi unconditional variance
dan conditional variance. Disebut conditional karena varian residual
periode sekarang (t) dipengaruhi oleh varian periode sebelumnya (t-1, t-2,
t-n). Pendekatan yang paling sering digunakan untuk memodelkan
conditional variance dalam industri keuangan saat ini yaitu Generellized
Autoregressive Conditional Heteroscedasticity (GARCH) yang
dikembangkan oleh Bollerslev dan Taylor pada 1986. Model GARCH
merupakan pengembangan dari model Autoregressive Conditional
Heteroscedasticity (ARCH) yang di kembangkan oleh Engle pada 1982.
Menurut Winarno (2007 : 82), dalam model ARCH, varian data runtun
waktu tidak hanya dipengaruhi oleh variabel independen, tetapi juga
dipengaruhi oleh nilai residual variabel yang diteliti. Model ARCH
menggunakan dua persamaan berikut ini :
34
𝑌𝑡 = 𝛽0 + 𝛽1𝑋1𝑡 + 휀𝑡 (2.12)
𝜎𝑡2 = 𝛼0 + ∑ 𝛼1휀𝑡−1
2𝑝𝑖=1 (2.13)
Keterangan :
Y : Variabel dependen
X : Variabel independen
휀 : Pengganggu (residual)
𝜎𝑡2 : Conditional variance
𝛼1휀𝑡−12 : Komponen ARCH yang terdiri dari konstanta dan residual periode
sebelumnya
Bollerslev (1986) memperluas model ARCH untuk mengizinkan
conditional variance untuk dimodelkan sebagai model Autoregressive
Moving Average (ARMA). Model Generalized Autoregressive Conditional
Heteroscedasticity (GARCH) adalah model ARCH yang digeneralisasikan
dimana conditional variance n pada waktu t tidak bergantung hanya pada
residual kuadrat masal lalu, tapi juga conditional variance masa lalu
(Gujarati, 2005 : 440). Adapun persamaan model GARCH dapat dinyatakan
sebagai berikut (Winarno, 2015 : 8.3) :
𝑦𝑡 = 𝑥𝑡𝛾 + 휀𝑡 (2.14)
𝜎𝑡2 = 𝜔 + 𝛼휀𝑡−1
2 + 𝛽𝜎𝑡−12 (2.15)
Keterangan :
𝜎𝑡2 : Conditional variance
𝜔 : Rata-rata
휀𝑡−12 : Residual kuadrat periode sebelumnya
35
𝜎𝑡−12 : Varian periode sebelumnya
9. Value at Risk (VaR)
Sejak di gunakan oleh Basle Committee (Basle Committe on Banking
Supervision, 1996), Value at Risk (VaR) menjadi alat pengukuran risiko
yang paling banyak digunakan pada sektor perbankan. Menurut Jorion
dalam Penza dan Bansal (2001 : 62) “VaR summarizes the expected
maximum loss (or worst loss) over a target horizon within a given
confidence level”. (VaR merangkum kerugian maksimum yang diharapkan
atau kerugian terburuk atas target horizon pada tingkat kepercayaan
tertentu).
VaR mengukur risiko pasar dari suatu portofolio secara kuantitatif
dengan mengestimasi potensi kerugian maksimal, yang mungkin terjadi
pada masa yang akan datang pada jangka waktu tertentu dan tingkat
kepercayaan (cofidence level) tertentu pada kondisi pasar normal (Yunarti,
2012).
Berdasarkan pengertian diatas terdapat dua komponen penting dalam
perhitungan VaR yaitu periode waktu serta tingkat kepercayaan (confidence
level). Komponen pertama yang dibutuhkan dalam proses perhitungan VaR
yaitu lamanya waktu suatu kerugian akan terjadi. Semakin lama periode
waktu yang digunakan maka nilai VaR akan semakin besar. Komponen
kedua yaitu tingkat kepercayaan atau confidence level merupakan indikasi
kemungkinan terjadinya kerugian yang lebih tingi dibandingkan nilai VaR.
36
Confidence level yang biasa digunakan dalam pengukuran VaR yaitu
95% atau 99%. VaR dengan confidence level 95% untuk periode 1 hari
dapat diinterpretasikan bahwa potensi kerugian maksimum yang dapat
ditoleransi adalah sebesar VaR dengan tingkat kepercayaan 95% atau
peluang yang dialami melebihi VaR dalam waktu satu hari tersebut adalah
5%. VaR tidak mengukur kerugian (risiko maksimum, melainkan mengukur
kerugian yang dapat ditoleransi karena VaR menunjukan jumlah cadangan
yang harus disediakan untuk menopang risiko seberas VaR (Sunaryo, 2007
: 18).
Menurut Penza dan Bansal (2001 : 69) perhitungan VaR untuk single
asset dengan holding period tertentu adalah sebagai berikut :
VaR = α σ P √𝑡 (2.16)
Keterangan :
α : Z-score atau nilai variabel normal baku pada tingkat kepercayaan
tertentu. Misalnya jika ∞ = 5% atau tingkat kepercayaan 95% maka
α setara dengan 1,96; dan jika ∞ = 1 % atau tingkat kepercayaan
99% maka 𝛼 = 2,33
σ : Volatilitas atau standar deviasi atas return aset pada periode waktu
tertentu
P : Jumlah eksposur atau nilai market value dari asset.
√𝑡 : Adjustment factor berdasarkan holding period yang dibutuhkan
untuk menentukan variance dari return aset. Sebagai contoh jika kita
37
ingin menghitung VaR secara bulanan sementara kita sudah
memiliki σ harian, maka adjustment factor menjadi √30.
Selanjutnya persamaan perhitungan VaR pada suatu portofolio
berdasarkan Penza dan Bansal (2001 : 255) holding period tertentu adalah:
VaR = 𝛼𝑃 𝜎𝑝 P √𝑡 (2.17)
Keterangan :
𝜎𝑝 : Standar deviasi portofolio pada horizon waktu yang telah ditentukan
10. Penilaian Kinerja Portofolio
Tujuan penilaian kinerja portofolio adalah untuk mengetahui dan
menganalisis apakah portofolio yang dibentuk telah dapat meningkatkan
kemungkinan tercapainya tujuan investasi. Dengan demikian dapat
diketahui portofolio mana yang memiliki kinerja yang lebih baik jika
ditinjau dari return dan risk masing-masing portofolio. selanjutnya, dapat
dilakukan revisi (perubahan) terhadap saham-saham yang membentuk
portofolio tersebut (Halim, 2015 : 69).
a. The Sharpe Index
Kinerja portofolio dengan sharpe index atau disebut dengan
Reward to Variability Ratio (RVAR) diukur dengan cara
membandingkan antara premi risiko portofolio (selisih serata tingkat
keuntungan portofolio dengan rerata tingkat bunga bebas risiko) dengan
risiko portofolio yang dinyatakan dengan standar deviasi (risiko total)
(Halim, 2015 : 70).
38
Semakin besar nilai dari sharpe index berarti semakin baik kinerja
portofolio tersebut atau dengan kata lain semakin besar rasio premi
risiko portofolio terhadap standar deviasi maka kinerja portofolio
tersebut semakin baik. Indeks sharpe relevan dipergunakan untuk
investor yang menanamkan dananya hanya atau sebagian besar pada
portofolio tersebut, sehingga risiko portofolio dinyatakan dalam standar
deviasi (Halim, 2015 : 70).
b. The Traynor Index
Traynor index atau disebut dengan Reward to Volatility Ratio
(RVOL) merupakan metode pengukuran kinerja portofolio yang
dilakukan dengan cara membandingkan antara premi risiko portofolio
(selisih rerata tingkat keuntungan portofolio denan rerata bunga bebas
risiko) dengan risiko portofolio yang dinyatakan dengan beta (risiko
pasar atau risiko sistematis) (Halim, 2013 : 70).
Semakin tinggi nilai traynor index maka semakin baik kinerja
portofolio tersebut. Penggunaan beta sebagai ukuran risiko portofolio
secara implisit mencerminkan bahwa portofolio yang ada merupakan
portofolio yang telah didiversifikasikan dengan baik. Indeks traynor ini
relevan digunakan untuk investor yang memiliki berbagai portofolio
atau menanamkan dananya pada berbagai mutual fund, atau melakukan
diversifikasi pada berbagai portofolio (Halim, 2015 : 71).
c. The Jansen Index
39
Metode ini didasarkan pada security market line (SML) yang
merupakan garis yang menghubungkan portofolio pasar dengan
kesempatan investasi yang bebas risiko. Dalam keadaan equilibrium
semua portofolio diharapkan berada pada SML. Jika terjadi
penyimpangan, jika dengan risiko yang sama keuntungan suatu
portofolio berbeda dengan keuntungan pada SML maka perbedaan
tersebut disebut dengan Jansen Index dimana risikonya dinyatakan
dalam beta (Halim, 2015 : 71).
Jika keuntungan aktual dari suatu portofolio lebih besar dari
keuntungan yang sesuai dengan persamaan SML, maka indeks Jensen
positif. Sebaliknya, jika keuntungan aktual dari suatu portofolio lebih
kecil dari keuntungan yang sesuai dengan persamaan SML maka
Jansen Index akan negatif (Halim, 2015 : 71).
Jansen berpendapat bahwa kinerja portofolio yang baik adalah
portofolio yang kinerjanya melebihi kinerja pasar sesuai dengan risiko
sistematis yang dimilikinya. Dari pengukuran indeks jansen dapat
dilihat bahwa semakin tinggi angka indeksnya maka semakin baik
kinerja portofolio tersebut.
40
B. Penelitian Terdahulu
Tabel 2.1
Penelitian Terdahulu
No Nama
Peneliti
(Tahun)
Judul
Penelitian
Metode
Penelitian
Perbedaan Hasil Penelitian
1 San K
Lee dan
Lan T.P
Nguyen
(2017)
Comparativ
e Study of
Volatility
Forecasting
Models :
The Case of
Malaysia,
Indonesia,
Hong Kong
and Japan
Stock
Market
Exponentiall
y Weighted
Moving
Average
(EWMA)
and
Generellized
Autoregressi
ve
Conditional
Heteroscedas
ticiy
(GARCH)
dan
Autoregressi
ve Integrated
Moving
Average
(ARIMA)
Penelitian
membanding
kan metode
EWMA,
GARCH dan
ARIMA
untuk
mengestimasi
volatilitas
indeks saham
negara maju
dan
berkembang.
Penulis
berfokus
untuk
membanding
kan metode
EWMA dan
GARCH
untuk
membentuk
portofolio
Volatilitas pada
indeks saham pasar
modal negara maju
dalam hal ini Hong
Kong lebih besar
dibandingkan
negara berkembang
yaitu Malaysia.
Berdasarkan hasil
pengukuran error
terendah dengan
MAE, MSE,
RMSE model
GARCH (1,1)
merupakan model
terbaik untuk
mengukur tiga
indeks pasar yaitu
Malaysia,
Indonesia dan
Jepang. Sedangkan
EWMA merupakan
model terbaik
untuk meramalkan
volatilitas pada
pasar saham Hong
Kong
2 Noviana
Pratiwi
(2017)
Analisis
Nilai
Portofolio
Optimum
Pada
Reksadana
Campuran
dengan
Pendekatan
EWMA
Exponentiall
y Weighted
Moving
Average
(EWMA)
dan Value at
Risk (VaR)
Penelitian
mengukur
risiko
portofolio
optimal yang
didalamnya
terdiri dari 2
buah
reksadana
dengan
VaR harian untuk
portofolio optimal
yang terdiri dari 2
reksadana dengan
decay factor 0,94
yaitu 26,22% dari
jumlah investasi
yang ditanamkan.
41
menggunaka
n metode
VaR yang
volatilitasnya
diestimasi
dengan
metode
EWMA.
Penelitian ini
membentuk
portofolio
yang
volatilitasnya
diestimasi
dengan
metode
EWMA dan
GARCH
kemudian
risiko pasar
dihitung
dengan Value
at Risk (VaR)
3 Kristina
Baraskait
e dan
Mihnea
Constant
inescu
(2016)
The Impact
of Time
Varying
Distribution
al
Parameters
on Portfolio
Performanc
e
Markowitz,
Exponentiall
y Weighted
Moving
Average
(EWMA) dan
DCC
Generallized
Autoregressi
ve
Conditional
Heteroscedas
ticity (DCC-
GARCH)
Penelitian
membanding
kan model
pengukuran
volatilitas
Markowitz,
EWMA dan
DCC-
GARCH
dalam
pembentukan
portofolio.
Penulis
berfokus
untuk
mengetahui
nilai Value at
Risk (VaR)
portofolio
optimal yang
dibentuk
menggunaka
n metode
Rangkaian
portofolio efisien
pada kurva efficient
frontier
menunjukan bahwa
portofolio efisien
yang dihasilkan
oleh model EWMA
memberikan hasil
yang lebih baik
dibandingkan
dengan metode
GARCH dan
Markowitz
42
EWMA dan
GARCH dan
membanding
kan
kinerjanya
4 Fransisc
o Nicolas
Sapari
dan Agus
Zainul
Arifin
(2016)
Studi
Perbanding
an Nilai
Value at
Risk (VaR)
antara
Saham
Berbasis
Syariah
dengan
Saham Non
Syariah
Periode
2010 –
2012
Value at Risk
(VaR) dan
Generallized
Autoregressi
ve
Conditional
Heteroscedas
ticity
(GARCH)
dan
Exponentiall
y Weighted
Moving
Average
(EWMA)
Penelitian
berfokus
untuk
membanding
kan nilai VaR
saham
syariah dan
saham non
syariah yang
terlebih
dahulu
dihitung
volatilitasnya
dengan
metode
GARCH.
Penulis
menggunaka
n model
EWMA dan
GARCH
untuk
membentuk
portofolio
optimal dan
diketahui
nilai VaR dan
kinerjanya
Hasil penelitian ini
menunjukan saham
syariah dan
nonsyariah yang
volatilitasnya
diestimasi dengan
metode GARCH
memiliki nilai
Value at Risk
(VaR) lebih
rendah.
5 Hadi
Ismanto
(2016)
Analisis
Value at
Risk dalam
Pembentuka
n Portofolio
Optimal
(Studi
Empiris
Saham-
Saham yang
Tergabung
Value at Risk Penelitian
membentuk
portofolio
optimal
dengan
pendekatan
mean
variance
untuk
kemudia
dicari nilai
Value at
Return tertinggi
dihasilkan oleh
portofolio 1 yaitu
0.004950 dan
standar deviasi
0.050070.
Sedangkan return
terendah terdapat
pada portofolio 2
yaitu 0.002876 dan
deviasi standar
0.007107. Dalam
43
dalam
LQ45)
Risknya.
Penulis
mengguakan
metode VaR
untuk
memperoleh
nilai risiko
pasar pada
portofolio
optimal yang
dibentuk
denga
nmetode
EWMA dan
GARCH.
penelitian ini juga
diketahui bahwa
portofolio yang
memiliki return
lebih tinggi yaitu
portofolio 1 akan
menghasilkan
risiko yang lebih
besar juga bila
diukur dengan VaR
yaitu -0.082616
dibandingkan
dengan portofolio 2
yang memiliki nilai
VaR -0.011727
6 Diah Nur
Pertiwi
dan
Meirinal
di (2016)
Analisis
Perbedaan
Kinerja
Portofolio
Optimal
Indeks Sri-
Kehati dan
LQ45
periode
2010 - 2014
Sharpe
Index,
Traynor
Indes dan
Jansen Index
Penelitian
pengukur
kinerja
portofolio
yang
terbentuk
pada saham
indeks Sri-
Kehati dan
LQ45 dengan
Sharpe,
Traynor dan
Jansen Index.
Penulis
menggunaka
n Sharpe,
Jansen dan
Traynor
Index untuk
membanding
kan kinerja
portofolio
optimal yang
terbentuk
dengan
metode
EWMA dan
ARCH/GAR
CH
Kinerja portofolio
optimal yang
terbentuk dengan
saham-saham
indeks LQ45 lebih
baik dibandingkan
kinerja portofolio
optimal yang
terbentuk dengan
saham indeks Sri-
Kehati
7 Erna
Suryani
The
Analysis of
Sharpe
Index,
Penelitian
berfokus
Tidak Terdapat
perbedaan
44
dan Eva
Herianti
(2015)
Risk
Adjusted
Return
Portfolio
Performanc
e Share for
LQ45 Index
in Indonesia
Stock
Exchange in
2010 - 2014
Periods
Traynor
Index,
Jansen Index
dan Kruskal
Wallish Test
untuk
menganalisis
konsistensi
metode
pengukuran
kinerja
portfolio
dengan
Indeks
Sharpe
Traynor dan
Jansen.
Penulis
menggunaka
n metode
Sharpe Index,
Traynor
Index dan
Jansen Index
untuk
mengukur
kinerja
portofolio
optimal yang
dihasilkan
model
EWMA dan
GARCH
signifikan yang
dihasilkan oleh
metode Sharpe
Index, Traynor
Index dan Jansen
Index. Traynor
Index adalah yang
paling konsisten
jika dibandingkan
Sharpe Index dan
Jansen Index
karena memiliki
nilai mean rank
terendah
berdasarkan
Krushkal Wallish
Test
8 Cut Dian
et.al
(2014)
Pembentuka
n Portofolio
Saham-
Saham
Indeks
LQ45 :
Perbanding
an Model
Exponential
ly Weighted
Moving
Average
(EWMA)
dan
Generallize
d
Autoregress
ive
Markowitz,
Exponentiall
y Weighted
Moving
Average
(EWMA) dan
Generallized
Autoregressi
ve
Conditional
Heteroscedas
ticity
(GARCH)
Penelitian
membanding
kan model
pengukuran
volatilitas
Markowitz,
EWMA dan
GARCH
dalam
pembentukan
portofolio.
Penulis
berfokus
untuk
mengetahui
nilai Value at
Risk (VaR)
portofolio
Dilihat dari kurva
efficient
frontiernya, metode
EWMA mampu
menghasilkan
portofolio paling
optimum yaitu
mampu
menghasilkan
risiko terkecil
dengan tingkat
pengembalian yang
hampir sama
berdasarkan nilai
Sharpe Index yang
lebih tinggi.
45
Conditional
Heterosceda
sticity
(GARCH
optimal yang
dibentuk
menggunaka
n model
EWMA dan
GARCH dan
membanding
kan
kinerjanya
9 Wiwit
Citra
Andika
(2014)
Analisis
Kinerja
Portofolio
Saham
dengan
Metode
Sharpe,
Traynor dan
Jansen
Sharpe
Index,
Traynor
Index dan
Jansen Index
Penelitian
mengukur
kinerja
portofolio
saham LQ45
untuk
membentuk
portofolio
optimal,
penulis
mengukur
kinerja
portofolio
optimal yang
sebelumnya
telah
diperoleh
berdasarkan
slope CAL
Portofolio optimal
berdasarkan
pengukuran kinerja
dengan indeks
sharpe, traynor dan
jensen teridiri dari
saham-saham
UNTR, BWPT dan
HRUM.
10 Claudiu
Lie
Oprena
(2013)
Estimation
of Value at
Risk on
Romanian
Stock
Exchange
Using
Volatillty
Forecasting
Models
Value at Risk
(VarR),
Exponentiall
y Weighted
Moving
Average
(EWMA),
Generallized
Autoregressi
ve
Conditional
Heteroscedas
ticity
(GARCH)
dan Violation
Ratio
Penelitian
menganalisis
risiko pasar
dengan Value
at Risk (VaR)
menggunaka
n alat
ekonometrik
modern
EWMA dan
GARCH
pada tiga
index saham
di Romania.
Penulis
menggunaka
n metode
yang sama
Berdasarkan
violation ratio test
diketahui bahwa
GARCH
merupakan yang
paling cocok dan
paling akurat untuk
mengukur risiko
pasar dengan Value
at Risk (VaR) pada
pasar modal
Romania
46
untuk
membentuk
portofolio
optimal pada
saham
syariah di
Jakarta
Islamic Index
(JII)
11 Caterine
Soke Fun
Ho, et.al
(2013)
Performanc
e of Global
Islamic
Versus
Convention
al Share
Indices
Internation
al Evidence
Capital Asset
Pricing
Model
(CAPM),
Sharpe
Index,
Traynor
Index dan
Jansen Index
Penelitian ini
membanding
kan kinerja
indeks
syariah vs
indeks
konvensional
12 negara di
dunia dengan
menggunaka
n Sharpe
Index,
Traynor
Index dan
Jansen Index.
Penulis
menggunaka
n metode
yang sama
untuk
mengukur
kinerja
portofolio
optimal yang
dihasilkan
dengan
metode
EWMA dan
GARCH
Mayoritas Indeks
Syariah
menunjukan
kinerja yang lebih
baik dibandingkan
indeks
konvensionalnya
antara lain indeks
syariah Dow Jones,
MSCI, Russel,
S&P, Kuala
Lumpur, Jakarta
dan Swiss
12 Myles E
Mangra
m
(2013)
A Simplified
Perspective
of the
Markowitz
Portfolio
Theory
Markowitz Penelitian
menjelaskan
mengenai
asumsi-
asumsi dasar
teori
portofolio
Markowitz.
Selain berbagai
asumsi yang telah
dikenal luas
nyatanya teori
portofolio
Markowitz
memiliki beberapa
keterbatasan yaitu
47
Penulis
menggunaka
n kurva
efficient
frontier pada
teori
Markowitz
untuk
membanding
kan metode
yang lebih
unggul dalam
pembentukan
portofolio
investor
irrationality,
higher risk =
higher return,
perfect
information,
unlimited acces to
capital, efficient
market, no taxes or
transaction cost,
investment
independence etc.
13 Yuyun
Yunarti
(2012)
Penerapan
Model
GARCH
dan Model
EWMA
dalam
Mengukur
Risiko
Berinvestasi
(Studi
Kasus :
Saham
Syariah di
Jakarta
Islamic
Indeks)
Exponentiall
y Weighted
Moving
Average
(EWMA),
Generallized
Autoregressi
ve
Conditional
Heteroscedas
ticity
(GARCH),
Value at Risk
Penelitian
menggunaka
n metode
EWMA dan
GARCH
untuk
megestimasi
volatilitas
saham sektor
keuangan
pada JII.
Penulis
menggunaka
n metode
EWMA dan
GARCH
untuk
membentuk
portofolio
pada saham-
saham JII
Model GARCH
terbaik yaitu
GARCH (1,2) dan
Model EWMA
terbaik yang
digunakan model
EWMA dengan
bobot pemulusan
0,992. Proses
pembandingan
GARH dan EWMA
dilakukan dengan
mengukur MAPE,
diketahui estimasi
volatilitas dengan
metode EWMA
memiliki nilai VaR
yang lebih rendah
14 Putu Ayu
Gatrani
(2010)
Pemilihan
Portofolio
dengan
Menggunak
an
Exponential
ly Weighted
Moving
Average
(EWMA)
dan
Markowitz,
Exponentiall
y Weighted
Moving
Average
(EWMA),
Monete
Carlo dan
Generallized
Autoregressi
ve
Penelitian
membanding
kan model
Markowitz,
EWMA,
Monte Carlo
dan GARCH
untuk
membentuk
portofolio.
Penulis
Rangkaian
portofolio yang
dihasilkan dengan
metode GARCH
lebih baik karena
mampu
memberikan risiko
yang lebih kecil
dengan tingkat
keuntungan yang
hampir sama
48
Generallize
d
Autoregress
ive
Conditional
Heterosced
asticity
(GARCH)
Conditional
Heteroscedas
ticity
(GARCH)
membanding
kan nilai VaR
dari
portofolio
optimal yang
terbentuk
dengan
model
EWMA dan
GARCH
kemudian
mengukur
kinerjanya
kemudian diikuti
oleh model
EWMA, Monte
Carlo dan
Markowitz
15 Agung D
Buchdad
i (2008)
Penghitung
an Value at
Risk (VaR)
Portofolio
Optimum
Saham
Perusahaan
Berbasis
Syariah
dengan
Pendekatan
EWMA
Markowitz,
Exponentiall
y Weighted
Moving
Average
(EWMA),
Monte Carlo,
Value at Risk
(VaR) dan
Backtesting
Penelitian
berfokus
untuk
mengetahui
nilai kerugian
maksimum
dengan
metode VaR
pendekatan
EWMA pada
portofolio
optimal yang
dibentuk
dengan
metode
Markowitz.
Penulis
membanding
kan nilai VaR
yang
diperoleh dari
portofolio
optimal
dengan
model
EWMA dan
GARCH
Hasil penelitian
diketahui bahwa 7
dari 10 saham
penyusun
portofolio optimal
bersifat
heteroskedastisitas.
Metode EWMA
dapat memprediksi
volatilitas dengan
baik pada tingkat
keyakinan 95%
16 Mehmet
Horasan
h dan
Neslihan
Fidan
(2008)
Portfolio
Selection by
Using Time
Varying
Covariance
Matrices
Markowitz,
Exponentiall
y Weighted
Moving
Average
(EWMA)
Penelitian
berfokus
untuk
membanding
kan
portofolio
Portofolio dengan
metode EWMA
lebih baik karena
mampu
menghasilkan
risiko yang lebih
49
dan
Generallized
Autoregressi
ve
Conditional
Heteroscedas
ticity
(GARCH)
yang
dibentuk
dengan
metode
Markowitz,
EWMA dan
GARCH.
Penulis
membanding
kan nilai
Value at Risk
(VaR) dari
portofolio
optimal yang
dibentuk
dengan
metode
EWMA dan
Markowitz
kemudian
kinerjanya di
ukur dengan
metode
Sharpe Index,
Traynor
Index dan
Jansen Index
rendah dengan
tingkat keuntungan
yang hampir sama
dibandingkan
portofolio dengan
metode GARCH.
Metode EWMA
dapat memodelkan
kondisi pasar saat
ini dengan lebih
akurat sementara
GARCH
memberikan reaksi
yang lebih lambat
17 Cherif
Guermat,
et.al
(2002)
Forecasting
Value at
Risk
Allowing
for Time
Variation in
the
Variance
and
Kurtosis of
Portfolio
Returns
Exponentiall
y Weighted
Moving
Average
(EWMA),
Generallized
Autoregressi
ve
Conditional
Heteroscedas
ticity
(GARCH)
dan
Exponentiall
y Weighted
Maximum
Likelihood
(EWMA)
Penelitian
mengukur
nilai Value at
Risk (VaR)
dengan
menggunaka
n tiga
pendekatan
volatilitas
yaitu
EWMA,
GARCH dan
EWML.
Penulis
menggunkan
pendekatan
EWMA dan
GARCH
untuk
Hasil penelitian
menunjukan bahwa
VaR yang
diestimasi dengan
EWML lebih
akurat
dibandingkan
EWMA dan
GARCH.
50
membentuk
portofolio
optimal untuk
kemudian di
estimasi nilai
VaR dan
kinerjanya
menggunaka
n Sharpe
Index,
Traynor
Index dan
Jansen Index.
51
C. Kerangka Pemikiran
Gambar 2.1
Kerangka Pemikiran
Ya Tidak Tidak
Ya
Daftar Saham yang Berturut-turut Masuk ke dalam JII periode
Juli 2013 – Juni 2018
Memilih Saham yang Memberikan Return Positif
Uji
Heteroskedastisitas
σ Metode
GARCH σ Metode
EWMA
Membuat Matriks Covariance antar Saham
Matriks Varians-Kovarian Saham
Membuat Matriks Korelasi antar Saham
Membuat Kurva Efficient Frontier
Portofolio Optimal dengan CAL Slope
Value at Risk (VaR)
Uji Normalitas
α Tabel
Z Score
α Cornish Fisher
Expansion
Uji Stasioneritas
Differencing
Indeks Sharpe Indeks Jansen
Kesimpulan
Portofolio Optimal dengan Kinerja Terbaik
Indeks Traynor
52
D. Hipotesis Penelitian
Penelitian yang dilakukan oleh Horasanh dan Fidan (2008) menyatakan
risk dan return portofolio yang terbentuk dengan metode EWMA lebih baik
dibandingkan portofolio yang terbentuk dengan metode ARCH/GARCH pada
indeks XU030. Barauskaite dan Constantinescu (2016) menyatakan risk dan
return portofolio efisien yang terbentuk dengan metode EWMA lebih baik
dibandingkan portofolio efisien dengan yang terbentuk metode DCC-GARCH
(1,0,1) pada BEE500 Index, SMI Index, DJGSP Index, AS30-ASX Index, TLT
US Equity dan SPGSAG Index. Gatrani (2010) menyatakan risk dan return
portofolio dengan metode GARCH lebih baik dibandingkan portofolio dengan
metode EWMA studi kasus pada saham BTEL, PGAS, TINS dan TRUB.
Maka, hipotesis pertama penelitian ini yaitu:
Ho1 : Risk dan return portofolio portofolio yang terbentuk dengan
metode EWMA tidak lebih baik dibandingkan risk dan return
portofolio yang terbentuk dengan metode ARCH/GARCH.
Ha1 : Risk dan return portofolio yang terbentuk dengan metode EWMA
lebih baik dibandingkan risk dan return portofolio yang terbentuk
dengan metode ARCH/GARCH.
Penelitian yang dilakukan Dian et.al (2014) menggunakan return to
variability untuk mengoptimalisasi portofolio saham-saham pada indeks LQ-
45 dimana sebelumnya volatilitasnya telah diestimasi dengan metode EWMA
dan GARCH. Hasilnya, diketahui bahwa portofolio metode EWMA mampu
memberikan risiko terkecil dengan tingkat pengembalian yang hampir sama
53
atau metode yang mampu menghasilkan portofolio optimal yang lebih baik
dibanding metode GARCH. Maka, hipotesis kedua dalam penelitian ini yaitu:
Ho2 : Portofolio optimal yang terbentuk dengan metode EWMA tidak
lebih baik dibandingkan portofolio optimal yang terbentuk dengan
metode ARCH/GARCH berdasarkan slope Capital Allocation Line
(CAL) tertinggi.
Ha2 : Portofolio optimal yang terbentuk dengan metode EWMA lebih
baik dibandingkan portofolio optimal yang terbentuk dengan
metode ARCH/GARCH berdasarkan slope Capital Allocation Line
(CAL) tertinggi.
Penelitian yang dilakukan oleh Yuniarti (2012) menggunakan metode
Value at Risk (VaR) untuk menghitung risiko saham sektor keuangan di Jakarta
Islamic Index (JII) yang volatilitasnya diestimasi dengan metode EWMA dan
GARCH. Pratiwi (2017) menguunakan metode Value at Risk (VaR) pendekatan
EWMA untuk mengestimasi risiko pasar portofolio optimal yang terbentuk dari
2 buah reksadana campuran. Sementara itu, Sapari dan Arifin (2016)
menggunakan metode Value at Risk dengan pendekatan EWMA dan GARCH
untuk mengestimasi risiko pasar pada saham syariah dan non syariah di BEI.
Maka, hipotesis ketiga untuk dalam penelitian ini yaitu :
Ho3 : Risiko pasar portofolio optimal yang terbentuk dengan metode
EWMA tidak lebih baik dibandingkan risiko pasar portofolio
optimal yang terbentuk dengan metode ARCH/GARCH
berdasarkan metode Value at Risk (VaR).
54
Ha3 : Risiko pasar portofolio optimal yang terbentuk dengan metode
EWMA lebih baik dibandingkan risiko pasar portofolio optimal
yang terbentuk dengan metode ARCH/GARCH berdasarkan
metode Value at Risk (VaR).
Penelitian yang dilakukan oleh Andika (2014) menggunakan Indeks
Sharpe, Traynor dan Jansen untuk mengukur kinerja portofolio pada saham
indeks LQ-45. Suryani dan Herianti (2015) menyatakan terdapat perbedaan
signifikan pada pengukuran kinerja 14 saham indeks LQ-45 menggunakan
Indeks Sharpe, Traynor dan Jansen. Pertiwi dan Merinaldi (2016) menggunakan
indeks Sharpe, Traynor dan Jansen untuk mengevaluasi kinerja portofolio pada
saham-saham indeks Sri Kehati dan LQ45. Maka, hipotesis keempat dalam
penelitian ini yaitu :
Ho4 : Kinerja portofolio optimal yang terbentuk dengan metode EWMA
tidak lebih baik dibandingkan kinerja portofolio optimal yang
terbentuk dengan metode ARCH/GARCH berdasarkan metode
Sharpe Index, Traynor Index dan Jansen Index.
Ha4 : Kinerja portofolio optimal yang terbentuk dengan metode EWMA
lebih baik dibandingkan kinerja portofolio optimal yang terbentuk
dengan metode ARCH/GARCH berdasarkan metode Sharpe
Index, Traynor Index dan Jansen Index.
55
BAB III
METODOLOGI PENELITIAN
A. Ruang Lingkup Penelitian
Penelitian ini berfokus untuk membandingkan volatilitas saham yang
diestimasi dengan metode Exponentially Weighted Moving Average (EWMA)
dan Autoregressive Conditional Heteroscedasticity/Generallized
Autoregressive Conditional Heteroscedasticity (ARCH/GARCH) untuk
membentuk portofolio. Portofolio dibentuk menggunakan matriks varians-
kovarian, kemudian diplot ke dalam kurva efficient frontier sehingga portofolio
yang terbentuk dari masing-masing metode pengukuran volatilitas dapat
dibandingkan risk dan returnnya. Adapun tahap selanjutnya yaitu menetapkan
portofolio optimal berdasarkan nilai reward to variability ratio atau Capital
Allocation Line (CAL), dimana portofolio dengan nilai CAL Slope tertinggi
ditetapkan sebagai portofolio optimal. Untuk mengetahui jumlah risiko pasar
optimum pada portofolio opitmal digunakan metode Value at Risk (VaR).
Terakhir, portofolio optimal diukur kinerjanya dengan menggunakan indeks
Sharpe, Traynor dan Jansen.
Saham yang digunakan sebagai objek dalam penelitian ini yaitu saham
syariah yang secara beruturut-turut tercatat dalam Jakarta Islamic Index (JII)
periode Juli 2013 – Juni 2018. Adapun saham-saham yang termasuk ke dalam
JII terdiri dari 30 emiten yang masuk ke dalam kriteria syariah dengan tingkat
likuiditas tinggi (Buku Panduan Indeks Harga Saham, 2010).
56
Data yang digunakan dalam peneltitian ini bersifat kuantitatif, yaitu data
yang berupa angka. Penelitian ini termasuk jenis penelitian empiris dengan
menggunakan data sekunder yang diperoleh dari berbagai sumber antara lain
situs pencatatan harga saham Investing.com, Bursa Efek Indonesia dan Bank
Indonesia. Dilihat dari dimensi waktunya, penelitian ini termasuk dalam
kelompok data runtut waktu (time series) yaitu data yang dikumpulkan dari
waktu ke waktu dari suatu objek untuk menggambarkan perkembangan dari
objek tersebut (Siregar, 2012 : 16).
Data yang digunakan dalam penelitian ini terdiri dari data harga saham
penutupan harian (closing price), tingkat suku bunga bebas risiko berupa data
SBI dan data penutupan harian IHSG selama periode Juli 2013 – Juni 2018.
Pengolahan data dilakukan menggunakan software komputer Eviews 9,
Microssoft Excel 2016 dan SPSS 16.
B. Metode Penentuan Sampel
1. Populasi
Populasi merupakan keseluruhan objek yang diteliti. Menurut
Sugiyono (2009 : 119) populasi adalah wilayah generalisasi yang terdiri
atas obyek/subyek yang mempunyai kualitas dan karakteristik tertentu
yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik
kesimpulannya. Populasi dalam penelitian ini adalah seluruh saham
syariah yang tercatat pada Jakarta Islamic Index (JII) periode Juli 2013 –
57
Juni 2018 yang diperoleh dari Bursa Efek Indonesia dalam websitenya
www.idx.co.id.
2. Sampel
Sampel merupakan bagian dari populasi yang menjadi objek
penelitian (Suharjo, 2013 : 8). Sampel penelitian merupakan bagian dari
populasi yang akan diteliti dengan cara tertentu sebagimana yang
ditetapkan oleh peneliti (Sudarmanto, 2013 : 49). Teknik pengambilan
sampel yang digunakan dalam penelitian ini adalah teknik nonprobability
sampling. Nonprobability sampling adalah teknik pengambilan sampel
yang tidak memberi peluang/kesempatan sama bagi setiap unsur atau
anggota populasi untuk dipilih menjadi sampel (Sugiyono, 2009 : 125).
Selanjutnya, dari teknik nonprobability sampling digunakan teknik
purposive sampling untuk menentukan sampel. Purposive sampling adalah
teknik penentuan sampel dengan pertimbangan tertentu dimana
sebelumnya peneliti telah menetapkan kriteria sampel yang akan
digunakan. Adapun kriteria sampel dalam penelitian ini, yaitu :
a. Saham-saham yang berturut-turut masuk dalam Jakarta Islamic Index
(JII) periode Juli 2013 – Juni 2018.
Berdasarkan hasil seleksi yang telah dilakukan ditemukan 14 saham
JII yang memenuhi kriteria, yaitu :
58
Tabel 3.1
Daftar Saham Jakarta Islamic Index (JII)
Periode Juli 2013 – Juni 2018
No Kode Saham Nama Perusahaan
1. ADRO Adaro Energy Tbk
2. AKRA AKR Corporindo Tbk
3. ASII Astra International Tbk
4. BSDE Bumi Serpong Damai Tbk.
5. ICBP Indofood CBP Sukses Makmur Tbk
6. INDF Indofood CBP Sukses Makmur Tbk
7. KLBF Kalbe Farma Tbk
8. LPKR Lippo Karawaci Tbk
9. LSIP PP London Sumatra Indonesia Tbk
10. PGAS Perusahaan Gas Negara (Persero) Tbk
11. SMGR Semen Indonesia Persero Tbk
12. TLKM Telekomunikasi Indonesia (Persero) Tbk
13. UNTR United Tractor Tbk
14. UNVR Unilever Indonesia Tbk
Sumber : data diolah
C. Metode Pengumpulan Data
Dalam penelitian ini, penulis menggunakan metode studi pustaka dalam
pengumpulan data yang digunakan. Studi pustaka merupakan teknik
pengumpulan data dengan mengadakan studi penalaran terhadap buku-buku,
literatur, catatan-catatan dan laporan-laporan yang ada hubungannya dengan
masalah yang dipecahkan (Sudarmanto, 2013 : 62). Adapun data yang
diperoleh dalam penelitian ini adalah data sekunder. Penulis menggunakan data
59
sekunder yang diperoleh melalui situs internet. Data yang diperoleh meliputi
sampel saham, harga saham, dan data suku bunga bebas risiko.
Penulis menggunakan data sekunder yang diperoleh dari situs pencatatan
harga saham Investing.com, Bursa Efek Indonesia dan Bank Indonesia.
Adapun data harga saham yang digunakan berupa data penutupan harian
(closing price) saham-saham syariah yang tercatat pada Jakarta Islamic Index
(JII) periode Juli 2013 – Juni 2018.
D. Metode Analisis Data
Penelitian ini menggunakan analisis statistik dan ekonometrika dalam
menguji rumusan masalah yang ditetapkan. Adapun langkah-langkah analisis
tersebut yaitu :
1. Menghitung Actual Return dan Expected Return Saham
Sebelum menghitung expected return, terlebih dahulu harus
menghitung actual return berdasarkan data harga saham historis. Menurut
Ahmad (2004 : 104) actual return dapat dihitung dengan rumus sebagai
berikut :
𝑅𝑡 = 𝑃𝑡−𝑃𝑡−1
𝑃𝑡−1 (3.1)
Keterangan :
Rt : Actual return saham periode t
Pt : Harga saham periode t
Pt−1 : Harga saham periode t-1
60
Adapun expected return dapat dihitung dengan rumus sebagai berikut
(Halim, 2015 : 44) :
E(Ri) = ∑ (Pij)(Rij)nj=1 (3.2)
Keterangan :
E(Ri) : Expected return dari investasi saham i;
Pij : Probabilitas diraihnya keuntungan pada keadaan j
Rij : Return dari investasi pada saham i pada keadaan j
Dalam penelitian ini saham yang akan dilanjutkan ke tahap berikutnya
dan dimasukan ke dalam portofolio optimal merupakan saham yang dapat
memberikan expected return positif atau E(Ri) > 0.
2. Uji Statistik Data Actual Return Saham
a. Uji Normalitas
Salah satu asumsi dalam analisis statistika adalah data berdistribusi
normal. Penelitian ini menggunakan uji Jarque Bera untuk melihat
apakah suatu data berdistribusi normal. Jarque-Bera adalah uji statistik
untuk mengetahui apakah data berdistribusi normal dengan mengukur
perbedaan skewness dan kurtosis dari data. Menurut Winarno (2015 :
5.41) Jarque Bera dapat dihitung dengan rumus sebagai berikut :
Jarque-Bera : 𝑁−𝑘
6 (𝑆2 +
(𝐾−3)2
4 (3.3)
Keterangan :
S : Skewness
K : Kurtosis
61
k : Banyaknya koefisien yang digunakan
Hipotesis Penelitian :
Ho : Data return berdistribusi normal
Ha : Data return tidak berdistribusi normal
Adapun uji statistik yang digunakan adalah sebagai berikut :
Jika p ≤ 5% atau nilai JB > nilai Chi-Square, maka Ho ditolak atau
data return tidak berdistribusi normal.
Jika p ≥ 5% atau JB < nilai Chi-Square, maka Ho diterima atau data
return berdistribusi normal.
Apabila return berdistribusi normal, maka nilai α yang digunakan
sesuai tabel Z (α = 5%, df = 2), akan tetapi apabila return berdistribusi
tidak normal maka digunakan pendekatan Cornish Fisher Expansion
untuk mengoreksi nilai alpha (Buchdadi, 2007) yaitu :
𝛼′ = 𝛼 − 1
6 (𝛼2 − 1)휁 (3.4)
Keterangan :
α : Tingkat kepercayaan
휁 : Koefisien skewness
b. Uji Stasioneritas
Menurut Nachrowi & Usman (2006 : 340) sekumpulan data
dinyatakan stasioner jika nilai rata-rata dan varians dari data time series
tersebut tidak mengalami perubahan secara sistematik sepanjang waktu,
atau sebagian ahli menyatakan rata-rata variannya konstan. Uji
stasioner data yang digunakan dalam penelitian ini menggunakan
62
Augmented Dickey Fuller (ADF) test dengan bantuan program E-views
9.
Apabila data yang digunakan tidak stasioner maka dalam proses
regresi akan mudah menyebabkan regresi menjadi rancu. Oleh sebab
itu, data yang tidak stasioner harus dirubah terlebih dahulu menjadi
stasioner dengan melakukan differencing. Pada tingkat differencing
pertama, biasanya data sudah menjadi stasioner. Namun apabila pada
differencing pertama data belum stasioner, kemungkinan besar pada
differencing kedua data sudah stasioner (Winarno, 2011 : 11.7)
Hipotesis penelitian :
Ho : 𝛿 = 0 (data return bersifat tidak stasioner).
Ha : 𝛿 ≠ 0 (data return bersifat stasioner).
Dalam melakukan uji stasioneritas sebuah data dapat dilakukan
dengan membandingkan nilai signifikansi probabilitas dengan 𝛼 = 5%
atau dengan membandingkan nilai absolute t-statistic antara tes statistik
ADF dengan nilai critical value 5%. Uji statistik yang digunakan adalah
sebagai berikut :
Jika p ≤ 5% atau nilai ADF < CF 5%, maka Ho ditolak atau data
stasioner.
Jika p ≥ 5% atau nilai ADF > CF 5%, maka Ho diterima atau data
tidak stasioner.
63
c. Uji Heteroskedastisitas
Salah satu asumsi yang harus dipenuhi agar taksiran parameter
dalam model regresi bersifat BLUE adalah prinsip homogenitas yaitu
semua residual atau error mempunyai varian yang sama. Kondisi
seperti itu disebut dengan homoskedastisitas, sedangkan bila varian
residualnya tidak konstan atau selalu berubah-ubah disebut dengan
heteroskedastisitas (Nachrowi dan Usman, 2006 : 109).
Pada kenyataannya, nilai residual sulit memiliki varian yang
konstan. Hal ini sering terjadi pada data yang bersifat data silang (cross
section) dibanding data runtut waktu (time series). Sebagai contoh
dalam penelitian yang menyangkut data keuangan perusahaan, akan
terjadi perbedaan angka yang cukup besar antara perusahaan besar dan
perusahaan kecil (Winarno, 2011 : 5.8). Penelitian sebelumnya yang
dilakukan oleh Buchdadi (2008) dan Pratiwi (2017) menemukan
fenomena heteroskedastisitas pada data runtut waktu (time series) di
pasar modal.
Metode yang digunakan pada penelitian ini untuk mengidentifikasi
ada tidaknya heteroskedastisitas yaitu melalui uji White
Heteroscedastic dengan bantuan E-views 9. Adapun hipotesis
penelitian sebagai berikut :
Ho : 𝜎 bersifat homoskedastisitas
Ha : 𝜎 bersifat heteroskedastisitas
64
Adapun pengujian statistik yang digunakan adalah sebagai
berikut :
Jika probability F-statistic ≤ 5%, maka Ho ditolak atau σ bersifat
heteroskedastisitas.
Jika probability F-statistic ≤ 5%, maka Ho ditolak atau σ bersifat
homoskedastisitas.
3. Estimasi Volatilitas dengan Metode EWMA
Volatilitas adalah suatu ukuran yang menunjukan seberapa besar
harga berfluktuasi dalam suatu periode waktu. Volatilitas dari
pengembalian harga saham mempresentasikan risiko pengembalian harga
saham tersebut (Yuniarti, 2012). Volatilitas yang konstan dari waktu ke
waktu disebut homoskedastisitas, sementara volatilitas yang berubah-ubah
setiap waktu disebut heteroskedastisitas.
Volatilitas yang konstan (homoskedastisitas) dapat dihitung dengan
rumus standar deviasi, sedangkan bagi volatilitas yang bersifat acak
(heteroskedastisitas) dapat dihitung dengan menggunakan pendekatan
Exponentially Weighted Moving Average (EWMA). EWMA melakukan
estimasi volatilitas dengan memberikan bobot pengaruh lebih besar
terhadap volatilitas data terbaru. Volatilitas dengan pendekatan EWMA
dapat dihitung dengan persamaan 3.5. Dalam penelitian ini volatilitas
EWMA dihitung menggunakan bantuan Microssoft Excel 2016.
𝜎𝑡 = √𝜆 𝜎𝑡−12 + (1 − 𝜆)𝑅𝑡−1
2 (3.5)
65
Keterangan :
𝜎𝑡 : Standar deviasi dari return pada waktu t
𝜎𝑡−12 : Varians dari return pada waktu t-1
Rt-1 : Return saham pada waktu t-1
𝜆 : Parameter decay factor
Pengukuran volatilitas EWMA diperlukan adanya 𝜆 (decay factor)
yang menunjukan skala bobot antara 0 - 1 dari pengamatan data terbaru
dengan data sebelumnya. Semakin tinggi nilai decay factor pada sebuah
data imbal hasil berarti semakin besar pengaruh volatilitas sebelumnya
(persistence), namun semakin tidak reaktif terhadap informasi pasar imbal
hasil terakhir. Sebaliknya semakin kecil nilai decay factor maka semakin
reaktif volatilitas tersebut terhadap informasi imbal hasil sebelumnya.
(Dian et.al : 2014)
Berdasarkan JP. Morgan (1996 : 100) dalam Dian et.al (20140 decay
factor optimal untuk data harian sebesar 0,94 sedangkan untuk data
bulanan nilai 𝜆 sebesar 0,97. Penelitian ini akan menggunakan data harian
dalam proses analisisnya oleh karena itu akan menggunakan nilai decay
factor sebesar 0,94. Pengukuran volatilitas dengan metode EWMA akan
dibantu dengan software Microssoft Excel 2016.
66
4. Estimasi Volatilitas dengan Metode ARCH/GARCH
Proses pemodelan volatilitas dengan metode ARCH/GARCH ini
memerlukan tahapan yang cukup panjang, antara lain :
a. Pemodelan ARIMA
Autoregressive Integrated Moving Average (ARIMA) dikenal juga
sebagai metode Box-Jenkins yang mengacu pada himpunan prosedur
untuk mengidentifikasi, mencocokan dan memeriksa suatu data deret
waktu (time series). Menurut Rosadi (2010 : 71) model ini tidak
mengasumsikan adanya pola tertentu pada suatu data, melainkan
dengan menggunakan pendekatan iteratif pada identifikasi suatu model
yang memungkinkan. Pemodelan ARIMA dilakukan dengan
menggunakan perangkat sebagai berikut :
1) Model Autoregressive (AR)
Asumsi dari model Autoregressive (AR) yaitu bahwa data
periode saat ini dipengaruhi oleh data pada periode sebelumnya. AR
(1) atau first-order autoregressive process artinya data periode saat
ini dipengaruhi oleh nilai Y pada satu periode sebelumnya. AR (2)
atau second-order autoregressive process artinya data periode saat
ini dipengaruhi oleh nilai Y pada dua periode sebelumnya begitu
pula seterusnya.
2) Integrated (I)
Indentifikasi pola data time series harus memenuhi asumsi
stasioneritas dimana mean dan variance bersifat konstan. Pada
67
kenyataannya, data time series lebih banyak bersifat tidak stasioner
atau dengan kata lain terintegrasi (integrated). Seringkali data time
series yang terintegrasi pada tingkat (order) pertama, atau I(1) akan
bersifat stasioner pada diferen pertamanya, atau I(0). Demikian juga
bila time series tersebut terintegrasi pada tingkat (order) kedua, atau
I(2) akan bersifat stasioner pada diferen keduanya, atau I(0). Bila
dirumuskan, bentuk data time series tersebut adalah I(d), maka
setelah didiferen sebanyak d kali, maka akan didapatkan I(0) yang
sudah stasioner. (Winarno, 2015 : 7.22)
3) Model Moving Average (MA)
Asumsi dari model Moving Average (MA) yaitu data periode
saat ini dipengaruhi oleh nilai residual data periode sebelumnya. MA
(1) merupakan model MA yang menyertakan rata-rata residual
periode sekarang dan satu periode sebelumnya atau disebut juga
first-order moving average. MA (2) menggunakan rata-rata residual
periode saat ini dan rata-rata residual dua periode sebelumnya untuk
meramalkan error atau disebut juga second-order moving average
begitu pula seterusnya.
Selanjutnya langkah-langkah untuk menentukan order ARMA
(p,q) antara lain sebagai berikut :
1) Identifikasi plot Autocorellation Function (ACF) dan Partial
Autocorellation Function (PACF) melalui colleogram dilakukan
untuk menentukan order dari model ARMA. Plot ACF digunakan
68
untuk menentukan model AR(p) dan plot PACF digunakan untuk
menentukan model MA(q). Estimasi ordo ARMA dilakukan dengan
melihat plot ACF dan PACF apakah terdapat grafik batang yang
keluar atau melewati garis putus-putus (barlett) pada lag-lag
tertentu.
2) Estimasi parameter model ARIMA dari order yang telah ditentukan
dengan menggunakan metode Least Square.
3) Diagnostik Checking atau pengecekan model hasil estimasi apakah
telah mampu menghilangkan korelasi pada data. Suatu model
dikatakan baik apabila telah mampu menghilangkan korelasi pada
data. Hal ini dilakukan dengan mengamati colleogram residual,
pengamatan dilakukan dengan melihat plot ACF dan PACF. Suatu
model dikatakan berhasil menghilangkan korelasi apabila grafik
batang pada plot ACF dan PACF seluruhnya telah berada di dalam
garis barlett atau nilai dari probability Q-Statistic lebih besar dari α
= 5%.
b. Uji ARCH-Effect Langrange Multiplier
Uji Langrange Multiplier digunakan unutk mendeteksi keberadaan
proses ARCH pada pemodelan data time series yang sebelumnya telah
dilakukan. ARCH merupakan suatu kondisi dimana variance residual
data time series tidak hanya dipengaruhi oleh nilai variabel independen
namun juga dipengaruhi oleh residual kuadrat dari periode sebelumnya
atau disebut juga dengan conditional heteroscedastic. Untuk
69
menentukan suatu residual bersifat heteroscedastic atau homoscedastic
dilakukan uji statistik dengan menggunakan hipotesis sebagai berikut :
𝐻0 : residual bersifat homoscedastic. Yaitu jika probability F-Statistic
dan probability Obs R-Squared > 5%.
Ha : residual bersifat heteroscedastic. Yaitu jika probability F-Statistic
dan probability Obs R-Squared < 5%.
c. Penentuan Model ARCH/GARCH Terbaik
Model ARCH dikembangkan oleh Engle pad 1982 sebagai teknik
pemodelan data time series yang mengasumsikan bahwa conditional
variance pada saat ini dipengaruhi oleh kuadrat residual periode
sebelumnya. Adapun persamaan untuk model ARCH antara lain
sebagai berikut :
𝜎𝑡2 = 𝛼0 + 𝛼1ɛ𝑡−1
2 + 𝛼2ɛ𝑡−22 + ⋯ + 𝛼𝑝ɛ𝑡−𝑝
2 (3.6)
Keterangan :
𝜎𝑡2 : Conditional variance
ɛ𝑡−𝑝2 : Residual kuadrat pada t-p
Model ARCH selanjutnya dimodifikasi oleh Bollerslev (1986)
yang menyatakan bahwa conditional variance pada saat ini selain
dipengaruhi oleh kuadrat residual periode sebelumnya juga dipengaruhi
oleh conditional variance periode sebelumnya. Adapun persamaan
untuk model GARCH antara lain sebagai berikut :
𝜎𝑡2 = 𝜔 + 𝛽𝜎𝑡−1
2 + 𝛼휀𝑡−12 + ⋯ + 𝛽𝜎𝑡−𝑝
2 + 𝛼휀𝑡−𝑝2 (3.7)
Keterangan :
70
𝜎𝑡2 : Conditional variance
ɛ𝑡−𝑝2 : Residual kuadrat pada t-p
𝜎𝑡−𝑝2 : Conditional variance pada t-p
Pemilihan model terbaik dilakukan dengan melakukan pengujian
terhadap beberapa model GARCH antara lain GARCH (1,0,1),
GARCH (1,0,2), GARCH (2,0,1) dan GARCH (2,0,2). Kriteria
pemilihan model terbaik dilakukan dengan milihat signifikansi
parameter, serta kriteria Akaike Info Criterion (AIC) dan Schwartz Info
Criterion (SIC) terendah. AIC dan SIC merupakan dua standar
informasi yang menyediakan ukuran informasi yang dapat menemukan
keseimbangan antara ukuran kebaikan model dan spesifikasi model
yang terlalu hemat, sehingga model ini dapat membantu untuk
mendapatkan seleksi model terbaik. Menurut Brooks (2008 : 195),
model juga dapat diseleksi berdasarkan asumsi nonnegatifity constrains
yang mensyaratkan tidak boleh ada koefisien negatif.
5. Matriks Korelasi Antar Saham
Menurut Husnan (2005 : 66) korelasi menunjukan hubungan antara suatu
variabel dengan variabel lain. Korelasi antar variabel besarnya berkisar
pada -1 hingga +1. Untuk menghitung koefisien korelasi antara dua saham
akan digunakan software Microssoft Excel. Korelasi antar saham dapat
disajikan dalam bentuk matriks dengan format sebagai berikut :
71
Tabel 3.2
Format Matriks Korelasi Saham
Saham 1 Saham 2 Saham 3 ... Saham n
Saham 1 𝜌1,1 𝜌1,2 𝜌1,3 ... 𝜌1,𝑛
Saham 2 𝜌2,1 𝜌2,2 𝜌2,3 ... 𝜌2,𝑛
Saham 3 𝜌3,1 𝜌3,2 𝜌3,3 ... 𝜌3,𝑛
... ... ... ... ... ...
Saham n 𝜌𝑛,1 𝜌𝑛,2 𝜌𝑛,3 ... 𝜌𝑛,𝑛
6. Matriks Kovarian Antar Saham
Menurut Zubir (2013 : 26) kovarian mengukur besarnya perubahan
return satu saham dengan saham lainnya secara bersama-sama. Semakin
besar kovarian, maka semakin kuat hubungan dan saling berbengaruh
kedua return saham tersebut. Kovarian antar saham dapat dihitung dengan
mengalikan standar deviasi saham A, standar deviasi saham B dan
koefisien korelasi saham A dan B.
Matriks kovarian dalam penelitian ini akan dibuat untuk masing-
masing metode pengukuran volatilitas EWMA dan ARCH/GARCH
dengan nilai standar deviasi yang telah didapatkan sebelumnya dari
masing-masing metode. Dengan menggunakan bantuan software
Microssoft Excel, kovarian dapat dihitung dengan lebih mudah dan lebih
cepat. Adapun bentuk dari matirks kovarian dalam penelitian ini sebagai
berikut :
72
Tabel 3.3
Format Matriks Kovarian Saham
Covariance Saham 1 Saham 2 Saham 3 ... Saham n
Saham 1 𝜎12 𝜌1,2𝜎1𝜎2 𝜌1,3𝜎1𝜎3 ... 𝜌1,𝑛𝜎1𝜎𝑛
Saham 2 𝜌2,1𝜎2𝜎1 𝜎22 𝜌2,3𝜎2𝜎3 ... 𝜌2,𝑛𝜎2𝜎𝑛
Saham 3 𝜌3,1𝜎3𝜎1 𝜌3,2𝜎3𝜎2 𝜎32 ... 𝜌3,𝑛𝜎3𝜎𝑛
... ... ... ... ... ...
Saham n 𝜌𝑛,1𝜎𝑛𝜎1 𝜌𝑛,2𝜎𝑛𝜎2 𝜌3,𝑛𝜎3𝜎𝑛 ... 𝜎𝑛2
7. Matriks Varian-Kovarian untuk Membentuk Portofolio
Menurut Rodoni dan Ali (2014 : 70) portofolio merupakan
sekumpulan instrumen investasi yang dibentuk untuk memenuhi sasaran
umum investasi. Pada penelitian ini, matriks varians-kovarian antar saham
akan digunakan untuk mencari portofolio yang mampu memberikan return
tertentu dan standar deviasi minimum.
Matriks varian-kovarian di dalamnya memuat input berupa proporsi
(W), kovarian antar saham dan tingkat keuntungan masing-masing (E(Ri))
saham yang dibuat sedemikian rupa untuk mempermudah proses
penghitungan. Adapun proporsi masing-masing saham mula-mula
disamaratakan nilainya dengan cara membaginya dengan jumlah seluruh
saham yang akan digunakan. Proses penghitungan dibantu dengan
menggunakan program solver yang merupakan fitur dalam Microssoft
Excel.
Proses pembentukan portofolio efisien dengan bantuan solver dimulai
dengan menentukan terget cells yang digunakan yaitu memaksimalkan
73
nilai reward to variability (CAL slope) portofolio yang terbentuk. Adapun
beberapa batasan (constrain) yang dipakai adalah :
a. Jumlah seluruh W adalah satu (∑ 𝑊 = 1)
b. Masing-masing w saham nilainya lebih besar atau sama dengan nol
(wi ≥ 0) untuk menghindari terjadinya short sales
c. Expected return portofolio sama dengan target return yang
diharapkan (E(Rp) = E*).
Setelah target cells dan constrains ditentukan, maka solver akan
menentukan bobot masing-masing saham yang telah ditentukan. Data hasil
pengolahan menggunakan solver dicatat dan digunakan untuk membentuk
kurva efficient frontier. Bentuk matriks varian-kovarian untuk portofolio
dalam penelitian ini sebagai berikut :
Tabel 3.4
Format Matriks Varians-Kovarians
Varians Saham Saham 1 Saham 2 Saham 3 ... Saham n
Saham Bobot w1 w2 w3 ... Wn
Saham 1 w1 w1*w1*COV(1,1) w1*w2*COV(1,2) w1*w3*COV(1,3) ... w1*wn*COV(1,n)
Saham 2 w2 w2*w1*COV(2,1) w2*w2*COV(2,2) w2*w3*COV(2,3) ... w2*wn*COV(2,n)
Saham 3 w3 w3*w1*COV(3,1) w3*w2*COV(3,2) w3*w3*COV(3,3) ... w3*wn*COV(3,n)
... ... ... ... ... ... ...
Saham n Wn wn*w1*COV(n,1) wn*w2*COV(n,2) wn*w3*COV(n,3) ... wn*wn*COV(n,n)
Jumlah ∑ 𝑤1 ∗ 𝑤𝑖
∗ 𝐶𝑜𝑣(𝑖, 1)
∑ 𝑤2 ∗ 𝑤𝑖
∗ 𝐶𝑜𝑣(𝑖, 2)
∑ 𝑤3 ∗ 𝑤𝑖
∗ 𝐶𝑜𝑣(𝑖, 3)
∑ 𝑤𝑛 ∗ 𝑤𝑖
∗ 𝐶𝑜𝑣(𝑖, 𝑛)
74
8. Membuat Kurva Efficient Frontier
Menurut Mangram (2013) efficient frontier mendeskripsikan
hubungan antara expected return dan risiko antar sekuritas dalam
portofolio. Efficient frontier ini berisikan kombinasi portofolio efisien dari
dua buah metode yaitu EWMA dan ARCH/GARCH sehingga dapat
diamati metode manakah yang sekiranya mampu memberikan risiko
seminimal mungkin dengan expected return tertentu.
9. Portofolio Optimal dengan CAL Slope
Portofolio optimal secara sederhana dapat diartikan sebagai portofolio
efisien yang terdapat pada garis kurva efficient frontier yang sesuai dengan
preferensi seorang investor. Berdasarkan pengertian tersebut, dapat
disimpulkan bahwa portofolio optimal yang dipilih oleh satu investor
dengan investor lain akan berbeda-beda tergantung pada preferensinya.
Dalam penelitian ini, portofolio optimal akan dipilih berdasarkan nilai
Capital Allocation Line (CAL) tertinggi. Portofolio optimal merupakan
portofolio yang mampu memaksimalkan nilai slope (tingkat kemiringan)
pada garis Capital Allocation Line (CAL). Slope pada garis CAL
merupakan perbandingan antara excess return (E(Rp)-Rf) dengan risiko
totalnya. Slope pada garis CAL disebut juga dengan reward-to-variability
ratio atau sharpe ratio.
Portofolio optimal dapat dicari dengan bantuan solver dengan target
cells memaksimalkan nilai CAL slope dengan mengubah sel bobot setiap
75
saham. Adapun constrains (batasan) yang digunakan adalah jumlah
seluruh bobot saham adalah satu ((∑ 𝑊 = 1) dan masing-masing bobot
saham nilainya lebih besar atau sama dengan nol (wi ≥ 0). Setelah nilai
CAL slope maksimal didapatkan, maka akan diketahui bobot setiap saham,
expected return portofolio dan standar deviasi portofolio optimal.
10. Value at Risk (VaR)
Menurut Jorion dalam Penza dan Bansal (2001 : 62) Value at Risk
merangkum kerugian maksimum yang diharapkan atau kerugian terburuk
atas target horizon pada tingkat kepercayaan tertentu. Mencermati
pengertian tersebut, untuk mengetahui nilai VaR maka terdapat dua
komponen penting yaitu target horizon (holding period) dan juga tingkat
kepercayaan tertentu (confidence level). Adapun holding period yang
digunakan dalam penelitian ini yaitu 1 hari, sedangkan confidence level
yang digunakan yaitu 95% kemudian nilai exposure satu buah sekuritas
yaitu Rp 100.000.000.
Pada penelitian ini VaR akan digunakan untuk mengukur risiko
optimum portofolio optimal yang diperoleh dengan menggunakan dua
metode pengukuran volatilitas yang berbeda yaitu EWMA dan GARCH.
Persamaan untuk risiko optimum portofolio dengan metode VaR yaitu :
VaR = 𝛼𝑝 𝜎𝑝 P √𝑡 (3.8)
Keterangan :
VaR : Value at Risk
76
𝛼𝑝 : Alpha portofolio
𝜎𝑝 : Standar deviasi portofolio
𝑃 : Jumlah exposure
√𝑡 : Adjustment holding period
11. Kinerja Portofolio Optimal
Portofolio dikatakan memiliki kinerja yang baik tidak dapat dilihat
hanya dari return dan risiko yang diberikan, namun juga harus
mempertimbangkan beberapa faktor-faktor lain seperti risk free, return
market dan lain-lain. Seperti telah dijelaskan dalam bab sebelumnya,
evaluasi kinerja portofolio pada penelitian ini menggunakan tiga metode
antara lain indeks Sharpe, Traynor dan Jansen sebagai berikut :
a. Sharpe Index
Sharpe Index (reward to variability) dapat dihitung dengan rumus
(Hadi, 2013 : 2109) :
S = 𝑅𝑝−𝑅𝑓
𝜎𝑝 (3.9)
Keterangan :
S : Nilai rasio sharpe
Rp : Rata-rata return portofolio
Rf : Rata-rata risk free
𝜎𝑝 : Total risiko/standar deviasi portofolio
77
b. Traynor Index
Traynor Index (reward to volatility) dapat dihitung dengan rumus
(Hadi, 2013 : 219) :
T = 𝑅𝑝−𝑅𝑓
𝛽𝑝 (3.10)
Keterangan :
T : Nilai rasio traynor
Rp : Rata-rata return portofolio
Rf : Rata-rata risk free
𝛽𝑝 : Beta/risiko sistematik portofolio
c. Jansen Index
Jansen Index atau disebut juga dengan Jansen-Alpha dapat dihitung
dengan rumus (Hadi, 2013 : 219) :
α = Rp – (Rf+βp(Rm-Rf) (3.11)
Keterangan :
α : Nilai Jansen index
Rp : Rata-rata return portofolio
Rf : Rata-rata risk free rate
Rm : Rata-rata return pasar
β : Beta atau risiko sistematik suatu portofolio
78
E. Operasional Variabel Penelitian
Tabel 3.5
Operasional Variabel Penelitian
No Variabel Keterangan Rumus
1 Return
Saham
Tunggal
(Ri)
Return saham merupakan
selisih antara harga saham
periode t dengan harga
saham pada periode t-1
dibagi dengan harga saham
periode t-1
𝑅𝑖 = 𝑃𝑡 − 𝑃𝑡−1
𝑃𝑡−1
2 Return
Pasar (Rm)
Return pasar merupakan
selisih antara harga IHSG
periode t dengan harga IHSG
periode t-1 dibagi dengan
harga IHSG periode t-1
𝑅𝑚 = 𝐼𝐻𝑆𝐺𝑡 − 𝐼𝐻𝑆𝐺𝑡−1
𝐼𝐻𝑆𝐺𝑡−1
3 Return
Portofolio
(Rp)
Return portofolio
merupakan penjumlahan
dari masing-masing return
saham dikalikan dengan
bobotnya
𝑅𝑝 = ∑ 𝑅𝑖 𝑊𝑖
𝑛
𝑗=1
79
BAB IV
HASIL DAN PEMBAHASAN
A. Gambaran Umum Objek Penelitian
1. Indeks Harga Saham Gabungan (IHSG)
Indeks Harga Saham Gabungan atau sering disebut Indonesia
Composite Index adalah salah satu indeks saham yang tercatat di Bursa
Efek Indonesia. IHSG pertama kali diperkenalkan pada 1 April 1983
sebagai indikator pergerakan harga saham di Bursa. Hari dasar
perhitungan indeks adalah tanggal 10 Agustus 1982 dengan nilai 100 serta
jumlah emiten kala itu sebanyak 13 emiten.
Jumlah emiten di Bursa Efek Indonesia per 30 Juni 2018 sebanyak
585 emiten. Berdasarkan data statistik pasar modal yang dihimpun dari
website Otoritas Jasa Keuangan (OJK), kapitalisasi pasar IHSG per Juni
2018 menembus angka 6.511,73 Triliun atau menurun sebesar 7,67%
dibandingkan dengan jumlah kapitalisasi pasar pada akhir tahun 2017
sebesar 7.052,39 Triliun.
Indeks Harga Saham Gabungan (IHSG) mengalami fluktuasi selama
kurun waktu 5 tahun terakhir, adapun fluktuasi IHSG dapat dilihat pada
gambar 4.1 di bawah ini :
80
Gambar 4.1
Grafik Fluktuasi IHSG
Sumber : data diolah dengan Microssoft Excel 2016
Berdasarkan gambar 4.1, terlihat bahwa titik tertinggi IHSG terdapat
pada awal tahun 2018 tepatnya pada 19 Februari 2018 IHSG mencapai
nilai 6.689, sedangkan titik terendah IHSG terdapat pada pertengahan
tahun 2013 tepatnya pada tanggal 27 Agustus 2013 dengan nilai 3.968.
Berdasarkan data penutupan harian yang dihimpun dari website
investing.com diketahui perubahan nilai IHSG tertinggi terjadi pada
tanggal 27 Agustus 2015 sebesar 4,55% dari 4.238 menjadi 4.431.
2. Jakarta Islamic Index (JII)
Jakarta Islamic Index (JII) merupakan indeks saham syariah pertama
yang diluncurkan oleh Bursa Efek Indonesia (BEI) bekerja sama dengan
PT Danareksa Investment Management (IDM) pada 3 Juli 2000. Jakarta
Islamic Index (JII) terdiri dari 30 saham syariah paling likuid yang
0
1000
2000
3000
4000
5000
6000
7000
8000
81
terdaftar di Bursa Efek Indonesia (BEI). Hari dasar Jakarta Islamic Index
(JII) yaitu 2 Januari 1995 dengan nilai indeks sebesar 100.
Adapun kriteria pemilihan saham Jakarta Islamic Index (JII) sebagai
berikut :
a. Saham-saham yang akan dipilih berdasarkan Daftar Efek Syariah
(DES) yang dikeluarkan oleh Bapepam-LK
b. Memilih 60 saham dari Daftar Efek Syariah tersebut berdasarkan urutan
kapitalisasi pasar terbesar selama 1 tahun terakhir.
c. Dari 60 saham tersebut dipilih 30 saham berdasarkan tingkat likuiditas
yaitu nilai transaksi di pasar reguler selama 1 tahun terakhir (Buku
Panduan Indeks Saham, 2010 : 13)
Jakarta Islamic Index (JII) mengalami fluktuasi selama kurun waktu
5 tahun terakhir, adapun fluktuasi JII dapat dilihat pada gambar 4.2 di
bawah ini :
Gambar 4.2
Grafik Fluktuasi JII
Sumber : data diolah dengan Microssoft Excel 2016
0
100
200
300
400
500
600
700
800
900
82
Berdasarkan gambar 4.2, dapat dilihat bahwa titik tertinggi JII
terdapat pada awal tahun 2018 yaitu pada 29 Januari 2018 dengan nilai
817, sedangkan titik terendah JII terdapat pada pertengahan tahun 2013
yaitu tanggal 27 Agustus 2013 dengan nilai 541. Berdasarkan data
penutupan harian yang dihimpun dari website investing.com diketahui
perubahan nilai tertinggi JII terjadi pada tanggal 27 Agustus 2015 sebesar
5,901% dari 562 menjadi 583.
B. Analisis dan Pembahasan
1. Menghitung Actual Return dan Expected Return Saham
Sampel yang digunakan dalam penelitian ini terdiri dari 14 saham
yang secara konsisten masuk ke dalam Jakarta Islamic Index (JII) periode
Juli 2013 – Juni 2018. Data yang digunakan dalam penelitian ini
merupakan data penutupan harian (closing price) saham yang masing-
masing berjumlah 1209 data observasi. Dengan demikian, jumlah
keseluruhan data yang digunakan dalam penelitian ini dari 14 saham
tersebut yaitu 16.926 data observasi.
Actual Return dihitung dengan cara membandingkan selisih harga
saham pada hari t dan harga saham t-1 dengan harga saham t-1. Setelah
actual return untuk 14 saham diketahui, maka langkah selanjutnya yaitu
menghitung expected return dari masing-masing saham. Expected return
diperoleh dengan cara merata-ratakan actual return yang sebelumnya telah
diketahui dari masing-masing saham. Perhitungan actual return dan
83
expected return dilakukan dengan bantuan software Microssoft Excel
2016. Adapun hasil perhitungan expected return 14 buah saham dapat
dilihat pada tabel di bawah ini.
Tabel 4.1
Expected Return Saham
Periode Juli 2013 – Juni 2018
No Kode Nama Perusahaan E(Ri)
1 ADRO Adaro Energy Tbk 0,001052
2 AKRA AKR Corporindo Tbk 0,000090
3 ASII Astra International Tbk 0,000158
4 BSDE Bumi Serpong Damai Tbk 0,000165
5 ICBP Indofood CBP Sukses Makmur Tbk 0,000481
6 INDF Indofood Sukses Makmur Tbk 0,000102
7 KLBF Kalbe Farma Tbk 0,000062
8 LPKR Lippo Karawaci Tbk -0,000973
9 LSIP PP London Sumatera Indonesia Tbk -0,000139
10 PGAS Perusahaan Gas Negara Indonesia Tbk -0,000473
11 SMGR Semen Indonesia Persero Tbk -0,000525
12 TLKM Telekomunikasi Indonesia (Persero) Tbk 0,000564
13 UNTR United Tractor Tbk 0,000750
14 UNVR Unilever Indonesia Tbk 0,000483
Sumber : http://www.investing.com diolah dengan Microssoft Excel
Berdasarkan data expected return yang disajikan pada tabel 4.1, dapat
dilihat bahwa empat dari empat belas saham yang diobservasi memiliki
expected return yang negatif yaitu LPKR (-0,000973), LSIP (-0,000139),
PGAS (-0,000473) dan SMGR (-0,000525). Adapun sepuluh saham yang
memiliki expected return positif berdasarkan tabel 4.1 yaitu ADRO
(0,001052), AKRA (0,000090), ASII (0,000158), BSDE (0,000165),
84
ICBP (0,000481), INDF (0,000102), KLBF (0,000062), TLKM
(0,000564), UNTR (0,000750) dan UNVR (0,000483).
Tujuan investor melakukan investasi yaitu untuk memperoleh
keuntungan dimasa yang akan datang. Keuntungan hanya akan diperoleh
seorang investor apabila berinvestasi pada sekuritas yang memberikan
keuntungan, dalam penelitian ini yaitu saham yang mampu memberikan
expected return positif. Oleh karena itu, proses estimasi volatilitas pada
langkah selanjutnya hanya akan mengikutsertakan 10 saham yang
memberikan expected return positif yaitu ADRO, AKRA, ASII, BSDE,
ICBP, INDF, KLBF, TLKM, UNTR dan UNVR.
2. Pengujian Statistik Actual Return Saham
a. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data return
saham berdistribusi normal atau tidak. Suatu data dikatakan
berdistribusi normal apabila kedua sisi ekornya sama besar atau
simetris. Pada penelitian ini uji normalitas data dilakukan terkait
dengan penentuan nilai alpha yang digunakan dalam menghitung risiko
optimum dengan menggunakan metode Value at Risk (VaR).
Uji normalitas pada penelitian ini dilakukan dengan
membandingkan nilai Jarque Bera dengan probabilitas Critical Value
5%. Suatu data dikatakan berdistribusi normal apabila nilai Jarque
Bera lebih kecil atau sama dengan Chi Square (α = 5%, df = 2) yaitu
85
5.991146 atau jika nilai probabilitas Jarque Bera lebih besar atau sama
dengan nilai α = 5%. Sebaliknya, suatu data dikatakan tidak
berdistribusi normal apabila nilai Jarque Bera lebih besar atau sama
dengan Chi Square (α = 5%, df = 2) yaitu 5.991146 atau jika nilai
probabilitas Jarque Bera lebih kecil atau sama dengan nilai α = 5%. Di
bawah ini merupakan output hasil uji normalitas data return ADRO.
Gambar 4.3
Hasil Uji Normalitas Return ADRO
0
50
100
150
200
250
-0.10 -0.05 0.00 0.05 0.10 0.15
Series: ADRO
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 0.001052
Median 0.000000
Maximum 0.184615
Minimum -0.099010
Std. Dev. 0.030057
Skewness 0.614753
Kurtosis 6.289162
Jarque-Bera 621.6512
Probability 0.000000
Sumber : data diolah dengan Eviews 9
Berdasarkan hasil yang ditunjukkan pada gambar 4.3, diketahui
bahwa nilai Jarque Bera 621,6512 atau lebih besar dari nilai Chi
Square yaitu 5,991146. Adapun nilai probabilitas Jarque Bera yaitu
0,00000 atau lebih kecil dari critical value 5%. Dengan demikian, dapat
disimpulkan bahwa return ADRO tidak berdistribusi normal. Adapun
hasil selengkapnya terkait output hasil uji normalitas data return saham
dapat dilihat pada lampiran 1. Di bawah ini disajikan rangkuman hasil
uji normalitas return saham.
86
Tabel 4.2
Hasil Uji Normalitas Data Return Saham
No Keterangan Jarque Bera Chi Square Kesimpulan
1 ADRO 621,6512 5,991146 Tidak Normal
2 AKRA 81,34450 5,991146 Tidak Normal
3 ASII 348,3630 5,991146 Tidak Normal
4 BSDE 942,9518 5,991146 Tidak Normal
5 ICBP 412,6630 5,991146 Tidak Normal
6 INDF 742,3831 5,991146 Tidak Normal
7 KLBF 421,1533 5,991146 Tidak Normal
8 TLKM 174,0438 5,991146 Tidak Normal
9 UNTR 95,58640 5,991146 Tidak Normal
10 UNVR 424,4403 5,991146 Tidak Normal
Sumber : data diolah dengan Eviews 9
Berdasarkan data hasil uji normalitas yang disajikan pada tabel 4.2,
diketahui bahwa sepuluh saham yang akan dimasukan ke dalam
portofolio optimal tidak berdistribusi normal. Hal tersebut diperoleh
dari nilai Jarque Bera yang seluruhnya lebih besar dari nilai Chi Square
dan juga probabilitas Jarque Bera lebih kecil dari critical value 5%.
Dengan demikian, nilai alpha dari saham-saham tersebut harus
disesuaikan dengan menggunakan persamaan Cornish Fisher
Expansion.
Penyesuaian atas nilai alpha pada data return saham yang tidak
berdistribusi normal perlu dilakukan sebab ekor pada data tidak
berdistribusi normal akan lebih besar pada satu sisinya, sehingga nilai
skewnes akan bernilai positif atau negatif. Sementara pada data return
saham yang berdistribusi normal kedua ekornya akan sama besar atau
simetris, sehingga nilai skewnesnya sama dengan nol. Selengkapnya
87
hasil perhitungan alpha prime data return saham dapat dilihat pada
tabel di bawah ini.
Tabel 4.3
Hasil Perhitungan Alpha Prime Return Saham
No Keterangan Koefisien Skewnes (ζ) α = 0,05 α'
α-1/6(α2-1)ζ
1 ADRO 0,614753 1,66485 1,48332107
2 AKRA -0,012351 1,66485 1,66849710
3 ASII 0,325557 1,66485 1,56871706
4 BSDE 0,415173 1,66485 1,54225457
5 ICBP 0,347981 1,66485 1,56209553
6 INDF 0,118634 1,66485 1,62981885
7 KLBF 0,200472 1,66485 1,60565311
8 TLKM 0,078182 1,66485 1,64176383
9 UNTR 0,116446 1,66485 1,63046494
10 UNVR 0,343854 1,66485 1,56331418
Sumber : data diolah dengan Microssoft Excel 2016
Berdasarkan data hasil perhitungan alpha prime pada tabel 4.3,
diketahui bahwa saham yang memiliki nilai koefisien skewnes positif
yaitu ADRO, ASII, BSDE, ICBP, INDF, KLBF, TLKM, UNTR dan
UNVR nilai alpha primenya lebih kecil dari 1.64485. Adapun bagi data
return saham yang memiliki nilai koefisien skewnes negatif yaitu
AKRA, maka nilai alpha primenya lebih besar dari 1.66485.
b. Uji Stasioneritas
Suatu data dikatakan stasioner jika data tersebut memiliki
kecenderungan mean dan variance yang konstan. Pengujian ini
dilakukan untuk mengetahui apakah data return saham yang akan
dimasukan ke dalam portofolio optimal bersifat stasioner. Pengujian ini
88
dibutuhkan sebagai syarat untuk melakukan pengukuran volatilitas,
sebab apabila data yang digunakan tidak stasioner akan menyebabkan
kesalahan dalam estimasi.
Pengujian stasioneritas yang digunakan dalam penelitian ini
dilakukan dengan menggunakan uji Augmented Dickey Fuller (ADF).
Pengujian dilakukan dengan tingkat kepercayaan 95% dengan
membandingkan nilai t statistik ADF dengan nilai Critical Value 5%.
Apabila nilai ADF t statistic ≤ critical value 5% atau apabila nilai
probabilitas ADF ≤ 5% maka Ho ditolak atau dengan kata lain data
return saham bersifat stasioner. Sebaliknya apabila nilai ADF t statistic
≥ critical value 5% atau apabila nilai probabilitas ADF ≥ 5% maka Ho
diterima atau data tidak bersifat stasioner. Di bawah ini disajikan output
hasil uji stasioneritas ADF return saham ADRO.
89
Tabel 4.4
Uji Augmented Dickey Fuller ADRO
Sumber : data diolah dengan Eviews 9
Berdasarkan hasil yang ditunjukan pada tabel 4.4 diketahui bahwa
nilai t-statistic ADF test lebih kecil dari nilai t-statistic critical value
5%. Kemudian, nilai probabilitas ADF yaitu 0,0000 atau lebih kecil dari
5%. Dengan demikian, dapat disimpulkan bahwa return saham ADRO
bersifat stasioner. Hasil lengkap terkait output hasil uji stasioneritas 10
Null Hypothesis: ADRO has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -34.18176 0.0000
Test critical values: 1% level -3.435545
5% level -2.863722
10% level -2.567982 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(ADRO)
Method: Least Squares
Date: 07/25/18 Time: 11:35
Sample (adjusted): 7/01/2013 6/29/2018
Included observations: 1209 after adjustments Variable Coefficient Std. Error t-Statistic Prob. ADRO(-1) -0.986263 0.028853 -34.18176 0.0000
C 0.001040 0.000866 1.201182 0.2299 R-squared 0.491873 Mean dependent var 6.21E-05
Adjusted R-squared 0.491453 S.D. dependent var 0.042179
S.E. of regression 0.030079 Akaike info criterion -4.168331
Sum squared resid 1.092023 Schwarz criterion -4.159898
Log likelihood 2521.756 Hannan-Quinn criter. -4.165156
F-statistic 1168.393 Durbin-Watson stat 1.991976
Prob(F-statistic) 0.000000
90
saham dapat dilihat pada lampiran 2. Adapun rangkuman hasil uji
stasioneritas data return saham dapat dilihat pada tabel di bawah ini.
Tabel 4.5
Hasil Uji Stasioneritas Data Return Saham
No Keterangan ADF Test Critical Value (5%) Kesimpulan
1 ADRO -34,18176 -2,863734 Stasioner
2 AKRA -19,91698 -2,863734 Stasioner
3 ASII -34,66515 -2,863734 Stasioner
4 BSDE -33,70157 -2,863734 Stasioner
5 ICBP -23,97781 -2,863734 Stasioner
6 INDF -23,31075 -2,863734 Stasioner
7 KLBF -23,52485 -2,863734 Stasioner
8 TLKM -21,74863 -2,863734 Stasioner
9 UNTR -36,23081 -2,863734 Stasioner
10 UNVR -39,07919 -2,863734 Stasioner
Sumber : data diolah dengan Eviews 9
Berdasarkan hasil uji stasioneritas yang disajikan pada tabel 4.5,
diketahui bahwa seluruh data return saham bersifat stasioner. Hal ini
dapat diketahui dengan membandingkan nilai ADF test yang lebih kecil
dibandingkan nilai critical value 5%. Dengan demikian, proses
differencing tidak perlu dilakukan untuk 10 data return saham, karena
seluruhnya telah stasioner pada level.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui apakah error
atau residual dari data return bersifat konstan (homoskedastisitas) atau
tidak konstan (heteroskedastisitas). Pada penelitian ini volatilitas data
return yang memiliki error tidak konstan (heteroskedastisitas) akan
91
dihitung dengan metode EWMA dan ARCH/GARCH untuk dimasukan
ke dalam portofolio.
Uji heteroskedastisitas pada penelitian ini dilakukan dengan
metode White Heteroscedastic Test. Uji White Heteroscedastic
dilakukan untuk estimasi volatilitas dengan metode EWMA, sementara
estimasi volatilitas dengan metode ARCH/GARCH akan diukur
dengan uji Langrange Multiplier pada tahap selanjutnya. Suatu data
dikatakan bersifat heteroskedasitisitas apabila nilai probabilitas F-
statistic ≤ 5%, sebaliknya suatu data dikatakan bersifat
homoskedastisitas jika nilai probabilitas F-statistic ≥ 5%. Di bawah ini
merupakan output hasil uji White Heteroskedasticity dari return saham
ADRO.
Tabel 4.6
Uji White Heteroskedasticity ADRO
Heteroskedasticity Test: White F-statistic 2035.212 Prob. F(2,1207) 0.0000
Obs*R-squared 933.2608 Prob. Chi-Square(2) 0.0000
Scaled explained SS 2008.803 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/26/18 Time: 01:11
Sample: 6/28/2013 6/29/2018
Included observations: 1210 Variable Coefficient Std. Error t-Statistic Prob. C 8.62E-36 1.25E-36 6.884803 0.0000
ADRO^2 3.47E-32 5.73E-34 60.61596 0.0000
ADRO 4.47E-35 3.99E-35 1.119732 0.2631 R-squared 0.771290 Mean dependent var 4.00E-35
Adjusted R-squared 0.770911 S.D. dependent var 8.32E-35
92
Sumber : data diolah dengan Eviews 9
Berdasarkan hasil yang ditunjukan pada tabel 4.6, diketahui bahwa
data return ADRO bersifat heteroskedastisitas. Hal ini dapat dilihat dari
nilai probability F-statistic sebesar 0,0000 atau lebih kecil dari 5%.
Adapun output hasil uji heteroskedastisitas 10 return saham dapat
dilihat pada lampiran 3. Di bawah ini merupakan rangkuman hasil uji
white heteroskedasticity 10 return saham.
Tabel 4.7
Hasil Uji White Heteroskedasticity Return Saham
No Keterangan
Prob F
Statistik
Prob.
Critical
Value Hasil Kesimpulan
1 ADRO 0,0000 0,05
Prob F Statistic <
5%, maka Ho ditolak Heteroskedastic
2 AKRA 0,0000 0,05
Prob F Statistic <
5%, maka Ho ditolak Heteroskedastic
3 ASII 0,0622 0,05
Prob F Statistic >
5%, maka Ho ditolak Homoskedastic
4 BSDE 0,0000 0,05
Prob F Statistic <
5%, maka Ho ditolak Heteroskedastic
5 ICBP 0,0000 0,05
Prob F Statistic <
5%, maka Ho ditolak Heteroskedastic
6 INDF 0,0000 0,05
Prob F Statistic <
5%, maka Ho ditolak Heteroskedastic
7 KLBF 0,0000 0,05
Prob F Statistic <
5%, maka Ho ditolak Heteroskedastic
8 TLKM 0,0000 0,05
Prob F Statistic <
5%, maka Ho ditolak Heteroskedastic
9 UNTR 0,0000 0,05
Prob F Statistic <
5%, maka Ho ditolak Heteroskedastic
10 UNVR 0,0000 0,05
Prob F Statistic <
5%, maka Ho ditolak Heteroskedastic
Sumber : data diolah dengan Eviews 9
S.E. of regression 3.98E-35 Sum squared resid 1.92E-66
F-statistic 2035.212 Durbin-Watson stat 2.008895
Prob(F-statistic) 0.000000
93
Berdasarkan rangkuman hasil uji heteroskedastisitas return saham
pada tabel 4.7, diketahui bahwa sembilan dari sepuluh data return
saham yang diteliti bersifat heteroskedastic diantaranya yaitu ADRO,
AKRA, BSDE, ICBP, INDF, KLBF, TLKM, UNTR dan UNVR. Hal
ini diketahui dari nilai probability F-statistic yang lebih kecil dari 5%
(0,05). Sementara itu, data return ASII diketahui bersifat
homoskedastic karena memiliki nilai probability F-statistic yang lebih
besar dari 5% (0,05).
Dengan demikian, pengukuran volatilitas dengan metode
Exponentially Weighted Moving Average (EWMA) hanya akan
dilakukan kepada sembilan saham yang diketahui memiliki error atau
residual tidak konstan (heteroscedastic). Hasil ini sama dengan
Buchdadi (2008) menemukan data bersifat heteroskedastic pada enam
data return saham yang diteliti untuk membentuk portofolio optimal.
3. Estimasi Volatilitas dengan Metode EWMA
Volatilitas dengan metode EWMA dihitung dengan menggunakan
persamaan 3.5. Berdasarkan persamaan tersebut diketahui bahwa
dibutuhkan data masa lampau berupa return dan variance saham.
Dikarenakan penulis tidak memiliki data variance saham masa lampau,
maka akan digunakan data variance dari seluruh return saham selama
periode penelitian yaitu Juli 2013 – Juni 2018 sebagai variance untuk awal
periode yaitu tanggal 1 Juli 2017.
94
Return saham yang akan diestimasi volatilitasnya dengan metode
EWMA terdiri dari 9 saham yang sebelumnya telah diidentifikasi memiliki
variance error tidak konstan (heteroskedastic) yang diukur dengan White
Heteroscedastic Test pada tahap sebelumnya. Sembilan saham tersebut
teridiri dari ADRO, AKRA, BSDE, ICBP, INDF, KLBF, TLKM, UNTR
dan UNVR. Volatilitas yang digunakan sebagai komponen pembentuk
portofolio untuk masing-masing saham yaitu volatilitas pada 29 Juni 2018
atau hari terakhir dari periode penelitian karena dianggap paling mampu
untuk mencerminkan keadaan riil pasar saat ini. Adapun hasil estimasi
volatilitas saham dengan metode EWMA dapat dilihat pada tabel dibawah
ini.
Tabel 4.8
Hasil Estimasi Volatilitas Return dengan Metode EWMA
No Keterangan Volatilitas (σ)
1 ADRO 0,0321456
2 AKRA 0,0298516
3 BSDE 0,0272621
4 ICBP 0,0220891
5 INDF 0,0205906
6 KLBF 0,0351127
7 TLKM 0,0236005
8 UNTR 0,0244939
9 UNVR 0,0183481
Sumber : data diolah dengan Microssoft Excel 2016
Berdasarkan hasil estimasi volatilitas saham dengan metode EWMA
yang disajikan pada tabel 4.8, diketahui volatilitas terbesar dimiliki oleh
KLBF (0,0351127) dan volatilitas terkecil dimiliki oleh UNVR
95
(0,0183481). Dengan demikian, dapat disimpulkan bahwa KLBF
merupakan saham yang paling fluktuatif dibandingkan 9 saham lain.
Sementara itu, UNVR memiliki volatilitas terendah hal ini menandakan
bahwa UNVR merupakan saham yang paling stabil dibandingkan dengan
saham lain. Adapun hasil selengkapnya dari hasil estimasi volatilitas
EWMA dapat dilihat pada lampiran 4.
4. Volatilitas Return Saham dengan Metode ARCH/GARCH
a. Penentuan Model ARIMA
Autoregressive Integrated Moving Average (ARIMA) merupakan
suatu model analisis data time series yang didasarkan pada perilaku
data yang diamati. Model ini dikenal juga dengan model Box-Jenkins.
Model Box-Jenkins ini terdiri dari beberapa model, yaitu
Autoregressive (AR), Moving Average (MA), Autoregressive Moving
Average (ARMA) dan Autoregressive Integrated Moving Average
(ARIMA). (Rosadi, 2010 : 141).
Data time series yang diamati haruslah bersifat stasioner atau
memiliki kecenderungan mean dan variance yang konstan. Tahap
selanjutnya yaitu menentukan model ARIMA yang paling tepat dengan
melihat plot ACF maupun PACF. Berdasarkan hasil uji stasioneritas
dengan Augmented Dickey Fuller (ADF) test sebelumnya, diketahui
bahwa sepuluh saham pembentuk portofolio telah bersifat stasioner
96
pada level. Dapat dipastikan bahwa model yang digunakan untuk
meramalkan perilaku data yaitu ARIMA (p,d,q).
Estimasi parameter dilakukan dengan melakukan pendugaan dan
mencari ordo yang paling tepat. Suatu model dikatakan baik apabila
parameter AR dan MA signifikan dengan nilai probability ≤ 5% dan
grafik batang berada diantara garis putus-putus (barlett) pada plot ACF
dan PACF colleogram of residual. Apabila terdapat lebih dari satu
model, maka model terbaik dapat dipilih dengan membandingkan nilai
Akaike Info Criterion (AIC) dan Schwarz Info Criterion (SIC) terendah.
Selengkapnya mengenai model peramalan ARIMA terbaik dalam
penelitian ini dapat dilihat pada tabel berikut.
Tabel 4.9
Rangkuman Hasil Peramalan Model ARIMA
No Variabel Model Type Coef SE Coef t-statistic Prob Keterangan
1 ADRO ARIMA
(1,0,1)
AR (1) -0,723570 0,221754 -3,262942 0,0011 Signifikan
MA(1) 0,759495 0,207898 3,653208 0,0003 Signifikan
Constant 0,001054 0,000924 1,140999 0,2541
2 AKRA ARIMA
(2,0,2)
AR (2) 0,505978 0,164647 3,073113 0,0022 Signifikan
MA(2) -0,604830 0,150785 -4,011211 0,0001 Signifikan
Constant 0,000103 0,000528 0,194440 0,8459
3 ASII ARIMA
(1,0,1)
AR (1) 0,828022 0,060555 13,673780 0,0000 Signifikan
MA (1) -0,886855 0,051189 -17,325180 0,0000 Signifikan
Constant 0,000179 0,000391 0,457647 0,6473
4 BSDE ARIMA
(3,0,3)
AR (3) 0,665030 0,156620 4,246128 0,0000 Signifikan
MA (3) -0,734921 0,143243 -5,130600 0,0000 Signifikan
Constant 0,000194 0,000550 0,353244 0,7240
5 ICBP ARIMA
(1,0,1)
AR (1) 0,761162 0,057769 13,175930 0,0000 Signifikan
MA (1) -0,849748 0,047569 -17,863530 0,0000 Signifikan
Constant 0,000494 0,000342 1,446025 0,1484
6 INDF AR (3) AR (3) -0,129776 0,024794 -5,234187 0,0000 Signifikan
97
Constant 0,000106 0,000488 0,217821 0,8276
7 KLBF ARIMA
(1,0,1)
AR (1) 0,759477 0,054148 14,026060 0,0000 Signifikan
MA (1) -0,852760 0,046155 -18,475880 0,0000 Signifikan
Constant 0,000083 0,000368 0,226379 0,8209
8 TLKM ARIMA
(1,0,1)
AR (1) 0,707473 0,063270 11,181760 0,0000 Signifikan
MA (1) -0,828342 0,050892 -16,276630 0,0000 Signifikan
Constant 0,000562 0,000285 1,971502 0,0489
9 UNTR ARIMA
(1,0,1)
AR (1) 0,767700 0,091494 8,390711 0,0000 Signifikan
MA (1) -0,830245 0,082205 -10,099740 0,0000 Signifikan
Constant 0,000775 0,000517 1,497307 0,1346
10 UNVR ARIMA
(1,0,1)
AR (1) 0,668350 0,086903 7,690799 0,0000 Signifikan
MA (1) -0,766820 -0,073990 -10,36385 0,0000 Signifikan
Constant 0,000485 0,000352 1,375466 0,1692
Sumber : data diolah dengan Eviews 9
Berdasarkan hasil peramalan model ARIMAyang disajikan pada
tabel 4.9, diketahui bahwa data return ADRO mengikuti model
ARIMA (1,0,1), AKRA mengikuti model ARIMA (2,0,2), ASII
mengikuti model (1,0,1), BSDE mengikuti model ARIMA (3,0,3),
ICBP mengikuti model ARIMA (1,0,1), INDF mengikuti model AR(3),
KLBF mengikuti model ARIMA (1,0,1), TLKM mengikuti model
ARIMA (1,0,1), UNTR mengikuti model ARIMA (1,0,1) dan UNVR
mengikuti model ARIMA (1,0,1). Berdasarkan tabel 4.9 diketahui
bahwa seluruh komponen AR dan MA signifikan dengan nilai
probabilitas ≤ 5%. Adapun hasil selengkapnya mengenai estimasi
model ARIMA dengan Eviews 9 dapat dilihat pada lampiran 5.
b. Uji ARCH-LM
Guna mengetahui adanya efek ARCH dari model ARIMA yang
telah terpilih maka dilakukan uji Langrange Multiplier. Apabila
terdapat efek ARCH atau data bersifat heteroskedastisitas, maka
98
volatilitasnya dapat diestimasi dengan metode ARCH/GARCH,
sedangkan jika tidak terdapat efek ARCH atau data bersifat
homoskedastisitas maka volatilitasnya tidak dapat diestimasi dengan
metode ARCH/GARCH sehingga tidak dapat dilanjutkan ketahap
selanjutnya. Pengujian ini menggunakan tingkat signifikansi 5%,
sehingga apabila nilai probability F-statistic dan Obs R-Squared
kurang dari 5% maka disimpulkan terdapat heteroskedastisitas dan
estimasi volatilitas dapat dilakukan dengan metode ARCH/GARCH.
Sebaliknya, apabila, probabilitas lebih dari 5% maka data bersifat
homoskedastisitas sehingga estimasi tidak dapat dilakukan dengan
metode ARCH/GARCH. Adapun hasil pengujian ARCH Effect-LM
dalam penelitian ini dapat dilihat pada tabel 4.10 sebagai berikut :
Tabel 4.10
Hasil Pengujian ARCH Effect-LM
No Keterangan Probability
α = 5% Kesimpulan F-Statistic Obs R-Squared
1 ADRO 0,1445 0,1443 0,05 Tidak Terdapat Efek ARCH
2 AKRA 0,0000 0,0000 0,05 Terdapat Efek ARCH
3 ASII 0,0286 0,0286 0,05 Terdapat Efek ARCH
4 BSDE 0,0001 0,0001 0,05 Terdapat Efek ARCH
5 ICBP 0,0000 0,0000 0,05 Terdapat Efek ARCH
6 INDF 0,0000 0,0000 0,05 Terdapat Efek ARCH
7 KLBF 0,0000 0,0000 0,05 Terdapat Efek ARCH
8 TLKM 0,0000 0,0000 0,05 Terdapat Efek ARCH
9 UNTR 0,0001 0,0001 0,05 Terdapat Efek ARCH
10 UNVR 0,0000 0,0000 0,05 Terdapat Efek ARCH
Sumber : data diolah dengan Eviews 9
99
Berdasarkan tabel 4.10, diketahui bahwa data return ADRO
memiliki nilai probabilitas yang lebih dari 5%, sehingga dapat
disimpulkan bahwa tidak terdapat efek ARCH pada data return ADRO
dan tidak dapat dilanjutkan ke tahap selanjutnya untuk estimasi model
ARCH/GARCH. Hasil yang berbeda ditunjukan oleh data return
AKRA, ASII, BSDE, ICBP, INDF, KLBF, TLKM, UNTR dan UNVR
yang seluruhnya memiliki nilai probabilitas kurang dari 5% yang
artinya 9 saham tersebut dapat dilanjutkan ke tahap selanjutnya untuk
diestimasi volatilitasnya dengan metode ARCH/GARCH.
c. Penentuan Model ARCH/GARCH Terbaik
Pada tahap sebelumnya telah diketahui saham mana saja yang
memiliki efek ARCH yaitu data return AKRA, ASII, BSDE, ICBP,
INDF, KLBF, TLKM, UNTR dan UNVR. Proses estimasi model
ARCH/GARCH dilakukan dengan melakukan input ordo model
ARIMA yang telah terpilih. Pengujian model ARCH/GARCH
dilakukan dengan mengestimasi ordo yang berbeda-beda sehingga
diperoleh model yang paling tepat. Adapun model yang diuji untuk
mendapatkan model terbaik yaitu GARCH (1,0,1), GARCH (1,0,2),
GARCH (2,0,1) DAN GARCH (2,0,2). Model terbaik dipilih dengan
mempertimbangkan model yang memiliki nilai parameter signifikan,
koefisien positif serta nilai AIC dan SIC terendah. Hasil estimasi model
GARCH terbaik dapat dilihat pada lampiran 6. Adapun rangkuman
100
hasil estimasi model GARCH terbaik untuk 9 data return saham dapat
dilihat pada tabel berikut :
Tabel 4.11
Hasil Estimasi Model ARCH/GARCH Terbaik
Variance Equation
No Variabel Model Type Coef SE Coef Z-statistic Prob Keterangan
1 AKRA GARCH (1,0,1)
Constant 0,000011 0,000004 2,676570 0,0074 Signifikan
ARCH (1) 0,027797 0,007919 3,510212 0,0004 Signifikan
GARCH (1) 0,950100 0,013653 69,589630 0,0000 Signifikan
2 ASII GARCH (1,0,1)
Constant 0,000007 0,000002 3,139679 0,0017 Signifikan
ARCH (1) 0,047624 0,008615 5,528051 0,0000 Signifikan
GARCH (1) 0,936632 0,011970 78,246650 0,0000 Signifikan
3 BSDE GARCH (1,0,1)
Constant 0,000008 0,000002 3,511124 0,0004 Signifikan
ARCH (1) 0,048996 0,006965 7,034780 0,0000 Signifikan
GARCH (1) 0,937113 0,008808 106,388600 0,0000 Signifikan
4 ICBP GARCH (1,0,1)
Constant 0,000033 0,000006 5,938535 0,0000 Signifikan
ARCH (1) 0,181775 0,025907 7,016372 0,0000 Signifikan
GARCH (1) 0,729641 0,033490 21,786640 0,0000 Signifikan
5 INDF GARCH (1,0,1)
Constant 0,000007 0,000001 5,906384 0,0000 Signifikan
ARCH (1) 0,064696 0,010113 6,397442 0,0000 Signifikan
GARCH (1) 0,914435 0,011570 79,034860 0,0000 Signifikan
6 KLBF GARCH (1,0,1)
Constant 0,000015 0,000002 6,606748 0,0000 Signifikan
ARCH (1) 0,095878 0,012804 7,488107 0,0000 Signifikan
GARCH (1) 0,867313 0,012912 67,168900 0,0000 Signifikan
7 TLKM GARCH (1,0,1)
Constant 0,000027 0,000005 5,353950 0,0000 Signifikan
ARCH (1) 0,127102 0,020150 6,307798 0,0000 Signifikan
GARCH (1) 0,780029 0,030795 25,330060 0,0000 Signifikan
8 UNTR GARCH (1,0,1)
Constant 0,000026 0,000008 3,189808 0,0014 Signifikan
ARCH (1) 0,056391 0,011591 4,864931 0,0000 Signifikan
GARCH (1) 0,896394 0,021328 42,029900 0,0000 Signifikan
9 UNVR GARCH (1,0,1)
Constant 0,000013 0,000002 6,565480 0,0000 Signifikan
ARCH (1) 0,105658 0,016054 6,581374 0,0000 Signifikan
GARCH (1) 0,847402 0,019003 44,593150 0,0000 Signifikan
Sumber : data diolah dengan Eviews 9
101
Berdasarkan hasil estimasi model ARCH/GARCH terbaik yang
disajikan pada tabel 4.11, diketahui bahwa model ARCH/GARCH
terbaik untuk AKRA yaitu model GARCH (1,0,1). Coeficient bernilai
positif dan signifikan pada level 5% (0,05). Nilai Akaike Info Criterion
(AIC) yaitu -4,776327, sedangkan nilai Schwartz Info Criterion (SIC)
yaitu -4,751046. Adapun persamaan untuk conditional variance AKRA
yaitu 𝜎𝑡2 = 0,000105 + 0,950100𝜎𝑡−1
2 + 0,027797휀𝑡−12 artinya varians
residual AKRA pada waktu t dipengaruhi oleh varians residual dan
residual kuadarat pada waktu t-1. Hasil estimasi model GARCH (1,0,1)
untuk return AKRA dapat dilihat pada lampiran 6A.
Model ARCH/GARCH terbaik untuk return ASII yaitu model
GARCH (1,0,1). Coeficient bernilai positif dan signifikan pada level
5% (0,05). Nilai AIC yaitu -5,046977 dan SIC -5,021696. Persamaan
untuk conditional variance ASII yaitu 𝜎𝑡2 = 0,00000656 +
0,936632𝜎𝑡−12 + 0,047624휀𝑡−1
2 artinya varians residual ASII pada waktu
t dipengaruhi oleh varians residual dan residual kuadarat pada waktu t-
1. Hasil estimasi model GARCH (1,0,1) untuk return ASII dapat dilihat
pada lampiran 6B.
Model ARCH/GARCH terbaik untuk return BSDE yaitu model
GARCH (1,0,1). Coeficient bernilai positif dan signifikan pada level
5% (0,05). Nilai AIC yaitu -4,755155 dan SIC -4,729874. Persamaan
conditional variance untuk return BSDE yaitu 𝜎𝑡2 = 0,00000772 +
0,937113𝜎𝑡−12 + 0,048996휀𝑡−1
2 artinya varians residual BSDE pada
102
waktu t dipengaruhi oleh varians residual dan residual kuadarat pada
waktu t-1. Hasil estimasi model GARCH (1,0,1) return BSDE dapat
dilihat pada lampiran 6C.
Model ARCH/GARCH terbaik untuk return ICBP yaitu model
GARCH (1,0,1). Coeficient bernilai positif dan signifikan pada level
5% (0,05). Nilai AIC yaitu -5,272316 dan SIC -5,247035. Persamaan
conditional variance untuk return ICBP yaitu 𝜎𝑡2 = 0,000333 +
0,729641𝜎𝑡−12 + 0,181775휀𝑡−1
2 artinya varians residual ICBP pada
waktu t dipengaruhi oleh varians residual dan residual kuadarat pada
waktu t-1. Hasil estimasi model GARCH (1,0,1) return ICBP dapat
dilihat pada lampiran 6D.
Model ARCH/GARCH terbaik untuk return INDF yaitu model
GARCH (1,0,1). Coeficient bernilai positif dan signifikan pada level
5% (0,05). Nilai AIC yaitu -5,269506 dan SIC -5,248439. Persamaan
conditional variance untuk return ASII yaitu 𝜎𝑡2 = 0,00000701 +
0,914435𝜎𝑡−12 + 0,064696휀𝑡−1
2 artinya varians residual INDF pada
waktu t dipengaruhi oleh varians residual dan residual kuadarat pada
waktu t-1. Hasil estimasi model GARCH (1,0,1) return INDF dapat
dilihat pada lampiran 6E.
Model ARCH/GARCH terbaik untuk return KLBF yaitu model
GARCH (1,0,1). Coeficient bernilai positif dan signifikan pada level
5% (0,05). Nilai AIC yaitu -5,155802 dan SIC -5,130521. Persamaan
conditional variance untuk return KLBF yaitu 𝜎𝑡2 = 0,0000149 +
103
0,867313𝜎𝑡−12 + 0,095878휀𝑡−1
2 artinya varians residual KLBF pada
waktu t dipengaruhi oleh varians residual dan residual kuadarat pada
waktu t-1. Hasil estimasi model GARCH (1,0,1) return KLBF dapat
dilihat pada lampiran 6F.
Model ARCH/GARCH terbaik untuk return TLKM yaitu model
GARCH (1,0,1). Coeficient bernilai positif dan signifikan pada level
5% (0,05). Nilai AIC yaitu -5,420251 dan SIC -5,394970. Persamaan
conditional variance untuk return ASII yaitu 𝜎𝑡2 = 0,0000268 +
0,780029𝜎𝑡−12 + 0,127102휀𝑡−1
2 artinya varians residual TLKM pada
waktu t dipengaruhi oleh varians residual dan residual kuadarat pada
waktu t-1. Hasil estimasi model GARCH (1,0,1) return TLKM dapat
dilihat pada lampiran 6G.
Model ARCH/GARCH terbaik untuk return UNTR yaitu model
GARCH (1,0,1). Coeficient bernilai positif dan signifikan pada level
5% (0,05). Nilai AIC yaitu -5,650218 dan SIC -5,624937. Persamaan
conditional variance untuk return UNTR yaitu 𝜎𝑡2 = 0,0000264 +
0,896394𝜎𝑡−12 + 0,056391휀𝑡−1
2 artinya varians residual UNTR pada
waktu t dipengaruhi oleh varians residual dan residual kuadarat pada
waktu t-1. Hasil estimasi model GARCH (1,0,1) return UNTR dapat
dilihat pada lampiran 6H.
Model ARCH/GARCH terbaik untuk return UNVR yaitu model
GARCH (1,0,1). Coeficient bernilai positif dan signifikan pada level
5% (0,05). Nilai AIC yaitu -5,434563 dan SIC -5,409282. Persamaan
104
conditional variance untuk return UNVR yaitu 𝜎𝑡2 = 0,0000134 +
0,847402𝜎𝑡−12 + 0,105658휀𝑡−1
2 artinya varians residual UNVR pada
waktu t dipengaruhi oleh varians residual dan residual kuadarat pada
waktu t-1. Hasil estimasi model GARCH (1,0,1) return UNVR dapat
dilihat pada lampiran 6I.
d. Forecasting Variance Data Return Saham
Setelah model ARCH/GARCH terbaik untuk masing-masing data
return saham terpilih, maka langkah selanjutnya adalah melakukan
peramalan (forecasting) varians dengan menggunakan input model
ARIMA dan GARCH. Hasil forecasting variance untuk masing-
masing saham selengkapnya dapat dilihat pada lampiran 7. Pada tabel
4.12 di bawah ini memperlihatkan rangkuman volatilitas masing-
masing saham.
Tabel 4.12
Hasil Estimasi Volatilitas Return dengan Metode ARCH/GARCH
No Keterangan Volatilitas (σ)
1 AKRA 0,026039
2 ASII 0,020946
3 BSDE 0,026374
4 ICBP 0,020729
5 INDF 0,019935
6 KLBF 0,037174
7 TLKM 0,017597
8 UNTR 0,024434
9 UNVR 0,014847
Sumber : data diolah dengan Eviews 9
105
Berdasarkan rangkuman volatilitas saham yang ditunjukan pada
tabel 4.12, diketahui bahwa saham yang memiliki volatilitas terbesar
yaitu KLBF yaitu (0,037174), sedangkan saham yang memiliki
volatilitas terendah yaitu UNVR yaitu (0,014847). Dengan demikian,
dapat disimpulkan bahwa KLBF merupakan saham yang paling
fluktuatif dibandingkan yang lain, sebaliknya UNVR merupakan saham
yang paling stabil di antara saham-saham lain.
Hasil estimasi volatilitas dengan metode ARCH/GARCH ini sama
dengan metode EWMA dimana estimasi volatilitas dapat dilakukan
pada 9 dari 10 data return saham. Selain itu, volatilitas tertinggi hasil
estimasi dua metode yaitu terdapat pada KLBF dan volatiltias terendah
terdapat pada UNVR.
5. Matriks Korelasi Antar Saham
Menurut Husnan (2005 : 66) korelasi menunjukan hubungan antara
suatu variabel dengan variabel lain. Korelasi antar variabel besarnya
berkisar pada -1 hingga +1. Dalam rangka membentuk portofolio investasi,
lebih baik apabila mengkombinasikan berbagai aset yang memiliki korelasi
yang rendah hal ini disebabkan apabila terjadi perubahan pada satu aset
tidak akan terlalu berimbas pada aset lain. Korelasi yang akan dihitung
dalam penelitian ini merupakan korelasi parsial atau hubungan antara satu
variabel dengan satu variabel lain. Di bawah ini merupakan tabel matriks
korelasi antar saham penelitian ini.
106
Tabel 4.13
Matriks Korelasi Antar Saham
SAHAM
ADRO 1
AKRA 0,128 1
ASII 0,227 0,217 1
BSDE 0,233 0,277 0,404 1
ICBP 0,139 0,242 0,369 0,366 1
INDF 0,230 0,239 0,425 0,392 0,385 1
KLBF 0,188 0,225 0,334 0,378 0,403 0,395 1
TLKM 0,182 0,217 0,410 0,392 0,363 0,329 0,353 1
UNTR 0,336 0,200 0,332 0,337 0,196 0,310 0,268 0,287 1
Sumber : data diolah dengan Microssoft Excel 2016
Berdasarkan hasil perhitungan koefisien korelasi yang disajikan pada
tabel 4.13, diketahui bahwa koefisien korelasi terbesar dimiliki oleh ASII
dan INDF dengan nilai (0,425), sedangkan koefisien korelasi terkecil
dimiliki oleh ADRO dan AKRA dengan nilai (0,128). Secara keseluruhan
koefisien korelasi antar saham-saham yang akan dimasukan ke dalam
portofolio bersifat lemah positif. Arti dari lemah poitif yaitu, koefisien
korelasi berada pada kisaran angka dibawah 0,50 dan bersifat positif atau
lebih dari nol. Dengan demikian, kemungkinan suatu saham akan
terpengaruh oleh saham lain ada, namun sifatnya lemah sehingga tidak
akan berpengaruh signifikan.
6. Matriks Kovarian Antar Saham
Menurut Zubir (2013 : 26) kovarian mengukur besarnya perubahan
return satu saham dengan saham lainnya secara bersama-sama. Semakin
besar kovarian, maka semakin kuat hubungan dan saling berbengaruh
107
kedua return saham tersebut. Kovarian antar saham dapat dihitung dengan
mengalikan standar deviasi saham A, standar deviasi saham B dan
koefisien korelasi saham A dan B. Maka dari itu, besarnya kovarian antar
saham tergantung pada standar deviasi yang diinput ke dalam rumus
tersebut. Standar deviasi saham pada penelitian ini diukur dengan
menggunakan dua metode yang berbeda yaitu EWMA dan
ARCH/GARCH, maka besarnya nilai kovarian saham untuk kedua metode
tersebut akan berbeda-beda. Di bawah ini merupakan matriks kovarian
saham untuk masing-masing metode.
Tabel 4.14
Matriks Kovarian Saham Metode EWMA
SAHAM ADRO AKRA BSDE ICBP INDF KLBF TLKM UNTR UNVR
ADRO 0,00103 0,00012 0,00020 0,00010 0,00015 0,00021 0,00014 0,00026 0,00011
AKRA 0,00012 0,00089 0,00023 0,00016 0,00015 0,00024 0,00015 0,00015 0,00010
BSDE 0,00020 0,00023 0,00074 0,00022 0,00022 0,00036 0,00025 0,00023 0,00018
ICBP 0,00010 0,00016 0,00022 0,00049 0,00018 0,00031 0,00019 0,00011 0,00014
INDF 0,00015 0,00015 0,00022 0,00018 0,00042 0,00029 0,00016 0,00016 0,00015
KLBF 0,00021 0,00024 0,00036 0,00031 0,00029 0,00123 0,00029 0,00023 0,00026
TLKM 0,00014 0,00015 0,00025 0,00019 0,00016 0,00029 0,00056 0,00017 0,00015
UNTR 0,00026 0,00015 0,00023 0,00011 0,00016 0,00023 0,00017 0,00060 0,00012
UNVR 0,00011 0,00010 0,00018 0,00014 0,00015 0,00026 0,00015 0,00012 0,00034
Sumber : data diolah Microssoft Excel
Berdasarkan matriks kovarian pada tabel 4.14, dapat dilihat bahwa
kovarian terbesar dimiliki oleh KLBF dan KLBF dengan nilai (0,00123),
sedangkan kovarian terkecil dimiliki oleh ADRO dan ICBP serta AKRA
dan UNVR dengan nilai (0,00010). Selanjutnya, nilai kovarian saham
108
yang telah diperoleh akan digunakan sebagai input untuk menghitung
standar deviasi portofolio.
Tabel 4.15
Matriks Kovarian Saham Metode ARCH/GARCH
SAHAM AKRA ASII BSDE ICBP INDF KLBF TLKM UNTR UNVR
AKRA 0,00068 0,00012 0,00019 0,00013 0,00012 0,00022 0,00010 0,00013 0,00007
ASII 0,00012 0,00044 0,00022 0,00016 0,00018 0,00026 0,00015 0,00017 0,00012
BSDE 0,00019 0,00022 0,00070 0,00020 0,00021 0,00037 0,00018 0,00022 0,00014
ICBP 0,00013 0,00016 0,00020 0,00043 0,00016 0,00031 0,00013 0,00010 0,00011
INDF 0,00012 0,00018 0,00021 0,00016 0,00040 0,00029 0,00012 0,00015 0,00012
KLBF 0,00022 0,00026 0,00037 0,00031 0,00029 0,00138 0,00023 0,00024 0,00023
TLKM 0,00010 0,00015 0,00018 0,00013 0,00012 0,00023 0,00031 0,00012 0,00008
UNTR 0,00013 0,00017 0,00022 0,00010 0,00015 0,00024 0,00012 0,00060 0,00010
UNVR 0,00007 0,00012 0,00014 0,00011 0,00012 0,00023 0,00009 0,00010 0,00022
Sumber : data diolah dengan Microssoft Excel 2016
Berdasarkan matriks kovarian pada tael 4.15, dapat dilihat bahwa
kovarian terbesar terdapat pada KLBF dan KLBF dengan (0,00138),
sedangkan kovarian terkecil terdapat pada AKRA dan UNVR dengan
(0,00007). Selanjutnya, kovarian antar saham padaa matriks di atas akan
digunakan sebagai input untuk menghitung standar deviasi portofolio.
7. Matriks Varian-Kovarian untuk membentuk Portofolio
Menurut Husnan (2005 : 69) portofolio efisien merupakan portofolio
yang memberikan tingkat keuntungan yang sama dengan risiko yang lebih
rendah atau dengan risiko yang sama dengan tingkat keuntungan yang lebih
tinggi. Pembentukan portofolio efisien dalam penelitian ini dilakukan
109
dengan menggunakan matriks varian-kovarian untuk memperoleh
rangkaian portofolio efisien yang mampu meminimukan risiko portofolio.
Matriks varian-kovarian di dalamnya memuat input berupa proporsi
(W), kovarian antar saham dan tingkat keuntungan masing-masing (E(Ri))
saham yang dibuat sedemikian rupa untuk mempermudah proses
penghitungan. Adapun proporsi masing-masing saham mula-mula
disamaratakan nilainya dengan cara membaginya dengan jumlah seluruh
saham yang akan digunakan. Proses penghitungan dibantu dengan
menggunakan program solver yang merupakan fitur dalam Microssoft
Excel yang digunakan untuk mengetahui nilai capital allocation line
optimum portofolio dengan memasukan beberapa batasan (constrain) .
Adapun batasan yang digunakan dalam penelitian ini yaitu jumlah proporsi
(∑ 𝑊) sama dengan satu, nilai proporsi masing-masing saham lebih besar
sama dengan nol (≥ 0) dan expected return portofolio sama dengan target
return yang diharapkan.
Matriks varian-kovarian saham untuk masing-masing metode
pengukuran volatilitas dapat dilihat pada lampiran 8. Dalam penelitian ini,
peneliti menetapkan setiap kenaikan return sebesar 0,00005 (0,005%)
untuk menghasilkan kurva efficient frontier yang jelas. Adapun target
return yang digunakan untuk portofolio efisien metode EWMA yaitu
0,000351 hingga 0,000901 dan ARCH/GARCH 0,000185 hingga
0,000735. Dengan demikian, terdapat 12 kombinasi portofolio efisien
untuk masing-masing metode, maka secara keseluruhan terdapat 24
110
matriks varian-kovarian. Mengingat jumlahnya yang terlalu banyak, maka
matriks varian-kovarian tidak dapat dilampirkan seluruhnya, namun pada
lampiran 9 disajikan 24 kombinasi portofolio efisien lengkap dengan bobot
untuk masing-masing saham beserta return, standar deviasi dan slope
Capital Allocation Line (CAL).
8. Kurva Efficient Frontier
Expected return dan standar deviasi dari 24 kombinasi portofolio yang
terdapat pada lampiran 9 diplot ke dalam kurva efficient frontier seperti
pada gambar 4.3. Sumbu X (horizontal) pada kurva efficient frontier
menunjukan standar deviasi portofolio, sedangkan sumbu Y (vertikal)
menunjukan expected return portofolio. Di bawah ini terdapat kurva
efficient frontier yang memuat portofolio efisien untuk masing-masing
metode.
Gambar 4.4
Kurva Efficient Frontier
Sumber : data diolah dengan Microssoft Excel 2016
111
Berdasarkan gambar 4.4, diketahui kombinasi portofolio pada garis
yang berwarna pink yaitu portofolio efisien dengan metode ARCH/GARCH
dan warna biru dengan metode EWMA. Berdasarkan lampiran 9A, expected
return portofolio tertinggi untuk metode EWMA yaitu 0,000901 dengan
standar deviasi sebesar 0,02295, sedangkan expected return portofolio
terendah untuk metode EWMA yaitu 0,000351 dengan standar deviasi
portofolio sebesar 0,01447. Sementara itu berdasarkan lampiran 9B,
expected return tertinggi yang dihasilkan dengan metode ARCH/GACH
yaitu 0,000735 dan standar deviasi 0,022878, sedangkan expected return
portofolio terendah yaitu 0,000185 dengan standar deviasi portofolio
sebesar 0,014437.
Berdasarkan penjelasan di atas dapat disimpulkan bahwa risk dan
return portofolio yang terbentuk dengan metode EWMA lebih baik
dibandingkan risk dan return portofolio yang terbentuk dengan metode
ARCH/GARCH. Hasil ini sejalan dengan penelitian yang dilakukan oleh
Barauskaite dan Constantinescu (2016) serta Horasanh dan Fidan (2008)
yang menyatakan bahwa metode EWMA mampu menghasilkan portofolio
dengan risiko lebih rendah dengan tingkat keuntungan yang hampir sama
dibandingkan portofolio yang terbentuk dengan metode ARCH/GARCH.
Dilihat dari segi sensitivitasnya, portofolio yang dihasilkan dengan
metode ARCH/GARCH lebih sensitif dibandingkan metode EWMA. Hal
ini diketahui dari garis rangkaian portofolio efisien metode ARCH/GARCH
yang lebih curam. Maksud dari sensitif disini yaitu adanya sedikit
112
perubahan pada risiko portofolio akan memberikan perubahan yang cukup
besar pada return portofolio.
9. Portofolio Optimal dengan CAL Slope
Capital Allocation Line (CAL) diperoleh dengan cara
membandingkan selisih expected return portofolio dan risk free dengan
standar deviasi portofolio, CAL disebut juga dengan reward to variability
(sharpe ratio). Portofolio optimal diperoleh dari rangkaian portofolio
efisien masing-masing metode dengan memilih portofolio yang memiliki
nilai CAL slope tertinggi. Sementara itu, hasil perhitungan slope capital
allocation line untuk masing-masing portofolio dapat dilihat pada lampiran
9. Di bawah ini merupakan kurva efficient frontier yang di dalamnya
terdapat portofolio optimal dan slope Capital Allocation Linenya (CAL).
Gambar 4.5
CAL Slope Portofolio Optimal
Sumber : data diolah dengan Microssoft Excel 2016
113
Berdasarkan gambar 4.5, diketahui terdapat 2 garis capital allocation
line yang menunjukan portofolio optimal untuk masing-masing metode.
Garis CAL A menunjukan portofolio optimal metode EWMA, sedangkan
garis CAL B menunjukan portofolio optimal metode ARCH/GARCH. Garis
CAL A melampaui portofolio 9 dengan expected return 0,000751 (0,075%)
dan standar deviasi 0,01732 (1,732%) dengan slope CAL sebesar 0,033317.
Garis CAL B melampaui portofolio 9 dengan expected return 0,000585
(0,058%) dan standar deviasi 0,01336 (1,336%) dengan slope CAL sebesar
0,030790.
Dengan demikian, portofolio optimal yang terbentuk dengan metode
EWMA lebih baik dibandingkan portofolio optimal yang terbentuk dengan
metode ARCH/GARCH karena memiliki slope Capital Allocation Line
(CAL) yang lebih tinggi. Hasil ini sejalan dengan penelitian yang dilakukan
Dian et.al (2014) yang menyatakan bahwa portofolio optimal yang
terbentuk dengan metode EWMA lebih baik dibandingkan dengan
portofolio optimal yang terbentuk dengan metode GARCH karena
memberikan nilai return to variability (CAL slope) lebih tinggi.
Proporsi atau bobot untuk masing-masing saham pada portofolio
optimal metode EWMA yaitu :
a. Adaro Energy Tbk (ADRO) sebesar 32,902%
b. Indofood CBP Sukses Makmur Tbk (ICBP) sebesar 10,565%
c. Telekomunikasi Indonesia (Persero) Tbk (TLKM) sebesar 11,838%
d. United Tractor Tbk (UNTR) sebesar 26,629%
114
e. Unilever Indonesia Tbk (UNVR) sebesar 18,066%
Proporsi atau bobot untuk masing-masing saham pada portofolio
optimal metode ARCH/GARCH yaitu :
a. Indofood CBP Sukses Makmur Tbk (ICBP) sebesar 6,580%
b. Telekomunikasi Indonesia (Persero) Tbk (TLKM) sebesar 31,429%
c. United Tractor Tbk (UNTR) sebesar 28,870%
d. Unilever Indonesia Tbk (UNVR) sebesar 33,121%
10. Value at Risk (VaR)
Berdasarkan Persamaan 3.8, Value at Risk portofolio dapat dihitung
dengan mengalikan alpha portofolio, standar deviasi portofolio, jumlah
exposure dan adjustment factor berdasarkan holding period. Alpha
portofolio diperoleh dengan mengalikan bobot masing-masing saham
pembentuk portofolio dengan alpha prime yang dihitung menggunakan
persamaan Cornish Fisher Expansion. Di bawah ini merupakan hasil
perhitungan nilai value at risk portofolio optimal untuk masing-masing
metode.
Tabel 4.16
Value at Risk Portofolio Optimal
EWMA ARCH/GARCH
σp 0,017317 0,013363
αp 1,564032 1,607276
√t 1 1
Exposure Rp 500.000.000 Rp 400.000.000
115
Value at Risk Rp 13.542.171 Rp 8.591.212
VaR (%) 2,708% 2,148%
Sumber : data diolah dengan Microssoft Excel 2016
Berdasarkan nilai Value at Risk portofolio optimal pada tabel 4.16, nilai
VaR untuk portofolio optimal metode EWMA yaitu Rp 13.542.171 atau
2,708% pada tingkat kepercayaan 95% atau kemungkinan risiko pasar
portofolio optimal akan melebihi nilai VaR adalah sebesar 5%. Sedangkan,
nilai VaR portofolio optimal metode ARCH/GARCH yaitu Rp 8.591.212
atau 2,148% pada tingkat kepercayaan 95% atau kemungkinan risiko pasar
portofolio optimal akan melebihi nilai VaR adalah sebesar 5%.
Berdasarkan penjelasan tersebut, dapat disimpulkan bahwa risiko pasar
portofolio optimal yang terbentuk dengan metode EWMA tidak lebih baik
dibandingkan risiko pasar portofolio optimal yang terbentuk dengan metode
ARCH/GARCH berdasarkan metode Value at Risk (VaR). Hasil ini sejalan
dengan penelitian yang dilakukan oleh Sapari dan Arifin (2016) yang
menyatakan bahwa nilai VaR saham yang volatilitasnya diestimasi dengan
metode GARCH lebih rendah dibandingkan nilai VaR saham yang
volatilitasnya diestimasi dengan metode EWMA.
11. Kinerja Portofolio Optimal
Kinerja portofolio dalam penelitian ini diukur dengan menggunakan
indeks Sharpe, indeks Traynor dan indeks Jansen. Semakin tinggi nilai
indeks Sharpe, indeks Traynor dan indeks Jansen maka semakin baik
kinerja suatu portofolio. Kinerja portofolio berdasarkan indeks Sharpe,
116
Traynor dan Jansen dihitung dengan menggunakan persamaan 3.9,
persamaan 3.10 dan persamaan 3.11. Berdasarkan persamaan tersebut,
dibutuhkan beberapa komponen untuk menghitung kinerja portofolio yaitu
risk free, beta portofolio dan return market. (Pratiwi, 2017).
Risk free diperoleh dari data Suku Bunga Bebas Risiko (SBI) periode
Juli 2013 – Juni 2018 yang perhitungannya dapat dilihat pada lampiran 10.
Beta portofolio dihitung dengan mengalikan beta saham individu dengan
bobot masing-masing saham di dalam portofolio. Beta saham individu
diketahui dengan melakukan Analisis Regresi Sederhana antara return
saham individu dengan return IHSG yang outputnya dapat dilihat pada
Lampiran 11. Adapun return market dihitung dengan merata-ratakan
actual return data IHSG selama periode Juli 2013 – Juni 2018. Di bawah
ini merupakan hasil perhitungan kinerja portofolio untuk masing-masing
metode.
Tabel 4.17
Kinerja Portofolio Optimal
EWMA ARCH/GARCH
E(Rp) 0,000751 0,000585
σp 0,017317 0,013363
Βp 1,160527 1,159922
Rf 0,000174 0,000174
Rm 0,000299 0,000299
Indeks Sharpe 0,033317 0,030790
Indeks Traynor 0,000497 0,000355
Indeks Jansen 0,000432 0,000267
Sumber : data diolah dengan Microssoft Excel 2016
117
Berdasarkan hasil pengukuran kinerja portofolio optimal pada tabel
4.17, kinerja portofolio berdasarkan indeks Sharpe untuk metode EWMA
(0,033317) dan ARCH/GARCH (0,030790). Adapun kinerja portofolio
berdasarkan indeks Traynor untuk metode EWMA (0,000497) dan
ARCH/GARCH (0,000355). Terakhir, pengukuran kinerja portofolio
berdasarkan indeks Jansen untuk metode EWMA (0,000432) dan
ARCH/GARCH (0,000267).
Berdasarkan penjelasan diatas, disimpulkan bahwa kinerja portofolio
optimal yang terbentuk dengan metode EWMA lebih baik dibandingkan
kinerja portofolio optimal yang terbentuk dengan metode ARCH/GARCH
berdasarkan Indeks Sharpe, Traynor dan Jansen. Hasil tersebut dipengaruhi
oleh nilai expected return portofolio optimal EWMA yang lebih tinggi
dibandingkan portofolio optimal ARCH/GARCH. Hasil ini merupakan
pengembangan dari penelitian yang dilakukan oleh Andika (2016) serta
Pertiwi dan Merinaldi (2016) yang melakukan pengukuran kinerja
portofolio optimal dengan menggunakan metode Sharpe Index, Traynor
Index dan Jansen Index.
118
BAB V
PENUTUP
A. Kesimpulan
Berdasarkan hasil yang telah diperoleh, maka kesimpulan yang bisa ditarik
dari analisis dan pembahasan sebelumnya sebagai berikut :
1. Risk dan return portofolio yang terbentuk dengan metode EWMA lebih baik
dibandingkan risk dan return portofolio yang terbentuk dengan metode
ARCH/GARCH.
2. Portofolio optimal yang terbentuk dengan metode EWMA lebih baik
dibandingkan portofolio optimal yang terbentuk dengan metode
ARCH/GARCH berdasarkan slope Capital Allocation Line (CAL) yang
lebih tinggi. Portofolio optimal metode EWMA terdiri dari ADRO, ICBP,
TLKM, UNTR dan UNVR, sedangkan portofolio optimal metode
ARCH/GARCH terdiri dari ICBP, TLKM, UNTR dan UNVR.
3. Risiko pasar portofolio optimal yang terbentuk dengan metode EWMA
tidak lebih baik dibandingkan risiko pasar portofolio optimal yang terbentuk
dengan metode ARCH/GARCH berdasarkan metode Value at Risk (VaR).
4. Kinerja portofolio optimal yang terbentuk dengan metode EWMA lebih
baik dibandingkan kinerja portofolio optimal yang terbentuk dengan metode
ARCH/GARCH berdasarkan metode Sharpe Index, Traynor Index dan
Jansen Index.
119
B. Saran
Berikut adalah saran yang bisa disampaikan peneliti mengenai
pembahasan dalam penelitian ini antara lain :
1. Penelitian selanjutnya diharapkan untuk melakukan uji validitas dari
metode VaR yang digunakan atau yang biasa disebut denga backtesting.
Backtesting penting dilakukan untuk memastikan apakah risiko pasar yang
dihitung dengan VaR telah mencerminkan kejadian yang sesungguhnya di
pasar. Backtesting dilakukan dengan membandingkan antara nilai VaR
harian dengan nilai P/L (profit dan loss) harian yang sesungguhnya. Jika
loss yang diderita lebih tinggi dari VaR, maka hasil VaR pada hari tersebut
dianggap failure atau tidak mengikuti kejadian sesungguhnya.
2. Penelitian selanjutnya diharapkan menggunakan model ARCH/GARCH
modifikasi antara lain seperti EGARCH, TGARCH dan lain-lain
kemudian membandingkan mana yang lebih baik dalam mengukur
volatilitas.
3. Penelitian selanjutnya diharapkan dapat menggunakan instrumen
keuangan dalam bentuk lain untuk objek penelitiannya antara lain sukuk
dan juga reksadana. Hal ini penting supaya investor memiliki alternatif lain
dalam melakukan investasi pada aset keuangan.
120
DAFTAR PUSTAKA
Ahmad, Kamaruddin. “Dasar-Dasar Manajemen Investasi dan Portofolio. Edisi
Revisi”. Jakarta : PT Rineka Cipta. 2004.
Andika, Wiwit Citra. “Analisis Kinerja Portofolio Saham dengan Metode Sharpe,
Jensen dan Traynor (Saham LQ45 di Bursa Efek Indonesia Periode Agustus
2013 – Januari 2014”. Universitas Muhammadiyah Jember. 2014.
Barauskaite, Kristina dan Minhea Constantinescu. “The Impect of Time-Varying
Distributional Parameters on Portfolio Performance”. ISM University of
Management and Economic. Lithuania. 2016.
Bodie, Zvie et al. “Manajemen Portofolio dan Investasi”. Jakarta : Salemba Empat.
2014.
Brooks, C. “Intoductory Exonometrics for Finance (Second Edition)”. USA :
Cambridge University Press. 2008.
Buchdadi, Agung D. “Penghitungan Value at Risk Portofolio Optimum Saham
Perusahaan Berbasis Syariah dengan Pendekatan EWMA”. Jurnal Akuntansi
dan Keuangan Indonesia Volume 5 No 2. Jakarta. 2008.
Dharmawan, Komang. “Perbandingan Sensitivitas Model Markowitz, EWMA dan
GARCH Terhadap Perubahan Nilai Volatilitas dalam Pembentukan Portofolio
Investasi”. Universitas Udayana. Bali. 2009.
Dian, Cut et.al. “Optimalisasi Pembentukan Portofolio Saham-Saham Indeks LQ-
45 : Perbandingan Model Exponentially Weighted Moving Average (EWMA)
dan Model Generalised Autoregressive Conditional Heteroscedasticity
(GARCH)”. Jurnal Akuntasi Pascasarjana Universitas Syiah Kuala. 2014.
Fahmi, Irham. “Pengantar Manajemen Keuangan Teori dan Soal Jawab”.
Bandung : Alfabeta. 2013.
Fun Ho, Caterine et.al. “Performance of Global Islamic Versus Conventional Share
Indices : International Evidence”. University Teknologi MARA. Malaysia.
2013.
Gatrani, Putu Ayu S. “Pemilihan Portofolio dengan Menggunakan Exponentially
Weighted Moving Average (EWMA) dan Generalised Autoregressive
121
Conditional Heteroscedasticity (GARCH)”. Fakultas MIPA Institus Teknologi
Surabaya. 2010.
Guermat, Cherif, et.al. “Forecasting Value at Risk Allowing for Time Variation in
The Variance and Kurtosis of Portfolio Returns”. International Journal of
Forecasting. University of Exeter. 2002
Gujarati, “Basic Econometrics”. Fourth Edition. New York : The McGraw-Hill
Companies. 2004.
Hadi, Noor. “Pasar Modal Acuan Teoritis dan Praktis Investasi di Instrumen
Keuangan Pasar Modal”. Yogyakarta : Graha Ilmu. 2013.
Halim, Abdul. “Analisis Investasi di Aset Keuangan”. Jakarta : Salemba Empat.
2015.
Husnan, Suad. “Dasar-Dasar Tori Portofolio & Analisis Sekuritas Edisi
Keempat”. Yogyakarta : UPP TIM YKPN. 2005.
Horasanh, Mehmet dan Neslihan Fidan. “Portfolio Selection by Using Time
Varying Covariance Matrices”. Journal of Economic and Social Research 9(2)
pages 1-22. Faculty of Business and Administration Istanbul University.
Istanbul. 2008.
Ismanto, Hadi. “Analisis Value at Risk dalam Pembentukan Portofolio Optimal
(Studi Empiris pada Saham-Saham yang Tergabung dalam LQ 45”. The 3rd
University Research Colloquim. 2016.
Jones, Charles P. “Investments Analysis and Management Tenth Edition”. John
Wiley & Sons Inc. 2007.
Kasidi. “Manajemen Risiko”. Bogor : Ghalia Indonesia. 2010.
Lee, San K dan Nguyen Lan T.P. “Comparative Study of Volatility Forecasting
Models : The Case of Malaysia, Indonesia, Hong Kong and Japan Stock
Markets”. Journal of Economics World Volume 5 No.4. 2017.
Mangram, Myles E. “A Simplified Perspective of The Markowitz Portfolio Theory”.
Global Journal of Business Research. Volume 7. 2013
Nachrowi, N, D dan Usman, Hardius. “Pendekatan Populer dan Praktis
Ekonometrika Untuk Analisis Ekonomi dan Keuangan”. Jakarta : Lembaga
Penerbitan Fakultas Ekonomi Universitas Indonesia. 2006
122
Oprena, Claudiu Ilie. “Estimation of Value at Risk on Romanian Stock Exchange
Using Volatility Forecasting Models”. Expert Journal of Finance. Romania.
2013.
Penza, Pietro dan Vipul K Banzal. “Measuring Market Risk with Value at Risk”.
New York : John Wiley & Sons Inc. 2001.
Pertiwi, Diah Nur dan Meirinaldi. “Analisis Perbedaan Kinerja Portofolio Optimal
Indeks Sri-Kehati dan Indeks LQ45 Periode 2010 – 2014”. Jurnal Ekonomi
Volume 18. Universitas Borobudur. 2016
Pratiwi, Noviana. “Analisis Nilai Risiko Portofolio Optimum pada Reksadana
Campuran dengan Pendekata EWMA”. Yogyakarta : IST AKPRIND. 2017.
Rodoni, Ahmad. “Investasi Syariah”. Jakarta : Lembaga Penelitian UIN Jakarta.
2009.
Rodoni, Ahmad dan Herni Ali. “Manajemen Keuangan Modern”. Jakarta : Mitra
Wacana Media. 2014.
Rosadi, Dedi. “Ekonometrika dan Analisis Runtun Waktu Terapan dengan Eviews
Aplikasi untuk Bidang Ekonomi Bisnis dan Keuangan”. Yogyakarta : ANDI
Yogyakarta. 2012.
Sapari, Fransisco Nicolas dan Agus Zainul Arifin. “Studi Perbandingan Nilai
Value at Risk antara Saham Berbasis Syariah dengan Saham Non Syariah
Periode 2010-2012”. Jurnal Dinamika Akuntansi dan Bisnis Volume 3(1).
2016.
Sharpe, William et.al. “Investasi”. Jilid 1. Jakarta : Prenhallindo. 1999.
Siregar, Syofian. “Metode Penelitian Kuantitatif”. Jakarta : Kencana. 2013.
Sudarmanto. “Kinerja dan Pengembangan Kompetensi SDM”. Yogyakarta :
Alfabeta. 2013
Sugiarto dan Harijono. “Peramalan Bisnis”. Jakarta : PT Gramedia Pustaka Utama.
2000
Sugiyono. “Statistik untuk Penelitian”. Bandung : Alfabeta. 2007.
Suharjo, Bambang. “Analisis Regresi Terapan dengan SPSS”. Yogyakarta : Graha
Ilmu. 2013.
Suryani, Ama dan Eva Herianti. “The Analysis of Risk Adjusted Return Portfolio
Performance Share for LQ 45 Index in Indonesia Stock Exchange in 2010 –
123
2014 Periods”. 2nd Global Conference on Business an Social Science. Bali.
2015.
Tandelilin, Eduardus. “Investasi dan Manajemen Portofolio”. Yogyakarta :
Kanisius. 2010.
Winarno, Wing Wahyu. “Analisis Ekonometrika dan Statistika dengan Eviews
Edisi ke-4”. Yogyakarta : UPP STIM YKPN. 2015.
Yohannes, S dan Hokky S. “Sifat Statistika Data Ekonomi Keuangan Studi Empirik
Beberapa Indeks Saham Indonesia”. FE Institute. Bandung. 2003
Yuniarti, Yuyun. “Penerapan Model GARCH dan Model EWMA dalam Mengukur
Risiko Berinvestasi (Studi Kasus : Saham Syariah di Jakarta Islamic Indeks)”.
STAIN Jurai Siwo Metro. Lampung. 2012.
Zubir, Zalmi. “Manajemen Portofolio : Penerapannya dalam Investasi Saham”.
Jakarta : Salemba Empat. 2013.
http://www.bi.go.id
http:///www.bps.go.id
http://www.idx.co.id
http://www.investing.com
http://www.ojk.go.id
124
LAMPIRAN
LAMPIRAN 1 : UJI NORMALITAS RETURN SAHAM
A. ADRO
0
50
100
150
200
250
-0.10 -0.05 0.00 0.05 0.10 0.15
Series: ADRO
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 0.001052
Median 0.000000
Maximum 0.184615
Minimum -0.099010
Std. Dev. 0.030057
Skewness 0.614753
Kurtosis 6.289162
Jarque-Bera 621.6512
Probability 0.000000
B. AKRA
0
40
80
120
160
200
-0.075 -0.050 -0.025 0.000 0.025 0.050 0.075 0.100
Series: AKRA
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 8.95e-05
Median 0.000000
Maximum 0.098592
Minimum -0.092593
Std. Dev. 0.022901
Skewness -0.012351
Kurtosis 4.269974
Jarque-Bera 81.34450
Probability 0.000000
ASII
0
50
100
150
200
250
300
350
400
-0.05 0.00 0.05 0.10
Series: ASII
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 0.000158
Median 0.000000
Maximum 0.112903
Minimum -0.085821
Std. Dev. 0.020394
Skewness 0.325557
Kurtosis 5.546710
Jarque-Bera 348.3630
Probability 0.000000
125
C. BSDE
0
40
80
120
160
200
240
280
320
-0.10 -0.05 0.00 0.05 0.10 0.15
Series: BSDE
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 0.000165
Median 0.000000
Maximum 0.160839
Minimum -0.101796
Std. Dev. 0.023754
Skewness 0.415173
Kurtosis 7.244255
Jarque-Bera 942.9518
Probability 0.000000
D. ICBP
0
50
100
150
200
250
300
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0.08
Series: ICBP
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 0.000481
Median 0.000000
Maximum 0.093333
Minimum -0.070707
Std. Dev. 0.018689
Skewness 0.347981
Kurtosis 5.775011
Jarque-Bera 412.6630
Probability 0.000000
E. INDF
0
100
200
300
400
500
-0.10 -0.05 0.00 0.05 0.10
Series: INDF
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 0.000102
Median 0.000000
Maximum 0.103704
Minimum -0.097222
Std. Dev. 0.019253
Skewness 0.118634
Kurtosis 6.829968
Jarque-Bera 742.3831
Probability 0.000000
126
F. KLBF
0
50
100
150
200
250
300
-0.075 -0.050 -0.025 0.000 0.025 0.050 0.075
Series: KLBF
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 6.19e-05
Median 0.000000
Maximum 0.093750
Minimum -0.092308
Std. Dev. 0.019972
Skewness 0.200472
Kurtosis 5.862289
Jarque-Bera 421.1533
Probability 0.000000
G. TLKM
0
50
100
150
200
250
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0.08
Series: TLKM
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 0.000563
Median 0.000000
Maximum 0.075650
Minimum -0.066344
Std. Dev. 0.016950
Skewness 0.078182
Kurtosis 4.851394
Jarque-Bera 174.0438
Probability 0.000000
UNTR
0
40
80
120
160
200
240
280
-0.10 -0.05 0.00 0.05 0.10
Series: UNTR
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 0.000750
Median 0.000000
Maximum 0.106280
Minimum -0.101124
Std. Dev. 0.024291
Skewness 0.116446
Kurtosis 4.357089
Jarque-Bera 95.58640
Probability 0.000000
127
H. UNVR
0
50
100
150
200
250
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0.08 0.10
Series: UNVR
Sample 6/28/2013 6/29/2018
Observations 1210
Mean 0.000483
Median 0.000000
Maximum 0.100529
Minimum -0.065152
Std. Dev. 0.017268
Skewness 0.343854
Kurtosis 5.818813
Jarque-Bera 424.4403
Probability 0.000000
128
LAMPIRAN 2 : UJI STASIONERITAS RETURN SAHAM
A. ADRO
B. AKRA
Null Hypothesis: AKRA has a unit root
Exogenous: Constant
Lag Length: 4 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -19.91698 0.0000
Test critical values: 1% level -3.435563
5% level -2.863730
10% level -2.567986 *MacKinnon (1996) one-sided p-values.
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -34.18176 0.0000
Test critical values: 1% level -3.435545
5% level -2.863722
10% level -2.567982 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(ADRO)
Method: Least Squares
Date: 07/25/18 Time: 11:35
Sample (adjusted): 7/01/2013 6/29/2018
Included observations: 1209 after adjustments Variable Coefficient Std. Error t-Statistic Prob. ADRO(-1) -0.986263 0.028853 -34.18176 0.0000
C 0.001040 0.000866 1.201182 0.2299 R-squared 0.491873 Mean dependent var 6.21E-05
Adjusted R-squared 0.491453 S.D. dependent var 0.042179
S.E. of regression 0.030079 Akaike info criterion -4.168331
Sum squared resid 1.092023 Schwarz criterion -4.159898
Log likelihood 2521.756 Hannan-Quinn criter. -4.165156
F-statistic 1168.393 Durbin-Watson stat 1.991976
Prob(F-statistic) 0.000000
129
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(AKRA)
Method: Least Squares
Date: 07/25/18 Time: 11:42
Sample (adjusted): 7/05/2013 6/29/2018
Included observations: 1205 after adjustments Variable Coefficient Std. Error t-Statistic Prob. AKRA(-1) -1.344043 0.067482 -19.91698 0.0000
D(AKRA(-1)) 0.373724 0.058241 6.416879 0.0000
D(AKRA(-2)) 0.276936 0.049423 5.603326 0.0000
D(AKRA(-3)) 0.206552 0.039577 5.219021 0.0000
D(AKRA(-4)) 0.115080 0.028574 4.027419 0.0001
C 0.000183 0.000646 0.282934 0.7773 R-squared 0.493494 Mean dependent var 6.17E-06
Adjusted R-squared 0.491382 S.D. dependent var 0.031433
S.E. of regression 0.022417 Akaike info criterion -4.753011
Sum squared resid 0.602533 Schwarz criterion -4.727646
Log likelihood 2869.689 Hannan-Quinn criter. -4.743458
F-statistic 233.6400 Durbin-Watson stat 1.993758
Prob(F-statistic) 0.000000
C. ASII
Null Hypothesis: ASII has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -34.66515 0.0000
Test critical values: 1% level -3.435545
5% level -2.863722
10% level -2.567982 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(ASII)
Method: Least Squares
Date: 07/25/18 Time: 11:45
Sample (adjusted): 7/01/2013 6/29/2018
Included observations: 1209 after adjustments Variable Coefficient Std. Error t-Statistic Prob. ASII(-1) -0.999321 0.028828 -34.66515 0.0000
C 0.000158 0.000587 0.269946 0.7872 R-squared 0.498894 Mean dependent var 3.26E-05
Adjusted R-squared 0.498479 S.D. dependent var 0.028822
130
S.E. of regression 0.020411 Akaike info criterion -4.943839
Sum squared resid 0.502844 Schwarz criterion -4.935406
Log likelihood 2990.550 Hannan-Quinn criter. -4.940663
F-statistic 1201.673 Durbin-Watson stat 1.995932
Prob(F-statistic) 0.000000
D. BSDE
Null Hypothesis: BSDE has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -33.70157 0.0000
Test critical values: 1% level -3.435545
5% level -2.863722
10% level -2.567982 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(BSDE)
Method: Least Squares
Date: 07/25/18 Time: 11:52
Sample (adjusted): 7/01/2013 6/29/2018
Included observations: 1209 after adjustments Variable Coefficient Std. Error t-Statistic Prob. BSDE(-1) -0.969673 0.028772 -33.70157 0.0000
C 0.000160 0.000683 0.234498 0.8146 R-squared 0.484804 Mean dependent var 8.00E-06
Adjusted R-squared 0.484377 S.D. dependent var 0.033092
S.E. of regression 0.023762 Akaike info criterion -4.639777
Sum squared resid 0.681531 Schwarz criterion -4.631344
Log likelihood 2806.745 Hannan-Quinn criter. -4.636601
F-statistic 1135.796 Durbin-Watson stat 1.996787
Prob(F-statistic) 0.000000
131
E. ICBP
Null Hypothesis: ICBP has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -23.97781 0.0000
Test critical values: 1% level -3.435554
5% level -2.863726
10% level -2.567984 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(ICBP)
Method: Least Squares
Date: 07/25/18 Time: 11:55
Sample (adjusted): 7/03/2013 6/29/2018
Included observations: 1207 after adjustments Variable Coefficient Std. Error t-Statistic Prob. ICBP(-1) -1.244766 0.051913 -23.97781 0.0000
D(ICBP(-1)) 0.201038 0.041152 4.885306 0.0000
D(ICBP(-2)) 0.117780 0.028660 4.109639 0.0000
C 0.000627 0.000533 1.176017 0.2398 R-squared 0.525618 Mean dependent var 5.89E-05
Adjusted R-squared 0.524435 S.D. dependent var 0.026845
S.E. of regression 0.018512 Akaike info criterion -5.137442
Sum squared resid 0.412279 Schwarz criterion -5.120555
Log likelihood 3104.447 Hannan-Quinn criter. -5.131083
F-statistic 444.3100 Durbin-Watson stat 1.997434
Prob(F-statistic) 0.000000
F. INDF
Null Hypothesis: INDF has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -23.31075 0.0000
Test critical values: 1% level -3.435554
5% level -2.863726
10% level -2.567984 *MacKinnon (1996) one-sided p-values.
132
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(INDF)
Method: Least Squares
Date: 07/25/18 Time: 11:59
Sample (adjusted): 7/03/2013 6/29/2018
Included observations: 1207 after adjustments Variable Coefficient Std. Error t-Statistic Prob. INDF(-1) -1.156241 0.049601 -23.31075 0.0000
D(INDF(-1)) 0.169052 0.039986 4.227722 0.0000
D(INDF(-2)) 0.127375 0.028535 4.463830 0.0000
C 0.000156 0.000547 0.284220 0.7763 R-squared 0.499526 Mean dependent var 2.10E-05
Adjusted R-squared 0.498278 S.D. dependent var 0.026842
S.E. of regression 0.019013 Akaike info criterion -5.084120
Sum squared resid 0.434860 Schwarz criterion -5.067232
Log likelihood 3072.266 Hannan-Quinn criter. -5.077760
F-statistic 400.2402 Durbin-Watson stat 2.006909
Prob(F-statistic) 0.000000
G. KLBF
Null Hypothesis: KLBF has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -23.52485 0.0000
Test critical values: 1% level -3.435554
5% level -2.863726
10% level -2.567984 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(KLBF)
Method: Least Squares
Date: 07/25/18 Time: 12:03
Sample (adjusted): 7/03/2013 6/29/2018
Included observations: 1207 after adjustments Variable Coefficient Std. Error t-Statistic Prob. KLBF(-1) -1.251505 0.053199 -23.52485 0.0000
D(KLBF(-1)) 0.189526 0.041826 4.531295 0.0000
D(KLBF(-2)) 0.079734 0.028905 2.758473 0.0059
C 7.88E-05 0.000569 0.138425 0.8899 R-squared 0.531842 Mean dependent var 1.68E-05
Adjusted R-squared 0.530674 S.D. dependent var 0.028862
133
S.E. of regression 0.019772 Akaike info criterion -5.005760
Sum squared resid 0.470306 Schwarz criterion -4.988872
Log likelihood 3024.976 Hannan-Quinn criter. -4.999400
F-statistic 455.5480 Durbin-Watson stat 1.991842
Prob(F-statistic) 0.000000
H. TLKM
Null Hypothesis: TLKM has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -21.74863 0.0000
Test critical values: 1% level -3.435559
5% level -2.863728
10% level -2.567985 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(TLKM)
Method: Least Squares
Date: 07/25/18 Time: 12:05
Sample (adjusted): 7/04/2013 6/29/2018
Included observations: 1206 after adjustments Variable Coefficient Std. Error t-Statistic Prob. TLKM(-1) -1.403899 0.064551 -21.74863 0.0000
D(TLKM(-1)) 0.327289 0.053564 6.110240 0.0000
D(TLKM(-2)) 0.192993 0.041811 4.615818 0.0000
D(TLKM(-3)) 0.089155 0.028698 3.106687 0.0019
C 0.000847 0.000482 1.758322 0.0789 R-squared 0.540005 Mean dependent var 3.58E-05
Adjusted R-squared 0.538473 S.D. dependent var 0.024549
S.E. of regression 0.016678 Akaike info criterion -5.345336
Sum squared resid 0.334058 Schwarz criterion -5.324212
Log likelihood 3228.238 Hannan-Quinn criter. -5.337381
F-statistic 352.4747 Durbin-Watson stat 1.996179
Prob(F-statistic) 0.000000
134
I. UNTR
Null Hypothesis: UNTR has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -36.23081 0.0000
Test critical values: 1% level -3.435545
5% level -2.863722
10% level -2.567982 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(UNTR)
Method: Least Squares
Date: 07/25/18 Time: 12:08
Sample (adjusted): 7/01/2013 6/29/2018
Included observations: 1209 after adjustments Variable Coefficient Std. Error t-Statistic Prob. UNTR(-1) -1.042027 0.028761 -36.23081 0.0000
C 0.000782 0.000699 1.119186 0.2633 R-squared 0.520969 Mean dependent var 9.93E-06
Adjusted R-squared 0.520573 S.D. dependent var 0.035080
S.E. of regression 0.024290 Akaike info criterion -4.595884
Sum squared resid 0.712111 Schwarz criterion -4.587452
Log likelihood 2780.212 Hannan-Quinn criter. -4.592709
F-statistic 1312.672 Durbin-Watson stat 2.005244
Prob(F-statistic) 0.000000
J. UNVR
Null Hypothesis: UNVR has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -39.07919 0.0000
Test critical values: 1% level -3.435545
5% level -2.863722
10% level -2.567982 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(UNVR)
135
Method: Least Squares
Date: 07/27/18 Time: 05:15
Sample (adjusted): 7/01/2013 6/29/2018
Included observations: 1209 after adjustments Variable Coefficient Std. Error t-Statistic Prob. UNVR(-1) -1.118740 0.028628 -39.07919 0.0000
C 0.000538 0.000494 1.088747 0.2765 R-squared 0.558552 Mean dependent var 2.88E-05
Adjusted R-squared 0.558186 S.D. dependent var 0.025818
S.E. of regression 0.017161 Akaike info criterion -5.290722
Sum squared resid 0.355454 Schwarz criterion -5.282289
Log likelihood 3200.241 Hannan-Quinn criter. -5.287547
F-statistic 1527.183 Durbin-Watson stat 1.996452
Prob(F-statistic) 0.000000
136
LAMPIRAN 3 : UJI WHITE HETEROSCEDASTICITY RETURN SAHAM
A. ADRO
Heteroskedasticity Test: White F-statistic 2035.212 Prob. F(2,1207) 0.0000
Obs*R-squared 933.2608 Prob. Chi-Square(2) 0.0000
Scaled explained SS 2008.803 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/26/18 Time: 01:11
Sample: 6/28/2013 6/29/2018
Included observations: 1210 Variable Coefficient Std. Error t-Statistic Prob. C 8.62E-36 1.25E-36 6.884803 0.0000
ADRO^2 3.47E-32 5.73E-34 60.61596 0.0000
ADRO 4.47E-35 3.99E-35 1.119732 0.2631 R-squared 0.771290 Mean dependent var 4.00E-35
Adjusted R-squared 0.770911 S.D. dependent var 8.32E-35
S.E. of regression 3.98E-35 Sum squared resid 1.92E-66
F-statistic 2035.212 Durbin-Watson stat 2.008895
Prob(F-statistic) 0.000000
B. AKRA
Heteroskedasticity Test: White F-statistic 3411.984 Prob. F(2,1207) 0.0000
Obs*R-squared 1028.145 Prob. Chi-Square(2) 0.0000
Scaled explained SS 1922.989 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/25/18 Time: 11:42
Sample: 6/28/2013 6/29/2018
Included observations: 1210 Variable Coefficient Std. Error t-Statistic Prob. C 2.25E-37 3.32E-37 0.677226 0.4984
AKRA^2 2.52E-32 3.06E-34 82.29575 0.0000
AKRA -8.83E-35 1.27E-35 -6.961521 0.0000 R-squared 0.849707 Mean dependent var 1.34E-35
137
Adjusted R-squared 0.849458 S.D. dependent var 2.60E-35
S.E. of regression 1.01E-35 Sum squared resid 1.23E-67
F-statistic 3411.984 Durbin-Watson stat 2.109196
Prob(F-statistic) 0.000000
C. ASII
Heteroskedasticity Test: White F-statistic 2.783364 Prob. F(2,1206) 0.0622
Obs*R-squared 5.554934 Prob. Chi-Square(2) 0.0622
Scaled explained SS 12.57123 Prob. Chi-Square(2) 0.0019
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/25/18 Time: 12:15
Sample: 7/01/2013 6/29/2018
Included observations: 1209 Variable Coefficient Std. Error t-Statistic Prob. C 0.000388 2.82E-05 13.78258 0.0000
ASII(-1)^2 0.066875 0.029076 2.299991 0.0216
ASII(-1) 0.000197 0.001266 0.155841 0.8762 R-squared 0.004595 Mean dependent var 0.000416
Adjusted R-squared 0.002944 S.D. dependent var 0.000887
S.E. of regression 0.000885 Akaike info criterion -11.21863
Sum squared resid 0.000945 Schwarz criterion -11.20598
Log likelihood 6784.662 Hannan-Quinn criter. -11.21387
F-statistic 2.783364 Durbin-Watson stat 2.010163
Prob(F-statistic) 0.062227
D. BSDE
Heteroskedasticity Test: White F-statistic 3141.863 Prob. F(2,1207) 0.0000
Obs*R-squared 1015.030 Prob. Chi-Square(2) 0.0000
Scaled explained SS 3806.700 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/25/18 Time: 11:52
Sample: 6/28/2013 6/29/2018
Included observations: 1210 Variable Coefficient Std. Error t-Statistic Prob.
138
C -1.39E-37 9.01E-37 -0.154579 0.8772
BSDE^2 4.70E-32 6.01E-34 78.15527 0.0000
BSDE -1.27E-35 3.57E-35 -0.356448 0.7216 R-squared 0.838867 Mean dependent var 2.64E-35
Adjusted R-squared 0.838600 S.D. dependent var 7.23E-35
S.E. of regression 2.91E-35 Sum squared resid 1.02E-66
F-statistic 3141.863 Durbin-Watson stat 1.977963
Prob(F-statistic) 0.000000
E. ICBP
Heteroskedasticity Test: White F-statistic 2968.280 Prob. F(2,1207) 0.0000
Obs*R-squared 1005.554 Prob. Chi-Square(2) 0.0000
Scaled explained SS 2316.737 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/25/18 Time: 11:55
Sample: 6/28/2013 6/29/2018
Included observations: 1210 Variable Coefficient Std. Error t-Statistic Prob. C 1.64E-36 4.53E-37 3.629757 0.0003
ICBP^2 4.17E-32 5.46E-34 76.33540 0.0000
ICBP -8.09E-35 2.24E-35 -3.612859 0.0003 R-squared 0.831037 Mean dependent var 1.62E-35
Adjusted R-squared 0.830757 S.D. dependent var 3.48E-35
S.E. of regression 1.43E-35 Sum squared resid 2.47E-67
F-statistic 2968.280 Durbin-Watson stat 1.891779
Prob(F-statistic) 0.000000
F. INDF
Heteroskedasticity Test: White F-statistic 18.42294 Prob. F(2,1207) 0.0000
Obs*R-squared 35.84328 Prob. Chi-Square(2) 0.0000
Scaled explained SS 103.5620 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/25/18 Time: 12:00
139
Sample: 6/28/2013 6/29/2018
Included observations: 1210 Variable Coefficient Std. Error t-Statistic Prob. C 2.68E-41 1.69E-42 15.85513 0.0000
INDF^2 -1.06E-38 1.75E-39 -6.069580 0.0000
INDF 2.01E-41 8.12E-41 0.247072 0.8049 R-squared 0.029623 Mean dependent var 2.29E-41
Adjusted R-squared 0.028015 S.D. dependent var 5.51E-41
S.E. of regression 5.43E-41 Sum squared resid 3.56E-78
F-statistic 18.42294 Durbin-Watson stat 1.846301
Prob(F-statistic) 0.000000
G. KLBF
Heteroskedasticity Test: White F-statistic 2226.853 Prob. F(2,1207) 0.0000
Obs*R-squared 951.9986 Prob. Chi-Square(2) 0.0000
Scaled explained SS 2494.129 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/25/18 Time: 12:03
Sample: 6/28/2013 6/29/2018
Included observations: 1210 Variable Coefficient Std. Error t-Statistic Prob. C 1.50E-36 6.28E-37 2.393493 0.0168
KLBF^2 4.33E-32 6.53E-34 66.27102 0.0000
KLBF 4.66E-35 2.87E-35 1.620521 0.1054 R-squared 0.786776 Mean dependent var 1.87E-35
Adjusted R-squared 0.786422 S.D. dependent var 4.30E-35
S.E. of regression 1.99E-35 Sum squared resid 4.77E-67
F-statistic 2226.853 Durbin-Watson stat 1.940424
Prob(F-statistic) 0.000000
H. TLKM
Heteroskedasticity Test: White F-statistic 18.23841 Prob. F(2,1207) 0.0000
Obs*R-squared 35.49479 Prob. Chi-Square(2) 0.0000
Scaled explained SS 156.3227 Prob. Chi-Square(2) 0.0000
140
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/25/18 Time: 12:06
Sample: 6/28/2013 6/29/2018
Included observations: 1210 Variable Coefficient Std. Error t-Statistic Prob. C 1.27E-39 9.57E-41 13.31101 0.0000
TLKM^2 -9.13E-37 1.51E-37 -6.026706 0.0000
TLKM 2.53E-40 5.05E-39 0.050073 0.9601 R-squared 0.029335 Mean dependent var 1.01E-39
Adjusted R-squared 0.027726 S.D. dependent var 3.01E-39
S.E. of regression 2.97E-39 Sum squared resid 1.06E-74
F-statistic 18.23841 Durbin-Watson stat 1.982816
Prob(F-statistic) 0.000000
I. UNTR
Heteroskedasticity Test: White F-statistic 14.94621 Prob. F(2,1206) 0.0000
Obs*R-squared 29.24198 Prob. Chi-Square(2) 0.0000
Scaled explained SS 48.66253 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/25/18 Time: 12:17
Sample: 7/01/2013 6/29/2018
Included observations: 1209 Variable Coefficient Std. Error t-Statistic Prob. C 0.000524 3.49E-05 15.03081 0.0000
UNTR(-1)^2 0.116124 0.028391 4.090127 0.0000
UNTR(-1) -0.005077 0.001267 -4.008504 0.0001 R-squared 0.024187 Mean dependent var 0.000589
Adjusted R-squared 0.022569 S.D. dependent var 0.001077
S.E. of regression 0.001065 Akaike info criterion -10.85002
Sum squared resid 0.001367 Schwarz criterion -10.83737
Log likelihood 6561.838 Hannan-Quinn criter. -10.84526
F-statistic 14.94621 Durbin-Watson stat 2.026089
Prob(F-statistic) 0.000000
141
J. UNVR
Heteroskedasticity Test: White F-statistic 2951.811 Prob. F(2,1207) 0.0000
Obs*R-squared 1004.607 Prob. Chi-Square(2) 0.0000
Scaled explained SS 3201.070 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/27/18 Time: 05:16
Sample: 6/28/2013 6/29/2018
Included observations: 1210 Variable Coefficient Std. Error t-Statistic Prob. C -6.34E-37 4.71E-37 -1.346610 0.1784
UNVR^2 5.00E-32 6.63E-34 75.39932 0.0000
UNVR 2.18E-35 2.52E-35 0.864391 0.3875 R-squared 0.830254 Mean dependent var 1.43E-35
Adjusted R-squared 0.829973 S.D. dependent var 3.61E-35
S.E. of regression 1.49E-35 Sum squared resid 2.68E-67
F-statistic 2951.811 Durbin-Watson stat 1.845719
Prob(F-statistic) 0.000000
142
LAMPIRAN 4 : Volatility Forecasting Metode EWMA
A. ADRO (σ EWMA)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 830 -0.0349 0.0009034 0.0300566
2 02/07/2013 800 -0.0361 0.0009222 0.0303679
3 03/07/2013 770 -0.0375 0.0009453 0.0307451
4 04/07/2013 770 0.0000 0.0009729 0.0311917
5 05/07/2013 790 0.0260 0.0009145 0.0302415
6 08/07/2013 760 -0.0380 0.0009002 0.0300025
7 09/07/2013 740 -0.0263 0.0009327 0.0305396
8 10/07/2013 720 -0.0270 0.0009183 0.0303028
9 11/07/2013 700 -0.0278 0.0009070 0.0301163
10 12/07/2013 710 0.0143 0.0008989 0.0299811
11 15/07/2013 700 -0.0141 0.0008572 0.0292776
12 16/07/2013 690 -0.0143 0.0008177 0.0285946
13 17/07/2013 700 0.0145 0.0007808 0.0279435
14 18/07/2013 710 0.0143 0.0007466 0.0273238
15 19/07/2013 700 -0.0141 0.0007140 0.0267215
16 22/07/2013 700 0.0000 0.0006831 0.0261362
17 23/07/2013 710 0.0143 0.0006421 0.0253400
18 24/07/2013 720 0.0141 0.0006158 0.0248160
19 25/07/2013 710 -0.0139 0.0005908 0.0243061
20 26/07/2013 710 0.0000 0.0005669 0.0238099
: : : : : :
1195 30/05/2018 1830 0.0055 0.0009956 0.0315524
1196 31/05/2018 1885 0.0301 0.0009376 0.0306208
1197 04/06/2018 1970 0.0451 0.0009356 0.0305871
1198 05/06/2018 2030 0.0305 0.0010014 0.0316455
1199 06/06/2018 1985 -0.0222 0.0009970 0.0315755
1200 07/06/2018 1990 0.0025 0.0009667 0.0310914
1201 08/06/2018 1935 -0.0276 0.0009091 0.0301505
1202 20/06/2018 2000 0.0336 0.0009003 0.0300057
1203 21/06/2018 2010 0.0050 0.0009140 0.0302329
1204 22/06/2018 1930 -0.0398 0.0008607 0.0293374
1205 25/06/2018 1870 -0.0311 0.0009041 0.0300681
1206 26/06/2018 1755 -0.0615 0.0009078 0.0301303
1207 27/06/2018 1705 -0.0285 0.0010803 0.0328676
1208 28/06/2018 1665 -0.0235 0.0010642 0.0326215
1209 29/06/2018 1790 0.0751 0.0010333 0.0321456
143
B. AKRA (σ EWMA)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 5300 0.0000 0.0005244 0.0228998
2 02/07/2013 5400 0.0189 0.0004929 0.0222022
3 03/07/2013 4900 -0.0926 0.0004847 0.0220164
4 04/07/2013 4875 -0.0051 0.0009700 0.0311455
5 05/07/2013 4825 -0.0103 0.0009134 0.0302225
6 08/07/2013 4525 -0.0622 0.0008649 0.0294093
7 09/07/2013 4600 0.0166 0.0010450 0.0323259
8 10/07/2013 4650 0.0109 0.0009988 0.0316030
9 11/07/2013 4900 0.0538 0.0009459 0.0307557
10 12/07/2013 4775 -0.0255 0.0010626 0.0325974
11 15/07/2013 4700 -0.0157 0.0010379 0.0322162
12 16/07/2013 4650 -0.0106 0.0009904 0.0314708
13 17/07/2013 4750 0.0215 0.0009378 0.0306231
14 18/07/2013 4675 -0.0158 0.0009093 0.0301539
15 19/07/2013 4650 -0.0053 0.0008697 0.0294900
16 22/07/2013 4650 0.0000 0.0008192 0.0286216
17 23/07/2013 4725 0.0161 0.0007700 0.0277497
18 24/07/2013 4900 0.0370 0.0007395 0.0271929
19 25/07/2013 4875 -0.0051 0.0007774 0.0278817
20 26/07/2013 4775 -0.0205 0.0007323 0.0270612
: : : : : :
1195 30/05/2018 4690 0.0043 0.0006294 0.0250883
1196 31/05/2018 4920 0.0490 0.0005928 0.0243466
1197 04/06/2018 4930 0.0020 0.0007015 0.0264856
1198 05/06/2018 4800 -0.0264 0.0006596 0.0256836
1199 06/06/2018 4700 -0.0208 0.0006618 0.0257253
1200 07/06/2018 4750 0.0106 0.0006481 0.0254583
1201 08/06/2018 4580 -0.0358 0.0006160 0.0248199
1202 20/06/2018 4310 -0.0590 0.0006559 0.0256109
1203 21/06/2018 4150 -0.0371 0.0008251 0.0287243
1204 22/06/2018 4110 -0.0096 0.0008583 0.0292962
1205 25/06/2018 4280 0.0414 0.0008123 0.0285016
1206 26/06/2018 4460 0.0421 0.0008663 0.0294322
1207 27/06/2018 4450 -0.0022 0.0009204 0.0303381
1208 28/06/2018 4290 -0.0360 0.0008655 0.0294190
1209 29/06/2018 4300 0.0023 0.0008911 0.0298516
144
C. BSDE (σ EWMA)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 1820 0.0111 0.0005642 0.0237529
2 02/07/2013 1780 -0.0220 0.0005378 0.0231896
3 03/07/2013 1710 -0.0393 0.0005345 0.0231187
4 04/07/2013 1690 -0.0117 0.0005952 0.0243966
5 05/07/2013 1670 -0.0118 0.0005677 0.0238263
6 08/07/2013 1500 -0.1018 0.0005420 0.0232816
7 09/07/2013 1390 -0.0733 0.0011313 0.0336342
8 10/07/2013 1450 0.0432 0.0013861 0.0372297
9 11/07/2013 1510 0.0414 0.0014147 0.0376123
10 12/07/2013 1450 -0.0397 0.0014325 0.0378489
11 15/07/2013 1450 0.0000 0.0014413 0.0379647
12 16/07/2013 1500 0.0345 0.0013548 0.0368081
13 17/07/2013 1560 0.0400 0.0013449 0.0366728
14 18/07/2013 1600 0.0256 0.0013602 0.0368809
15 19/07/2013 1610 0.0063 0.0013180 0.0363048
16 22/07/2013 1600 -0.0062 0.0012413 0.0352320
17 23/07/2013 1650 0.0313 0.0011691 0.0341926
18 24/07/2013 1600 -0.0303 0.0011576 0.0340232
19 25/07/2013 1570 -0.0188 0.0011432 0.0338116
20 26/07/2013 1520 -0.0318 0.0010957 0.0331017
: : : : : :
1995 30/05/2018 1705 -0.0257 0.0008885 0.0298079
1996 31/05/2018 1705 0.0000 0.0008749 0.0295783
1997 04/06/2018 1700 -0.0029 0.0008224 0.0286772
1998 05/06/2018 1730 0.0176 0.0007736 0.0278129
1999 06/06/2018 1750 0.0116 0.0007458 0.0273098
2000 07/06/2018 1750 0.0000 0.0007091 0.0266289
2001 08/06/2018 1720 -0.0171 0.0006666 0.0258176
2002 20/06/2018 1670 -0.0291 0.0006442 0.0253809
2003 21/06/2018 1615 -0.0329 0.0006562 0.0256172
2004 22/06/2018 1645 0.0186 0.0006819 0.0261141
2005 25/06/2018 1660 0.0091 0.0006617 0.0257242
2006 26/06/2018 1660 0.0000 0.0006270 0.0250403
2007 27/06/2018 1650 -0.0060 0.0005894 0.0242775
2008 28/06/2018 1550 -0.0606 0.0005562 0.0235841
2009 29/06/2018 1565 0.0097 0.0007432 0.0272621
145
D. ICBP (σ EWMA)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 6075 -0.0041 0.0003493 0.0186896
2 02/07/2013 5875 -0.0329 0.0003293 0.0181480
3 03/07/2013 5750 -0.0213 0.0003746 0.0193551
4 04/07/2013 5450 -0.0522 0.0003793 0.0194757
5 05/07/2013 5550 0.0183 0.0005199 0.0228007
6 08/07/2013 5200 -0.0631 0.0005089 0.0225584
7 09/07/2013 5225 0.0048 0.0007170 0.0267762
8 10/07/2013 5400 0.0335 0.0006753 0.0259872
9 11/07/2013 5475 0.0139 0.0007021 0.0264975
10 12/07/2013 5500 0.0046 0.0006716 0.0259146
11 15/07/2013 5575 0.0136 0.0006325 0.0251500
12 16/07/2013 5500 -0.0135 0.0006057 0.0246116
13 17/07/2013 5625 0.0227 0.0005802 0.0240883
14 18/07/2013 5625 0.0000 0.0005764 0.0240088
15 19/07/2013 5500 -0.0222 0.0005418 0.0232774
16 22/07/2013 5550 0.0091 0.0005390 0.0232154
17 23/07/2013 5700 0.0270 0.0005116 0.0226181
18 24/07/2013 5725 0.0044 0.0005247 0.0229066
19 25/07/2013 5675 -0.0087 0.0004944 0.0222347
20 26/07/2013 5650 -0.0044 0.0004693 0.0216632
: : : : : :
1195 30/05/2018 8500 -0.0145 0.0004506 0.0212279
1196 31/05/2018 8700 0.0235 0.0004362 0.0208852
1197 04/06/2018 8675 -0.0029 0.0004432 0.0210532
1198 05/06/2018 8775 0.0115 0.0004171 0.0204240
1199 06/06/2018 8850 0.0085 0.0004001 0.0200021
1200 07/06/2018 9000 0.0169 0.0003805 0.0195054
1201 08/06/2018 8850 -0.0167 0.0003749 0.0193615
1202 20/06/2018 8600 -0.0282 0.0003690 0.0192105
1203 21/06/2018 8250 -0.0407 0.0003948 0.0198691
1204 22/06/2018 8400 0.0182 0.0004705 0.0216904
1205 25/06/2018 8750 0.0417 0.0004621 0.0214960
1206 26/06/2018 8800 0.0057 0.0005385 0.0232060
1207 27/06/2018 8575 -0.0256 0.0005082 0.0225426
1208 28/06/2018 8525 -0.0058 0.0005169 0.0227355
1209 29/06/2018 8850 0.0381 0.0004879 0.0220891
146
E. INDF (σ EWMA)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 6850 -0.0680 0.0003707 0.0192536
2 02/07/2013 7000 0.0219 0.0006261 0.0250224
3 03/07/2013 7200 0.0286 0.0006173 0.0248460
4 04/07/2013 7050 -0.0208 0.0006293 0.0250851
5 05/07/2013 7050 0.0000 0.0006175 0.0248505
6 08/07/2013 6600 -0.0638 0.0005805 0.0240935
7 09/07/2013 6550 -0.0076 0.0007901 0.0281091
8 10/07/2013 6850 0.0458 0.0007462 0.0273159
9 11/07/2013 7000 0.0219 0.0008273 0.0287620
10 12/07/2013 7050 0.0071 0.0008064 0.0283970
11 15/07/2013 7150 0.0142 0.0007611 0.0275875
12 16/07/2013 7100 -0.0070 0.0007275 0.0269718
13 17/07/2013 7250 0.0211 0.0006868 0.0262061
14 18/07/2013 7200 -0.0069 0.0006723 0.0259294
15 19/07/2013 7300 0.0139 0.0006348 0.0251962
16 22/07/2013 7100 -0.0274 0.0006083 0.0246644
17 23/07/2013 7100 0.0000 0.0006169 0.0248369
18 24/07/2013 6700 -0.0563 0.0005799 0.0240802
19 25/07/2013 6700 0.0000 0.0007355 0.0271202
20 26/07/2013 6700 0.0000 0.0006914 0.0262940
: : : : : :
1195 30/05/2018 7025 -0.0071 0.0004350 0.0208571
1196 31/05/2018 7075 0.0071 0.0004119 0.0202956
1197 04/06/2018 7025 -0.0071 0.0003902 0.0197544
1198 05/06/2018 7200 0.0249 0.0003698 0.0192307
1199 06/06/2018 6975 -0.0313 0.0003849 0.0196180
1200 07/06/2018 7100 0.0179 0.0004204 0.0205028
1201 08/06/2018 6950 -0.0211 0.0004144 0.0203572
1202 20/06/2018 6700 -0.0360 0.0004163 0.0204042
1203 21/06/2018 6525 -0.0261 0.0004690 0.0216561
1204 22/06/2018 6550 0.0038 0.0004818 0.0219495
1205 25/06/2018 6625 0.0115 0.0004538 0.0213015
1206 26/06/2018 6625 0.0000 0.0004344 0.0208422
1207 27/06/2018 6550 -0.0113 0.0004083 0.0202072
1208 28/06/2018 6350 -0.0305 0.0003915 0.0197869
1209 29/06/2018 6650 0.0472 0.0004240 0.0205906
147
F. KLBF (σ EWMA)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 1390 -0.0347 0.0003989 0.0199725
2 02/07/2013 1440 0.0360 0.0004473 0.0211496
3 03/07/2013 1390 -0.0347 0.0004981 0.0223182
4 04/07/2013 1380 -0.0072 0.0005406 0.0232498
5 05/07/2013 1440 0.0435 0.0005112 0.0226103
6 08/07/2013 1330 -0.0764 0.0005940 0.0243716
7 09/07/2013 1350 0.0150 0.0009085 0.0301405
8 10/07/2013 1390 0.0296 0.0008675 0.0294535
9 11/07/2013 1430 0.0288 0.0008681 0.0294641
10 12/07/2013 1450 0.0140 0.0008657 0.0294234
11 15/07/2013 1470 0.0138 0.0008255 0.0287320
12 16/07/2013 1450 -0.0136 0.0007874 0.0280608
13 17/07/2013 1470 0.0138 0.0007513 0.0274093
14 18/07/2013 1500 0.0204 0.0007176 0.0267883
15 19/07/2013 1480 -0.0133 0.0006995 0.0264489
16 22/07/2013 1470 -0.0068 0.0006682 0.0258503
17 23/07/2013 1480 0.0068 0.0006309 0.0251174
18 24/07/2013 1420 -0.0405 0.0005958 0.0244091
19 25/07/2013 1400 -0.0141 0.0006587 0.0256646
20 26/07/2013 1360 -0.0286 0.0006311 0.0251208
: : : : : :
1195 30/05/2018 1370 -0.0249 0.0007532 0.0274447
1196 31/05/2018 1370 0.0000 0.0007453 0.0272993
1197 04/06/2018 1365 -0.0036 0.0007005 0.0264677
1198 05/06/2018 1415 0.0366 0.0006593 0.0256769
1199 06/06/2018 1410 -0.0035 0.0007003 0.0264623
1200 07/06/2018 1465 0.0390 0.0006590 0.0256707
1201 08/06/2018 1360 -0.0717 0.0007107 0.0266597
1202 20/06/2018 1315 -0.0331 0.0009763 0.0312460
1203 21/06/2018 1250 -0.0494 0.0009834 0.0313596
1204 22/06/2018 1310 0.0480 0.0010710 0.0327263
1205 25/06/2018 1295 -0.0115 0.0011450 0.0338377
1206 26/06/2018 1265 -0.0232 0.0010842 0.0329266
1207 27/06/2018 1240 -0.0198 0.0010513 0.0324239
1208 28/06/2018 1155 -0.0685 0.0010117 0.0318067
1209 29/06/2018 1220 0.0563 0.0012329 0.0351127
148
G. TLKM (σ EWMA)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 2185 -0.0315 0.0002873 0.0169499
2 02/07/2013 2155 -0.0137 0.0003295 0.0181519
3 03/07/2013 2115 -0.0186 0.0003210 0.0179173
4 04/07/2013 2185 0.0331 0.0003224 0.0179566
5 05/07/2013 2205 0.0092 0.0003688 0.0192047
6 08/07/2013 2185 -0.0091 0.0003517 0.0187541
7 09/07/2013 2205 0.0092 0.0003356 0.0183180
8 10/07/2013 2266 0.0277 0.0003204 0.0179009
9 11/07/2013 2336 0.0309 0.0003471 0.0186316
10 12/07/2013 2376 0.0171 0.0003836 0.0195848
11 15/07/2013 2376 0.0000 0.0003781 0.0194459
12 16/07/2013 2306 -0.0295 0.0003555 0.0188535
13 17/07/2013 2266 -0.0173 0.0003862 0.0196521
14 18/07/2013 2286 0.0088 0.0003811 0.0195214
15 19/07/2013 2336 0.0219 0.0003629 0.0190498
16 22/07/2013 2356 0.0086 0.0003698 0.0192308
17 23/07/2013 2406 0.0212 0.0003520 0.0187626
18 24/07/2013 2366 -0.0166 0.0003579 0.0189192
19 25/07/2013 2346 -0.0085 0.0003530 0.0187894
20 26/07/2013 2336 -0.0043 0.0003361 0.0183343
: : : : : :
1195 30/05/2018 3600 -0.0244 0.0005249 0.0229098
1196 31/05/2018 3520 -0.0222 0.0005291 0.0230013
1197 04/06/2018 3640 0.0341 0.0005269 0.0229553
1198 05/06/2018 3830 0.0522 0.0005651 0.0237710
1199 06/06/2018 3790 -0.0104 0.0006946 0.0263559
1200 07/06/2018 3770 -0.0053 0.0006595 0.0256807
1201 08/06/2018 3610 -0.0424 0.0006216 0.0249319
1202 20/06/2018 3710 0.0277 0.0006924 0.0263130
1203 21/06/2018 3610 -0.0270 0.0006969 0.0263984
1204 22/06/2018 3580 -0.0083 0.0006987 0.0264320
1205 25/06/2018 3660 0.0223 0.0006609 0.0257075
1206 26/06/2018 3690 0.0082 0.0006512 0.0255183
1207 27/06/2018 3710 0.0054 0.0006161 0.0248223
1208 28/06/2018 3660 -0.0135 0.0005809 0.0241027
1209 29/06/2018 3750 0.0246 0.0005570 0.0236005
149
H. UNTR (σ EWMA)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 17850 -0.0192 0.0005901 0.0242920
2 02/07/2013 17800 -0.0028 0.0005769 0.0240184
3 03/07/2013 16000 -0.1011 0.0005427 0.0232968
4 04/07/2013 17500 0.0938 0.0011237 0.0335222
5 05/07/2013 17300 -0.0114 0.0015837 0.0397952
6 08/07/2013 16000 -0.0751 0.0014965 0.0386843
7 09/07/2013 16000 0.0000 0.0017455 0.0417790
8 10/07/2013 16700 0.0438 0.0016408 0.0405063
9 11/07/2013 16550 -0.0090 0.0016572 0.0407082
10 12/07/2013 17000 0.0272 0.0015626 0.0395293
11 15/07/2013 17200 0.0118 0.0015132 0.0388995
12 16/07/2013 16800 -0.0233 0.0014307 0.0378244
13 17/07/2013 16550 -0.0149 0.0013773 0.0371119
14 18/07/2013 16500 -0.0030 0.0013079 0.0361655
15 19/07/2013 17100 0.0364 0.0012300 0.0350716
16 22/07/2013 16250 -0.0497 0.0012356 0.0351504
17 23/07/2013 16900 0.0400 0.0013097 0.0361894
18 24/07/2013 16300 -0.0355 0.0013271 0.0364292
19 25/07/2013 16150 -0.0092 0.0013231 0.0363743
20 26/07/2013 16400 0.0155 0.0012488 0.0353382
: : : : : :
1195 30/05/2018 36800 0.0194 0.0006433 0.0253625
1196 31/05/2018 35050 -0.0476 0.0006272 0.0250444
1197 04/06/2018 35750 0.0200 0.0007253 0.0269309
1198 05/06/2018 36500 0.0210 0.0007057 0.0265648
1199 06/06/2018 35475 -0.0281 0.0006898 0.0262631
1200 07/06/2018 36175 0.0197 0.0006957 0.0263758
1201 08/06/2018 34800 -0.0380 0.0006773 0.0260251
1202 20/06/2018 33500 -0.0374 0.0007234 0.0268952
1203 21/06/2018 33375 -0.0037 0.0007637 0.0276347
1204 22/06/2018 32975 -0.0120 0.0007187 0.0268085
1205 25/06/2018 32800 -0.0053 0.0006842 0.0261570
1206 26/06/2018 32525 -0.0084 0.0006448 0.0253935
1207 27/06/2018 32200 -0.0100 0.0006104 0.0247054
1208 28/06/2018 31225 -0.0303 0.0005797 0.0240775
1209 29/06/2018 31600 0.0120 0.0006000 0.0244939
150
I. UNVR (σ EWMA)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 29550 -0.0390 0.0002982 0.0172685
2 02/07/2013 29950 0.0135 0.0003717 0.0192791
3 03/07/2013 28300 -0.0551 0.0003604 0.0189836
4 04/07/2013 28200 -0.0035 0.0005209 0.0228223
5 05/07/2013 29300 0.0390 0.0004904 0.0221440
6 08/07/2013 28000 -0.0444 0.0005522 0.0234995
7 09/07/2013 27850 -0.0054 0.0006372 0.0252430
8 10/07/2013 29400 0.0557 0.0006007 0.0245092
9 11/07/2013 31650 0.0765 0.0007505 0.0273954
10 12/07/2013 31000 -0.0205 0.0010569 0.0325099
11 15/07/2013 31750 0.0242 0.0010188 0.0319184
12 16/07/2013 31750 0.0000 0.0009928 0.0315084
13 17/07/2013 32900 0.0362 0.0009332 0.0305485
14 18/07/2013 33900 0.0304 0.0009559 0.0309182
15 19/07/2013 34600 0.0206 0.0009540 0.0308871
16 22/07/2013 33000 -0.0462 0.0009224 0.0303703
17 23/07/2013 34000 0.0303 0.0009953 0.0315486
18 24/07/2013 34000 0.0000 0.0009907 0.0314753
19 25/07/2013 32850 -0.0338 0.0009313 0.0305164
20 26/07/2013 32950 0.0030 0.0009440 0.0307249
: : : : : :
1195 30/05/2018 46550 -0.0117 0.0005336 0.0230991
1196 31/05/2018 45600 -0.0204 0.0005097 0.0225773
1197 04/06/2018 45400 -0.0044 0.0005041 0.0224531
1198 05/06/2018 46800 0.0308 0.0004750 0.0217956
1199 06/06/2018 46200 -0.0128 0.0005036 0.0224410
1200 07/06/2018 46200 0.0000 0.0004832 0.0219829
1201 08/06/2018 45400 -0.0173 0.0004543 0.0213132
1202 20/06/2018 44275 -0.0248 0.0004450 0.0210947
1203 21/06/2018 44200 -0.0017 0.0004551 0.0213338
1204 22/06/2018 44200 0.0000 0.0004280 0.0206880
1205 25/06/2018 45000 0.0181 0.0004023 0.0200578
1206 26/06/2018 44550 -0.0100 0.0003978 0.0199457
1207 27/06/2018 44425 -0.0028 0.0003800 0.0194926
1208 28/06/2018 44550 0.0028 0.0003576 0.0189113
1209 29/06/2018 46100 0.0348 0.0003367 0.0183481
151
LAMPIRAN 5 : HASIL ESTIMASI MODEL ARIMA
A. ADRO
Dependent Variable: ADRO
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/26/18 Time: 01:25
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 15 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 0.001054 0.000924 1.140999 0.2541
AR(1) -0.723570 0.221754 -3.262942 0.0011
MA(1) 0.759495 0.207898 3.653208 0.0003
SIGMASQ 0.000900 2.39E-05 37.69088 0.0000 R-squared 0.002689 Mean dependent var 0.001052
Adjusted R-squared 0.000208 S.D. dependent var 0.030057
S.E. of regression 0.030054 Akaike info criterion -4.168353
Sum squared resid 1.089292 Schwarz criterion -4.151499
Log likelihood 2525.854 Hannan-Quinn criter. -4.162007
F-statistic 1.083918 Durbin-Watson stat 2.033029
Prob(F-statistic) 0.354844
B. AKRA
Dependent Variable: AKRA
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/26/18 Time: 01:46
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 19 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 0.000103 0.000528 0.194440 0.8459
AR(2) 0.505978 0.164647 3.073113 0.0022
MA(2) -0.604830 0.150785 -4.011211 0.0001
SIGMASQ 0.000517 1.64E-05 31.61913 0.0000 R-squared 0.012957 Mean dependent var 8.95E-05
Adjusted R-squared 0.010502 S.D. dependent var 0.022901
S.E. of regression 0.022780 Akaike info criterion -4.722511
Sum squared resid 0.625842 Schwarz criterion -4.705657
Log likelihood 2861.119 Hannan-Quinn criter. -4.716165
F-statistic 5.277126 Durbin-Watson stat 1.936850
Prob(F-statistic) 0.001285
152
C. ASII
Dependent Variable: ASII
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/26/18 Time: 01:57
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 20 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 0.000179 0.000391 0.457647 0.6473
AR(1) 0.828022 0.060555 13.67378 0.0000
MA(1) -0.886855 0.051189 -17.32518 0.0000
SIGMASQ 0.000411 1.13E-05 36.38131 0.0000 R-squared 0.010880 Mean dependent var 0.000158
Adjusted R-squared 0.008419 S.D. dependent var 0.020394
S.E. of regression 0.020308 Akaike info criterion -4.952260
Sum squared resid 0.497373 Schwarz criterion -4.935406
Log likelihood 3000.117 Hannan-Quinn criter. -4.945914
F-statistic 4.421855 Durbin-Watson stat 1.903184
Prob(F-statistic) 0.004226
D. BSDE
Dependent Variable: BSDE
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/26/18 Time: 02:08
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 14 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 0.000194 0.000550 0.353244 0.7240
AR(3) 0.665030 0.156620 4.246128 0.0000
MA(3) -0.734921 0.143243 -5.130600 0.0000
SIGMASQ 0.000559 1.30E-05 43.08575 0.0000 R-squared 0.008625 Mean dependent var 0.000165
Adjusted R-squared 0.006159 S.D. dependent var 0.023754
S.E. of regression 0.023680 Akaike info criterion -4.644996
Sum squared resid 0.676275 Schwarz criterion -4.628142
Log likelihood 2814.222 Hannan-Quinn criter. -4.638650
F-statistic 3.497377 Durbin-Watson stat 1.957249
Prob(F-statistic) 0.015096
153
E. ICBP
Dependent Variable: ICBP
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/26/18 Time: 02:15
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 24 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 0.000494 0.000342 1.446025 0.1484
AR(1) 0.761162 0.057769 13.17593 0.0000
MA(1) -0.849748 0.047569 -17.86353 0.0000
SIGMASQ 0.000343 9.04E-06 37.92157 0.0000 R-squared 0.018140 Mean dependent var 0.000481
Adjusted R-squared 0.015697 S.D. dependent var 0.018689
S.E. of regression 0.018542 Akaike info criterion -5.134222
Sum squared resid 0.414622 Schwarz criterion -5.117368
Log likelihood 3110.204 Hannan-Quinn criter. -5.127875
F-statistic 7.426917 Durbin-Watson stat 1.921418
Prob(F-statistic) 0.000063
F. INDF
Dependent Variable: INDF
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/26/18 Time: 02:26
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 8 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 0.000106 0.000488 0.217821 0.8276
AR(3) -0.129776 0.024794 -5.234187 0.0000
SIGMASQ 0.000364 8.83E-06 41.23013 0.0000 R-squared 0.016609 Mean dependent var 0.000102
Adjusted R-squared 0.014980 S.D. dependent var 0.019253
S.E. of regression 0.019109 Akaike info criterion -5.074823
Sum squared resid 0.440729 Schwarz criterion -5.062182
Log likelihood 3073.268 Hannan-Quinn criter. -5.070063
F-statistic 10.19302 Durbin-Watson stat 1.988425
Prob(F-statistic) 0.000041
154
G. KLBF
Dependent Variable: KLBF
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/26/18 Time: 07:35
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 27 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 8.33E-05 0.000368 0.226379 0.8209
AR(1) 0.759477 0.054148 14.02606 0.0000
MA(1) -0.852760 0.046155 -18.47588 0.0000
SIGMASQ 0.000391 1.04E-05 37.45284 0.0000 R-squared 0.020106 Mean dependent var 6.19E-05
Adjusted R-squared 0.017669 S.D. dependent var 0.019972
S.E. of regression 0.019794 Akaike info criterion -5.003483
Sum squared resid 0.472529 Schwarz criterion -4.986629
Log likelihood 3031.107 Hannan-Quinn criter. -4.997137
F-statistic 8.248483 Durbin-Watson stat 1.949715
Prob(F-statistic) 0.000020
H. TLKM
Dependent Variable: TLKM
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/26/18 Time: 07:43
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 17 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 0.000562 0.000285 1.971502 0.0489
AR(1) 0.707473 0.063270 11.18176 0.0000
MA(1) -0.828342 0.050892 -16.27663 0.0000
SIGMASQ 0.000279 8.07E-06 34.55708 0.0000 R-squared 0.028442 Mean dependent var 0.000563
Adjusted R-squared 0.026025 S.D. dependent var 0.016950
S.E. of regression 0.016728 Akaike info criterion -5.340143
Sum squared resid 0.337453 Schwarz criterion -5.323289
Log likelihood 3234.787 Hannan-Quinn criter. -5.333797
F-statistic 11.76852 Durbin-Watson stat 1.912255
Prob(F-statistic) 0.000000
155
I. UNTR
Dependent Variable: UNTR
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/26/18 Time: 07:52
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 17 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 0.000775 0.000517 1.497307 0.1346
AR(1) 0.767700 0.091494 8.390711 0.0000
MA(1) -0.830245 0.082205 -10.09974 0.0000
SIGMASQ 0.000584 1.88E-05 31.09432 0.0000 R-squared 0.009395 Mean dependent var 0.000750
Adjusted R-squared 0.006930 S.D. dependent var 0.024291
S.E. of regression 0.024207 Akaike info criterion -4.601054
Sum squared resid 0.706670 Schwarz criterion -4.584200
Log likelihood 2787.638 Hannan-Quinn criter. -4.594708
F-statistic 3.812446 Durbin-Watson stat 1.976065
Prob(F-statistic) 0.009802
J. UNVR
Dependent Variable: UNVR
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 07/27/18 Time: 05:19
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 62 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. C 0.000485 0.000352 1.375466 0.1692
AR(1) 0.668350 0.086903 7.690799 0.0000
MA(1) -0.766820 0.073990 -10.36385 0.0000
SIGMASQ 0.000293 8.18E-06 35.78441 0.0000 R-squared 0.017177 Mean dependent var 0.000483
Adjusted R-squared 0.014733 S.D. dependent var 0.017268
S.E. of regression 0.017141 Akaike info criterion -5.291384
Sum squared resid 0.354328 Schwarz criterion -5.274530
Log likelihood 3205.288 Hannan-Quinn criter. -5.285038
F-statistic 7.026009 Durbin-Watson stat 2.055874
Prob(F-statistic) 0.000110
156
LAMPIRAN 6 : HASIL ESTIMASI MODEL GARCH
A. AKRA
Dependent Variable: AKRA
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 07/26/18 Time: 09:40
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 37 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000286 0.000497 0.575136 0.5652
AR(2) 0.472415 0.181363 2.604803 0.0092
MA(2) -0.578790 0.166273 -3.480965 0.0005 Variance Equation C 1.05E-05 3.94E-06 2.676570 0.0074
RESID(-1)^2 0.027797 0.007919 3.510212 0.0004
GARCH(-1) 0.950100 0.013653 69.58963 0.0000 R-squared 0.012803 Mean dependent var 8.95E-05
Adjusted R-squared 0.011167 S.D. dependent var 0.022901
S.E. of regression 0.022773 Akaike info criterion -4.776327
Sum squared resid 0.625940 Schwarz criterion -4.751046
Log likelihood 2895.678 Hannan-Quinn criter. -4.766808
Durbin-Watson stat 1.937805
B. ASII
Dependent Variable: ASII
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 07/26/18 Time: 22:35
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 57 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000102 0.000383 0.266812 0.7896
AR(1) 0.774448 0.100446 7.710119 0.0000
MA(1) -0.842831 0.084985 -9.917429 0.0000 Variance Equation
157
C 6.56E-06 2.09E-06 3.139679 0.0017
RESID(-1)^2 0.047624 0.008615 5.528051 0.0000
GARCH(-1) 0.936632 0.011970 78.24665 0.0000 R-squared 0.010303 Mean dependent var 0.000158
Adjusted R-squared 0.008663 S.D. dependent var 0.020394
S.E. of regression 0.020306 Akaike info criterion -5.046977
Sum squared resid 0.497664 Schwarz criterion -5.021696
Log likelihood 3059.421 Hannan-Quinn criter. -5.037458
Durbin-Watson stat 1.884684
C. BSDE
Dependent Variable: BSDE
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 07/26/18 Time: 22:45
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 41 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000397 0.000452 0.878521 0.3797
AR(3) 0.722981 0.130836 5.525854 0.0000
MA(3) -0.789537 0.115321 -6.846447 0.0000 Variance Equation C 7.72E-06 2.20E-06 3.511124 0.0004
RESID(-1)^2 0.048996 0.006965 7.034780 0.0000
GARCH(-1) 0.937113 0.008808 106.3886 0.0000 R-squared 0.008415 Mean dependent var 0.000165
Adjusted R-squared 0.006772 S.D. dependent var 0.023754
S.E. of regression 0.023673 Akaike info criterion -4.755155
Sum squared resid 0.676418 Schwarz criterion -4.729874
Log likelihood 2882.869 Hannan-Quinn criter. -4.745635
Durbin-Watson stat 1.957310
158
D. ICBP
Dependent Variable: ICBP
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 07/26/18 Time: 23:02
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 39 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000443 0.000295 1.503379 0.1327
AR(1) 0.649820 0.083148 7.815186 0.0000
MA(1) -0.775414 0.070097 -11.06208 0.0000 Variance Equation C 3.33E-05 5.61E-06 5.938535 0.0000
RESID(-1)^2 0.181775 0.025907 7.016372 0.0000
GARCH(-1) 0.729641 0.033490 21.78664 0.0000 R-squared 0.015272 Mean dependent var 0.000481
Adjusted R-squared 0.013641 S.D. dependent var 0.018689
S.E. of regression 0.018561 Akaike info criterion -5.272316
Sum squared resid 0.415833 Schwarz criterion -5.247035
Log likelihood 3195.751 Hannan-Quinn criter. -5.262797
Durbin-Watson stat 1.848981
E. INDF
Dependent Variable: INDF
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 07/26/18 Time: 23:23
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 34 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 5.37E-05 0.000426 0.125865 0.8998
AR(3) -0.118550 0.032570 -3.639911 0.0003 Variance Equation C 7.01E-06 1.19E-06 5.906384 0.0000
RESID(-1)^2 0.064696 0.010113 6.397442 0.0000
GARCH(-1) 0.914435 0.011570 79.03486 0.0000
159
R-squared 0.016469 Mean dependent var 0.000102
Adjusted R-squared 0.015655 S.D. dependent var 0.019253
S.E. of regression 0.019102 Akaike info criterion -5.269506
Sum squared resid 0.440792 Schwarz criterion -5.248439
Log likelihood 3193.051 Hannan-Quinn criter. -5.261574
Durbin-Watson stat 1.986569
F. KLBF
Dependent Variable: KLBF
Method: ML ARCH - Normal distribution (OPG - BHHH / Marquardt steps)
Date: 07/27/18 Time: 00:13
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 73 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000498 0.000305 1.630015 0.1031
AR(1) 0.730576 0.081357 8.979847 0.0000
MA(1) -0.830202 0.065708 -12.63466 0.0000 Variance Equation C 1.49E-05 2.26E-06 6.606748 0.0000
RESID(-1)^2 0.095878 0.012804 7.488107 0.0000
GARCH(-1) 0.867313 0.012912 67.16890 0.0000 R-squared 0.018868 Mean dependent var 6.19E-05
Adjusted R-squared 0.017243 S.D. dependent var 0.019972
S.E. of regression 0.019799 Akaike info criterion -5.155802
Sum squared resid 0.473126 Schwarz criterion -5.130521
Log likelihood 3125.260 Hannan-Quinn criter. -5.146283
Durbin-Watson stat 1.935327
G. TLKM
Dependent Variable: TLKM
Method: ML ARCH - Normal distribution (OPG - BHHH / Marquardt steps)
Date: 07/27/18 Time: 00:21
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 46 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob.
160
C 0.000637 0.000263 2.422731 0.0154
AR(1) 0.716987 0.074905 9.572007 0.0000
MA(1) -0.832660 0.059625 -13.96501 0.0000 Variance Equation C 2.68E-05 5.01E-06 5.353950 0.0000
RESID(-1)^2 0.127102 0.020150 6.307798 0.0000
GARCH(-1) 0.780029 0.030795 25.33006 0.0000 R-squared 0.028342 Mean dependent var 0.000563
Adjusted R-squared 0.026732 S.D. dependent var 0.016950
S.E. of regression 0.016721 Akaike info criterion -5.420251
Sum squared resid 0.337488 Schwarz criterion -5.394970
Log likelihood 3285.252 Hannan-Quinn criter. -5.410732
Durbin-Watson stat 1.921763
H. UNTR
Dependent Variable: UNTR
Method: ML ARCH - Normal distribution (OPG - BHHH / Marquardt steps)
Date: 07/27/18 Time: 00:33
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 35 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.001142 0.000495 2.305315 0.0211
AR(1) 0.721387 0.121368 5.943793 0.0000
MA(1) -0.787388 0.106898 -7.365813 0.0000 Variance Equation C 2.64E-05 8.26E-06 3.189808 0.0014
RESID(-1)^2 0.056391 0.011591 4.864931 0.0000
GARCH(-1) 0.896394 0.021328 42.02990 0.0000 R-squared 0.008837 Mean dependent var 0.000750
Adjusted R-squared 0.007194 S.D. dependent var 0.024291
S.E. of regression 0.024203 Akaike info criterion -4.650218
Sum squared resid 0.707068 Schwarz criterion -4.624937
Log likelihood 2819.382 Hannan-Quinn criter. -4.640699
Durbin-Watson stat 1.968302
161
I. UNVR
Dependent Variable: UNVR
Method: ML ARCH - Normal distribution (OPG - BHHH / Marquardt steps)
Date: 07/27/18 Time: 05:32
Sample: 6/28/2013 6/29/2018
Included observations: 1210
Convergence achieved after 58 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000582 0.000256 2.270816 0.0232
AR(1) 0.692980 0.075749 9.148361 0.0000
MA(1) -0.814721 0.058060 -14.03239 0.0000 Variance Equation C 1.34E-05 2.05E-06 6.565480 0.0000
RESID(-1)^2 0.105658 0.016054 6.581374 0.0000
GARCH(-1) 0.847402 0.019003 44.59315 0.0000 R-squared 0.015046 Mean dependent var 0.000483
Adjusted R-squared 0.013414 S.D. dependent var 0.017268
S.E. of regression 0.017152 Akaike info criterion -5.434563
Sum squared resid 0.355097 Schwarz criterion -5.409282
Log likelihood 3293.911 Hannan-Quinn criter. -5.425044
Durbin-Watson stat 2.004282
162
LAMPIRAN 7 : Volatility Forecasting Metode GARCH
A. AKRA (σ GARCH)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 5,300 0.00000 0.001077674 0.03283
2 02/07/2013 5,400 0.01887 0.001034445 0.03216
3 03/07/2013 4,900 -0.09259 0.001002893 0.03167
4 04/07/2013 4,875 -0.00510 0.001202173 0.03467
5 05/07/2013 4,825 -0.01026 0.001153065 0.03396
6 08/07/2013 4,525 -0.06218 0.001117375 0.03343
7 09/07/2013 4,600 0.01657 0.001178703 0.03433
8 10/07/2013 4,650 0.01087 0.001132994 0.03366
9 11/07/2013 4,900 0.05376 0.001087509 0.03298
10 12/07/2013 4,775 -0.02551 0.00111704 0.03342
11 15/07/2013 4,700 -0.01571 0.001094145 0.03308
12 16/07/2013 4,650 -0.01064 0.001053798 0.03246
13 17/07/2013 4,750 0.02151 0.001018122 0.03191
14 18/07/2013 4,675 -0.01579 0.000991428 0.03149
15 19/07/2013 4,650 -0.00535 0.000963257 0.03104
16 22/07/2013 4,650 0.00000 0.000925964 0.03043
17 23/07/2013 4,725 0.01613 0.000890765 0.02985
18 24/07/2013 4,900 0.03704 0.000864746 0.02941
19 25/07/2013 4,875 -0.00510 0.000865274 0.02942
: : : : : :
1195 30/05/2018 4,690 0.00428 0.000566771 0.02381
1196 31/05/2018 4,920 0.04904 0.000549227 0.02344
1197 04/06/2018 4,930 0.00203 0.000605945 0.02462
1198 05/06/2018 4,800 -0.02640 0.000586306 0.02421
1199 06/06/2018 4,700 -0.02080 0.000578611 0.02405
1200 07/06/2018 4,750 0.01064 0.000572706 0.02393
1201 08/06/2018 4,580 -0.03580 0.000558299 0.02363
1202 20/06/2018 4,310 -0.05900 0.000581832 0.02412
1203 21/06/2018 4,150 -0.03710 0.000655301 0.0256
1204 22/06/2018 4,110 -0.00960 0.000683481 0.02614
1205 25/06/2018 4,280 0.04136 0.000666367 0.02581
1206 26/06/2018 4,460 0.04206 0.000676018 0.02600
1207 27/06/2018 4,450 -0.00220 0.000692218 0.02631
1208 28/06/2018 4,290 -0.03600 0.000668353 0.02585
1209 29/06/2018 4,300 0.00233 0.000678032 0.02604
163
B. ASII (σ GARCH)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 6,850 -0.02143 0.000323788 0.01799
2 02/07/2013 6,700 -0.02190 0.000331739 0.01821
3 03/07/2013 6,550 -0.02239 0.000343048 0.01852
4 04/07/2013 6,550 0.00000 0.000357518 0.01891
5 05/07/2013 6,750 0.03053 0.000342062 0.01849
6 08/07/2013 6,500 -0.03704 0.000362693 0.01904
7 09/07/2013 6,500 0.00000 0.000413642 0.02034
8 10/07/2013 6,500 0.00000 0.000394422 0.01986
9 11/07/2013 6,600 0.01538 0.0003763 0.0194
10 12/07/2013 6,600 0.00000 0.000367311 0.01917
11 15/07/2013 6,650 0.00758 0.000350625 0.01872
12 16/07/2013 6,850 0.03008 0.00033721 0.01836
13 17/07/2013 6,750 -0.01460 0.000365168 0.01911
14 18/07/2013 6,650 -0.01481 0.000356217 0.01887
15 19/07/2013 6,650 0.00000 0.000349805 0.0187
16 22/07/2013 6,550 -0.01504 0.00033421 0.01828
17 23/07/2013 6,700 0.02290 0.000331026 0.01819
18 24/07/2013 6,600 -0.01493 0.000338548 0.0184
19 25/07/2013 6,600 0.00000 0.000333797 0.01827
: : : : : :
1195 30/05/2018 7,000 -0.0244 0.000477612 0.02185
1196 31/05/2018 6,900 -0.0143 0.000478524 0.02188
1197 04/06/2018 7,000 0.0145 0.000464887 0.02156
1198 05/06/2018 7,000 0.0000 0.000450339 0.02122
1199 06/06/2018 6,975 -0.0036 0.000428361 0.0207
1200 07/06/2018 6,975 0.0000 0.000408416 0.02021
1201 08/06/2018 6,900 -0.0108 0.0003891 0.01973
1202 20/06/2018 6,950 0.0072 0.000376837 0.01941
1203 21/06/2018 6,675 -0.0396 0.00036136 0.01901
1204 22/06/2018 6,600 -0.0112 0.000421065 0.02052
1205 25/06/2018 6,600 0.0000 0.000410673 0.02027
1206 26/06/2018 6,700 0.0152 0.000391749 0.01979
1207 27/06/2018 6,425 -0.0410 0.000380675 0.01951
1208 28/06/2018 6,350 -0.0117 0.000448908 0.02119
1209 29/06/2018 6,600 0.0394 0.000438734 0.02095
164
C. BSDE (σ GARCH)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 1,820 0.01111 0.000815526 0.02856
2 02/07/2013 1,780 -0.02198 0.000777527 0.02788
3 03/07/2013 1,710 -0.03933 0.000760651 0.02758
4 04/07/2013 1,690 -0.01170 0.000797495 0.02824
5 05/07/2013 1,670 -0.01183 0.000761454 0.02759
6 08/07/2013 1,500 -0.10180 0.00073024 0.02702
7 09/07/2013 1,390 -0.07333 0.001226998 0.03503
8 10/07/2013 1,450 0.04317 0.001424776 0.03775
9 11/07/2013 1,510 0.04138 0.001424832 0.03775
10 12/07/2013 1,450 -0.03974 0.00139462 0.03734
11 15/07/2013 1,450 0.00000 0.00141377 0.0376
12 16/07/2013 1,500 0.03448 0.001332619 0.03651
13 17/07/2013 1,560 0.04000 0.001300769 0.03607
14 18/07/2013 1,600 0.02564 0.001280425 0.03578
15 19/07/2013 1,610 0.00625 0.001241333 0.03523
16 22/07/2013 1,600 -0.00621 0.001172169 0.03424
17 23/07/2013 1,650 0.03125 0.001110233 0.03332
18 24/07/2013 1,600 -0.03030 0.00110241 0.0332
19 25/07/2013 1,570 -0.01875 0.001088018 0.03299
: : : : : :
1195 30/05/2018 1,705 -0.02571 0.000803099 0.02834
1196 31/05/2018 1,705 0.00000 0.000785645 0.02803
1197 04/06/2018 1,700 -0.00293 0.000743987 0.02728
1198 05/06/2018 1,730 0.01765 0.000705116 0.02655
1199 06/06/2018 1,750 0.01156 0.000684672 0.02617
1200 07/06/2018 1,750 0.00000 0.000655046 0.02559
1201 08/06/2018 1,720 -0.01714 0.000621576 0.02493
1202 20/06/2018 1,670 -0.02907 0.000602221 0.02454
1203 21/06/2018 1,615 -0.03293 0.000613301 0.02476
1204 22/06/2018 1,645 0.01858 0.0006349 0.0252
1205 25/06/2018 1,660 0.00912 0.000619446 0.02489
1206 26/06/2018 1,660 0.00000 0.000590691 0.0243
1207 27/06/2018 1,650 -0.00602 0.000561482 0.0237
1208 28/06/2018 1,550 -0.06061 0.000535094 0.02313
1209 29/06/2018 1,565 0.00968 0.000695603 0.02637
165
D. ICBP (σ GARCH)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 6,075 -0.00410 0.000509817 0.02258
2 02/07/2013 5,875 -0.03292 0.000409038 0.02022
3 03/07/2013 5,750 -0.02128 0.000538867 0.02321
4 04/07/2013 5,450 -0.05217 0.000549512 0.02344
5 05/07/2013 5,550 0.01835 0.001056788 0.03251
6 08/07/2013 5,200 -0.06306 0.000812739 0.02851
7 09/07/2013 5,225 0.00481 0.00151296 0.0389
8 10/07/2013 5,400 0.03349 0.001150302 0.03392
9 11/07/2013 5,475 0.01389 0.000974088 0.03121
10 12/07/2013 5,500 0.00457 0.000763257 0.02763
11 15/07/2013 5,575 0.01364 0.000592245 0.02434
12 16/07/2013 5,500 -0.01345 0.000496701 0.02229
13 17/07/2013 5,625 0.02273 0.000423188 0.02057
14 18/07/2013 5,625 0.00000 0.000428285 0.0207
15 19/07/2013 5,500 -0.02222 0.000346484 0.01861
16 22/07/2013 5,550 0.00909 0.000365154 0.01911
17 23/07/2013 5,700 0.02703 0.000309158 0.01758
18 24/07/2013 5,725 0.00439 0.000387011 0.01967
19 25/07/2013 5,675 -0.00873 0.000325239 0.01803
: : : : : :
1195 30/05/2018 8,500 -0.01449 0.000544739 0.02334
1196 31/05/2018 8,700 0.023529 0.00044395 0.02107
1197 04/06/2018 8,675 -0.00287 0.000481847 0.02195
1198 05/06/2018 8,775 0.011527 0.000385581 0.01964
1199 06/06/2018 8,850 0.008547 0.000354329 0.01882
1200 07/06/2018 9,000 0.016949 0.000319596 0.01788
1201 08/06/2018 8,850 -0.01667 0.000345311 0.01858
1202 20/06/2018 8,600 -0.02825 0.000310073 0.01761
1203 21/06/2018 8,250 -0.0407 0.000388498 0.01971
1204 22/06/2018 8,400 0.018182 0.00065521 0.0256
1205 25/06/2018 8,750 0.041667 0.000533405 0.0231
1206 26/06/2018 8,800 0.005714 0.000688244 0.02623
1207 27/06/2018 8,575 -0.02557 0.000547482 0.0234
1208 28/06/2018 8,525 -0.00583 0.000530008 0.02302
1209 29/06/2018 8,850 0.038123 0.00042971 0.02073
166
E. INDF (σ GARCH)
No Date Closing Price Return
Forecasting
Variance Volatility
1 01/07/2013 6,850 -0.06803 0.001222558 0.03497
2 02/07/2013 7,000 0.02190 0.001420615 0.03769
3 03/07/2013 7,200 0.02857 0.001336511 0.03656
4 04/07/2013 7,050 -0.02083 0.001281758 0.0358
5 05/07/2013 7,050 0.00000 0.001233351 0.03512
6 08/07/2013 6,600 -0.06383 0.00113525 0.03369
7 09/07/2013 6,550 -0.00758 0.00128195 0.0358
8 10/07/2013 6,850 0.04580 0.001185881 0.03444
9 11/07/2013 7,000 0.02190 0.001226788 0.03503
10 12/07/2013 7,050 0.00714 0.001142008 0.03379
11 15/07/2013 7,150 0.01418 0.001053781 0.03246
12 16/07/2013 7,100 -0.00699 0.000995367 0.03155
13 17/07/2013 7,250 0.02113 0.000918498 0.03031
14 18/07/2013 7,200 -0.00690 0.000877988 0.02963
15 19/07/2013 7,300 0.01389 0.000811678 0.02849
16 22/07/2013 7,100 -0.02740 0.000760175 0.02757
17 23/07/2013 7,100 0.00000 0.000742427 0.02725
18 24/07/2013 6,700 -0.05634 0.000685966 0.02619
19 25/07/2013 6,700 0.00000 0.000828225 0.02878
: : : : : :
1195 30/05/2018 7,025 -0.0071 0.000434754 0.02085
1196 31/05/2018 7,075 0.00712 0.000405644 0.02014
1197 04/06/2018 7,025 -0.0071 0.000381995 0.01954
1198 05/06/2018 7,200 0.02491 0.000358878 0.01894
1199 06/06/2018 6,975 -0.0313 0.000372491 0.0193
1200 07/06/2018 7,100 0.01792 0.000407683 0.02019
1201 08/06/2018 6,950 -0.0211 0.000398563 0.01996
1202 20/06/2018 6,700 -0.036 0.000392983 0.01982
1203 21/06/2018 6,525 -0.0261 0.000468523 0.02165
1204 22/06/2018 6,550 0.00383 0.000472883 0.02175
1205 25/06/2018 6,625 0.01145 0.00043954 0.02097
1206 26/06/2018 6,625 0.00000 0.00041223 0.0203
1207 27/06/2018 6,550 -0.0113 0.000384617 0.01961
1208 28/06/2018 6,350 -0.0305 0.000366446 0.01914
1209 29/06/2018 6,650 0.04724 0.000397407 0.01994
167
F. KLBF (σ GARCH)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 1,390 -0.03472 0.000737 0.02716
2 02/07/2013 1,440 0.03597 0.000772 0.02779
3 03/07/2013 1,390 -0.03472 0.000784 0.028
4 04/07/2013 1,380 -0.00719 0.000808 0.02843
5 05/07/2013 1,440 0.04348 0.000726 0.02695
6 08/07/2013 1,330 -0.07639 0.000798 0.02824
7 09/07/2013 1,350 0.01504 0.001248 0.03533
8 10/07/2013 1,390 0.02963 0.001104 0.03323
9 11/07/2013 1,430 0.02878 0.001035 0.03216
10 12/07/2013 1,450 0.01399 0.000988 0.03143
11 15/07/2013 1,470 0.01379 0.000897 0.02995
12 16/07/2013 1,450 -0.01361 0.000820 0.02863
13 17/07/2013 1,470 0.01379 0.000735 0.02712
14 18/07/2013 1,500 0.02041 0.000676 0.02599
15 19/07/2013 1,480 -0.01333 0.000652 0.02553
16 22/07/2013 1,470 -0.00676 0.000588 0.02425
17 23/07/2013 1,480 0.00680 0.000527 0.02296
18 24/07/2013 1,420 -0.04054 0.000478 0.02186
19 25/07/2013 1,400 -0.01408 0.000578 0.02404
: : : : : :
1195 30/05/2018 1,370 -0.02491 0.000715 0.02674
1196 31/05/2018 1,370 0 0.000679 0.02605
1197 04/06/2018 1,365 -0.00365 0.000603 0.02457
1198 05/06/2018 1,415 0.03663 0.000539 0.02323
1199 06/06/2018 1,410 -0.00353 0.000609 0.02468
1200 07/06/2018 1,465 0.03901 0.000543 0.02331
1201 08/06/2018 1,360 -0.07167 0.000649 0.02547
1202 20/06/2018 1,315 -0.03309 0.000996 0.03157
1203 21/06/2018 1,250 -0.04943 0.001002 0.03165
1204 22/06/2018 1,310 0.048 0.001174 0.03427
1205 25/06/2018 1,295 -0.01145 0.001174 0.03426
1206 26/06/2018 1,265 -0.02317 0.001054 0.03247
1207 27/06/2018 1,240 -0.01976 0.001001 0.03163
1208 28/06/2018 1,155 -0.06855 0.000946 0.03075
1209 29/06/2018 1,220 0.05628 0.001382 0.03717
168
G. TLKM (σ GARCH)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 2,185 -0.03147 0.000337548 0.01837
2 02/07/2013 2,155 -0.01373 0.000419217 0.02047
3 03/07/2013 2,115 -0.01856 0.000392863 0.01982
4 04/07/2013 2,185 0.03310 0.000402262 0.02006
5 05/07/2013 2,205 0.00915 0.000432039 0.02079
6 08/07/2013 2,185 -0.00907 0.000370948 0.01926
7 09/07/2013 2,205 0.00915 0.000327788 0.0181
8 10/07/2013 2,266 0.02766 0.000289656 0.01702
9 11/07/2013 2,336 0.03089 0.000346445 0.01861
10 12/07/2013 2,376 0.01712 0.000439284 0.02096
11 15/07/2013 2,376 0.00000 0.000434543 0.02085
12 16/07/2013 2,306 -0.02946 0.000370925 0.01926
13 17/07/2013 2,266 -0.01735 0.000391358 0.01978
14 18/07/2013 2,286 0.00883 0.000367326 0.01917
15 19/07/2013 2,336 0.02187 0.000319942 0.01789
16 22/07/2013 2,356 0.00856 0.000334411 0.01829
17 23/07/2013 2,406 0.02122 0.000301643 0.01737
18 24/07/2013 2,366 -0.01663 0.000333117 0.01825
19 25/07/2013 2,346 -0.00845 0.000305988 0.01749
: : : : : :
1195 30/05/2018 3,600 -0.0244 0.000440204 0.02098
1196 31/05/2018 3,520 -0.0222 0.000422306 0.02055
1197 04/06/2018 3,640 0.03409 0.000416496 0.02041
1198 05/06/2018 3,830 0.0522 0.000479478 0.0219
1199 06/06/2018 3,790 -0.0104 0.000771134 0.02777
1200 07/06/2018 3,770 -0.0053 0.000629531 0.02509
1201 08/06/2018 3,610 -0.0424 0.00051789 0.02276
1202 20/06/2018 3,710 0.0277 0.000627053 0.02504
1203 21/06/2018 3,610 -0.027 0.000596814 0.02443
1204 22/06/2018 3,580 -0.0083 0.000578179 0.02405
1205 25/06/2018 3,660 0.02235 0.000492633 0.0222
1206 26/06/2018 3,690 0.0082 0.000457571 0.02139
1207 27/06/2018 3,710 0.00542 0.000391694 0.01979
1208 28/06/2018 3,660 -0.0135 0.000336845 0.01835
1209 29/06/2018 3,750 0.02459 0.000309668 0.01760
169
H. UNTR (σ GARCH)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 17,850 -0.01923 0.001734956 0.04165
2 02/07/2013 17,800 -0.00280 0.001604991 0.04006
3 03/07/2013 16,000 -0.10112 0.001466613 0.0383
4 04/07/2013 17,500 0.09375 0.001944295 0.04409
5 05/07/2013 17,300 -0.01143 0.002176356 0.04665
6 08/07/2013 16,000 -0.07514 0.001986057 0.04457
7 09/07/2013 16,000 0.00000 0.002141383 0.04628
8 10/07/2013 16,700 0.04375 0.001948456 0.04414
9 11/07/2013 16,550 -0.00898 0.001854834 0.04307
10 12/07/2013 17,000 0.02719 0.001695668 0.04118
11 15/07/2013 17,200 0.01176 0.001581034 0.03976
12 16/07/2013 16,800 -0.02326 0.001450865 0.03809
13 17/07/2013 16,550 -0.01488 0.001357038 0.03684
14 18/07/2013 16,500 -0.00302 0.001258382 0.03547
15 19/07/2013 17,100 0.03636 0.001156193 0.034
16 22/07/2013 16,250 -0.04971 0.001126965 0.03357
17 23/07/2013 16,900 0.04000 0.001175797 0.03429
18 24/07/2013 16,300 -0.03550 0.001155113 0.03399
19 25/07/2013 16,150 -0.00920 0.001134893 0.03369
: : : : : :
1195 30/05/2018 36,800 0.01939 0.000600285 0.0245
1196 31/05/2018 35,050 -0.0476 0.000582425 0.02413
1197 04/06/2018 35,750 0.01997 0.000677302 0.02603
1198 05/06/2018 36,500 0.02098 0.000648505 0.02547
1199 06/06/2018 35,475 -0.0281 0.000628253 0.02506
1200 07/06/2018 36,175 0.01973 0.000635301 0.02521
1201 08/06/2018 34,800 -0.038 0.000612594 0.02475
1202 20/06/2018 33,500 -0.0374 0.00066121 0.02571
1203 21/06/2018 33,375 -0.0037 0.000713648 0.02671
1204 22/06/2018 32,975 -0.012 0.000670997 0.0259
1205 25/06/2018 32,800 -0.0053 0.00064408 0.02538
1206 26/06/2018 32,525 -0.0084 0.000609741 0.02469
1207 27/06/2018 32,200 -0.01 0.000582483 0.02413
1208 28/06/2018 31,225 -0.0303 0.00056037 0.02367
1209 29/06/2018 31,600 0.01201 0.000597025 0.02443
170
I. UNVR (σ GARCH)
No Date Closing Price Return Forecasting Variance Volatility
1 01/07/2013 29,550 -0.03902 0.00079017 0.02811
2 02/07/2013 29,950 0.01354 0.000846244 0.02909
3 03/07/2013 28,300 -0.05509 0.00073839 0.02717
4 04/07/2013 28,200 -0.00353 0.000987817 0.03143
5 05/07/2013 29,300 0.03901 0.000866038 0.02943
6 08/07/2013 28,000 -0.04437 0.000851309 0.02918
7 09/07/2013 27,850 -0.00536 0.000958503 0.03096
8 10/07/2013 29,400 0.05566 0.000841456 0.02901
9 11/07/2013 31,650 0.07653 0.000982389 0.03134
10 12/07/2013 31,000 -0.02054 0.001486003 0.03855
11 15/07/2013 31,750 0.02419 0.001284006 0.03583
12 16/07/2013 31,750 0.00000 0.001195378 0.03457
13 17/07/2013 32,900 0.03622 0.001032086 0.03213
14 18/07/2013 33,900 0.03040 0.001074545 0.03278
15 19/07/2013 34,600 0.02065 0.001087556 0.03298
16 22/07/2013 33,000 -0.04624 0.001039598 0.03224
17 23/07/2013 34,000 0.03030 0.001024565 0.03201
18 24/07/2013 34,000 0.00000 0.001000743 0.03163
19 25/07/2013 32,850 -0.03382 0.000865492 0.02942
: : : : : :
1195 30/05/2018 46,550 -0.0117 0.000413064 0.02032
1196 31/05/2018 45,600 -0.0204 0.00037851 0.01946
1197 04/06/2018 45,400 -0.0044 0.000386335 0.01966
1198 05/06/2018 46,800 0.03084 0.000348489 0.01867
1199 06/06/2018 46,200 -0.0128 0.000384372 0.01961
1200 07/06/2018 46,200 0.0000 0.000355848 0.01886
1201 08/06/2018 45,400 -0.0173 0.000315229 0.01775
1202 20/06/2018 44,275 -0.0248 0.00031769 0.01782
1203 21/06/2018 44,200 -0.0017 0.000366856 0.01915
1204 22/06/2018 44,200 0.0000 0.000330575 0.01818
1205 25/06/2018 45,000 0.0181 0.000296508 0.01722
1206 26/06/2018 44,550 -0.01000 0.000284294 0.01686
1207 27/06/2018 44,425 -0.0028 0.000268623 0.01639
1208 28/06/2018 44,550 0.00281 0.000244291 0.01563
1209 29/06/2018 46,100 0.03479 0.000220446 0.01485
171
Lampiran 8 : Matriks Varians-Kovarians
A. Matriks Varian-Kovarian EWMA
VARIANS SAHAM ADRO AKRA BSDE ICBP INDF KLBF TLKM UNTR UNVR
SAHAM BOBOT 0.329 0.000 0.000 0.107 0.000 0.000 0.118 0.266 0.180
ADRO 0.329 0.0001118 0.0000000 0.0000000 0.0000035 0.0000000 0.0000000 0.0000053 0.0000232 0.0000063
AKRA 0.000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000
BSDE 0.000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000
ICBP 0.107 0.0000035 0.0000000 0.0000000 0.0000056 0.0000000 0.0000000 0.0000024 0.0000030 0.0000027
INDF 0.000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000
KLBF 0.000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000
TLKM 0.118 0.0000053 0.0000000 0.0000000 0.0000024 0.0000000 0.0000000 0.0000077 0.0000052 0.0000032
UNTR 0.266 0.0000232 0.0000000 0.0000000 0.0000030 0.0000000 0.0000000 0.0000052 0.0000426 0.0000058
UNVR 0.180 0.0000063 0.0000000 0.0000000 0.0000027 0.0000000 0.0000000 0.0000032 0.0000058 0.0000109
Jumlah 1.00 0.0001501 0.0000000 0.0000000 0.0000171 0.0000000 0.0000000 0.0000238 0.0000798 0.0000290
E(Ri) 0.0010524 0.0000895 0.0001649 0.0004814 0.0000000 0.0000619 0.0005635 0.0007504 0.0004831
E(Rp) 0.000346 0.000000 0.000000 0.000051 0.000000 0.000000 0.000663 0.000200 0.000087
Variance Portofolio 0.000300
Standar Deviasi Port 0.017316
E(Rp) 0.000751
172
B. Matriks Varian-Kovarian GARCH
VARIANS SAHAM AKRA ASII BSDE ICBP INDF KLBF TLKM UNTR UNVR
SAHAM BOBOT 0.000 0.000 0.000 0.066 0.000 0.000 0.314 0.289 0.331
AKRA 0.000 0.0000000 0.0000000 0.0000000 0.0000035 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000
ASII 0.000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000
BSDE 0.000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000
ICBP 0.066 0.0000000 0.0000000 0.0000000 0.0000019 0.0000000 0.0000000 0.0000027 0.0000019 0.0000023
INDF 0.000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000
KLBF 0.000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000
TLKM 0.314 0.0000000 0.0000000 0.0000000 0.0000027 0.0000000 0.0000000 0.0000306 0.0000112 0.0000078
UNTR 0.289 0.0000000 0.0000000 0.0000000 0.0000019 0.0000000 0.0000000 0.0000112 0.0000498 0.0000094
UNVR 0.331 0.0000000 0.0000000 0.0000000 0.0000023 0.0000000 0.0000000 0.0000094 0.0000094 0.0000242
Jumlah 1.00 0.0000000 0.0000000 0.0000000 0.0000088 0.0000000 0.0000000 0.0000539 0.0000722 0.0000437
E(Ri) 0.0000895 0.0001584 0.0001649 0.0004814 0.0001024 0.0000619 0.0005635 0.0007504 0.0004831
E(Rp) 0.000000 0.000000 0.000000 0.000032 0.000000 0.000000 0.000177 0.000217 0.000160
Variance Portofolio 0.000179
Standar Deviasi Port 0.013363
E(Rp) 0.000585
173
LAMPIRAN 9 : KOMBINASI PORTOFOLIO EFISIEN
A. Portofolio Efisien EWMA
Output Solver untuk Memploting Efficient Frontier
No X Axis Y Axis Bobot CAL
(Sharpe) Traynor Jansen
σp E(Rp) ADRO AKRA BSDE ICBP INDF KLBF TLKM UNTR UNVR
1 0.01447 0.000351 0.01085 0.12805 0.02781 0.12386 0.27148 0.00000 0.07097 0.07039 0.29658 0.012233 0.000158 0.000037
2 0.01422 0.000401 0.03378 0.11272 0.00725 0.13772 0.22515 0.00000 0.08351 0.09190 0.30797 0.015964 0.000203 0.000088
3 0.01410 0.000451 0.05800 0.09450 0.00000 0.15033 0.17200 0.00000 0.09417 0.11308 0.31792 0.019652 0.000248 0.000138
4 0.01411 0.000501 0.08284 0.07486 0.00000 0.16215 0.11497 0.00000 0.10391 0.13422 0.32704 0.023169 0.000292 0.000187
5 0.01428 0.000551 0.10770 0.05518 0.00000 0.17412 0.05795 0.00000 0.11351 0.15534 0.33621 0.026410 0.000335 0.000237
6 0.01457 0.000601 0.13258 0.03550 0.00000 0.18607 0.00094 0.00000 0.12316 0.17641 0.34533 0.029298 0.000378 0.000286
7 0.01508 0.000651 0.18195 0.00000 0.00000 0.17487 0.00000 0.00000 0.12686 0.20352 0.31280 0.031639 0.000417 0.000335
8 0.01599 0.000701 0.25556 0.00000 0.00000 0.14058 0.00000 0.00000 0.12181 0.23510 0.24694 0.032952 0.000457 0.000384
9 0.01732 0.000751 0.32902 0.00000 0.00000 0.10565 0.00000 0.00000 0.11838 0.26629 0.18066 0.033317 0.000497 0.000432
10 0.01897 0.000801 0.40269 0.00000 0.00000 0.07096 0.00000 0.00000 0.11414 0.29772 0.11449 0.033057 0.000536 0.000481
11 0.02086 0.000851 0.47628 0.00000 0.00000 0.03632 0.00000 0.00000 0.10990 0.32910 0.04840 0.032449 0.000575 0.000530
12 0.02295 0.000901 0.55471 0.00000 0.00000 0.00000 0.00000 0.00000 0.09061 0.35467 0.00000 0.031679 0.000614 0.000579
174
B. Portofolio Efisien GARCH
Output Solver untuk Memploting Efficient Frontier
No X Axis Y Axis Bobot CAL
(Sharpe) Traynor Jansen
σp E(Rp) AKRA ASII BSDE ICBP INDF KLBF TLKM UNTR UNVR
1 0.014437 0.000185 0.21325 0.22925 0.03886 0.00000 0.33458 0.00000 0.00000 0.00000 0.18406 0.000762 0.000009 -0.000137
2 0.013625 0.000235 0.18939 0.19393 0.02346 0.00000 0.28037 0.00000 0.04480 0.00000 0.26805 0.004477 0.000052 -0.000084
3 0.012984 0.000285 0.16635 0.15712 0.00602 0.01954 0.23079 0.00000 0.10186 0.00000 0.31833 0.008549 0.000097 -0.000032
4 0.012523 0.000335 0.140930 0.116340 0.000000 0.045080 0.176720 0.000000 0.155380 0.000000 0.365540 0.012856 0.000142 0.000020
5 0.012249 0.000385 0.117750 0.077970 0.000000 0.064550 0.128450 0.000000 0.189570 0.027380 0.394340 0.017226 0.000188 0.000071
6 0.012132 0.000435 0.095360 0.040630 0.000000 0.082650 0.082060 0.000000 0.219250 0.061250 0.418790 0.021513 0.000233 0.000122
7 0.012175 0.000485 0.072980 0.003300 0.000000 0.100760 0.035670 0.000000 0.248940 0.095110 0.443240 0.025543 0.000279 0.000172
8 0.012420 0.000535 0.021290 0.000000 0.000000 0.111160 0.000000 0.000000 0.277380 0.142760 0.447420 0.029067 0.000320 0.000220
9 0.013363 0.000585 0.000000 0.000000 0.000000 0.065800 0.000000 0.000000 0.314290 0.288700 0.331210 0.030790 0.000355 0.000267
10 0.015537 0.000635 0.000000 0.000000 0.000000 0.003980 0.000000 0.000000 0.352510 0.462260 0.181260 0.029670 0.000387 0.000313
11 0.018612 0.000685 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.349930 0.650070 0.000000 0.027455 0.000418 0.000359
12 0.022878 0.000735 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.082490 0.917510 0.000000 0.024521 0.000446 0.000404
175
LAMPIRAN 10 : PERHITUNGAN RISK FREE (RF)
No Bulan
Tahun
2013 2014 2015 2016 2017 2018
SBI
Bulanan
Rata-
Rata
SBI
Bulanan
Rata-
Rata
SBI
Bulanan
Rata-
Rata
SBI
Bulanan
Rata-
Rata
SBI
Bulanan
Rata-
Rata
SBI
Bulanan
Rata-
Rata
1 Januari - - 7.50 0.0208 7.75 0.0215 7.25 0.0201 4.75 0.0132 4.25 0.01181
2 Februari - - 7.50 0.0208 7.50 0.0208 7.00 0.0194 4.75 0.0132 4.25 0.01181
3 Maret - - 7.50 0.0208 7.50 0.0208 6.75 0.0188 4.75 0.0132 4.25 0.01181
4 April - - 7.50 0.0208 7.50 0.0208 6.75 0.0188 4.75 0.0132 4.25 0.01181
5 Mei - - 7.50 0.0208 7.50 0.0208 6.75 0.0188 4.75 0.0132 4.50 0.01250
6 Juni - - 7.50 0.0208 7.50 0.0208 6.50 0.0181 4.75 0.0132 4.75 0.01319
7 Juli 6.50 0.0181 7.50 0.0208 7.50 0.0208 6.50 0.0181 4.75 0.0132 - -
8 Agustus 7.00 0.0194 7.50 0.0208 7.50 0.0208 5.25 0.0146 4.50 0.0125 - -
9 September 7.25 0.0201 7.50 0.0208 7.50 0.0208 5.00 0.0139 4.25 0.0118 - -
10 Oktober 7.25 0.0201 7.50 0.0208 7.50 0.0208 4.75 0.0132 4.25 0.0118 - -
11 November 7.50 0.0208 7.75 0.0215 7.50 0.0208 4.75 0.0132 4.25 0.0118 - -
12 Desember 7.50 0.0208 7.75 0.0215 7.50 0.0208 4.75 0.0132 4.25 0.0118 - -
Rata-Rata Risk
Free/hari 0.000174
176
LAMPIRAN 11 : HASIL UJI REGRESI LINIER SEDERHANA
A. ADRO
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) .001 .001 1.025 .306
IHSG 1.139 .084 .364 13.567 .000
a. Dependent Variable: ADRO
B. AKRA
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) -8.652E-5 .001 -.141 .888
IHSG .884 .064 .370 13.850 .000
a. Dependent Variable: AKRA
C. ASII
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) .000 .000 -.307 .759
IHSG 1.455 .045 .685 32.621 .000
a. Dependent Variable: ASII
177
D. BSDE
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) .000 .001 -.326 .745
IHSG 1.657 .053 .670 31.323 .000
a. Dependent Variable: BSDE
E. ICBP
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) .000 .000 .595 .552
IHSG 1.082 .047 .556 23.215 .000
a. Dependent Variable: ICBP
F. INDF
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) .000 .000 -.298 .766
IHSG 1.183 .047 .590 25.366 .000
a. Dependent Variable: INDF
178
G. KLBF
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) .000 .000 -.367 .714
IHSG 1.182 .049 .568 23.968 .000
a. Dependent Variable: KLBF
H. TLKM
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) .000 .000 .903 .367
IHSG 1.138 .039 .644 29.256 .000
a. Dependent Variable: TLKM
I. UNTR
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) .000 .001 .823 .411
IHSG 1.268 .063 .501 20.112 .000
a. Dependent Variable: UNTR