model dan peramalan volatilitas saham sektor …
TRANSCRIPT
MODEL DAN PERAMALAN VOLATILITAS SAHAM SEKTOR
INFRASTRUKTUR, UTILITAS DAN TRANSPORTASI
Oleh:
Eni Sutrieni
NIM: 11160810000012
PROGRAM STUDI MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UIN SYARIF HIDAYATULLAH JAKARTA
2021
i
MODEL DAN PERAMALAN VOLATILITAS SAHAM SEKTOR
INFRASTRUKTUR, UTILITAS DAN TRANSPORTASI
Skripsi
Diajukan kepada Fakultas Ekonomi dan Bisnis
Untuk Memenuhi Syarat-syarat untuk Meraih Gelar Sarjana Ekonomi
Oleh
Eni Sutrieni
NIM : 11160810000012
Di Bawah Bimbingan
Faizul Mubarok, M.M
NIDN. 2014058801
JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
1441 H/2021 M
ii
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF
Hari ini, Kamis 8 April 2020 telah dilaksanakan Ujian Komprehensif atas
mahasiswa:
1. Nama : Eni Sutrieni
2. NIM : 11160810000012
3. Jurusan : Manajemen
4. Judul Skripsi : Model dan Peramalan Volatilitas Return Saham
Sektor Infrastruktur, Utilitas dan Transportasi
Setelah mencermati dan memperhatikan penampilan dan kemampuan yang
bersangkutan selama proses ujian komprehensif, maka diputuskan bahwa
mahasiswa tersebut di atas dinyatakan LULUS dan diberi kesempatan untuk
melanjutkan ke tahap Ujian Skripsi sebagai salah satu sayarat untuk memperoleh
gelar Sarjana Ekonomi pada Jurusan Manajemen Fakultas Ekonomi dan Bisnis
Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Jakarta, 8 April 2020
1. Murdiyah Hayati, S.Kom.,MM (______________________)
NIDN. 197410032003122001 Penguji I
2. Deni Pandu Nugraha, M.Sc. (______________________)
NIDN.201208503 Penguji II
iii
LEMBAR PENGESAHAN UJIAN SKRIPSI
Hari ini, Selasa 23 Februari 2021 telah dilakukan Ujian Skripsi atas mahasiswa:
1. Nama : Eni Sutrieni
2. NIM : 11160810000012
3. Jurusan : Manajemen
4. Judul Skripsi : Model dan Peramalan Volatilitas Return Saham Sektor
Infrastruktur, Utilitas dan Transportasi
Setelah mencermati dan memperhatikan penampilan dan kemampuan yang
bersangkutan selama ujian Skripsi, maka diputuskan bahwa mahasiswa tersebut di
atas dinyatakan LULUS dan skripsi ini diterima sebagai salah satu syarat untuk
memperoleh gelar Sarjana Ekonomi pada Fakultas Ekonomi dan Bisnis
Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Jakarta, 23 Februari 2021
1. Murdiyah Hayati, S.Kom.,MM (______________________)
NIP. 197410032003122001 Ketua
2. Dr. Faizul Mubarok, MM (______________________)
NIDN: 2014058801 Pembimbing I
3. Dr. Indo Yama Nasarudin, SE., M.A.B (______________________)
NIP: 197411272001121002 Penguji Ahli
iv
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH
Yang bertanda tangan di bawah ini:
Nama : Eni Sutrieni
NIM : 11160810000012
Jurusan : Manajemen
Fakultas : Ekonomi dan Bisnis
Dengan ini menyatakan bahwa dalam penulisan skripsi ini, saya:
1. Tidak menggunakan ide orang lain tanpa mampu mengembangkan
dan mempertanggungjawabkan.
2. Tidak melakukan plagiasi terhadap naskah karya orang lain.
3. Tidak menggunakan karya orang lain tanpa menyebutkan sumber
asli atau tanpa izin pemilik karya.
4. Tidak melakukan pemanipulasian dan pemalsuan data.
5. Mengerjakan sendiri karya ini dan mampu bertanggung jawab atas
karya ini.
Jikalau di kemudian 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 ini, maka saya siap
dikenai sanksi berdasarkan aturan yang berlaku di Fakultas Ekonomi dan Bisnis
Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Demikian pernyataan ini saya buat dengan sesungguhnya.
Jakarta, 23 Februari 2021
Yang, Menyatakan
( Eni Sutrieni )
v
DAFTAR RIWAYAT HIDUP
I. IDENTITAS PRIBADI
1. Nama Lengkap : Eni Sutrieni
2. Tempat, tanggal lahir : Tangerang 5 maret 1998
3. Alamat : Jl Panglima Polim no 67 RT 001 RW 002 Poris
Plawad Utara, Cipondoh, Banten
4. Telepon : 081294708883
5. Email : [email protected]
II. PENDIDIKAN FORMAL
2004 – 2010 : SDN Tanah Tinggi 7 Tangerang
2010 – 2013 : SMPN 4 Tangerang
2013 – 2016 : SMAN 14 Tangerang
III. LATAR BELAKANG KELUARGA
1. Ayah : Refiman
2. Ibu : Suwarni
6. Alamat : Jl Panglima Polim nomor 67 RT 001 RW 002
Poris Plawad Utara, Cipondoh, Banten
vi
Abstract
The purpose of this research is to model the volatility of stocks in the
infrastructure, utility and transportation sectors using the Generalized
Autorefressive Conditional Heteroskedasticity (GARCH) model and the
Tsholders Generalized Autorefressive Conditional Heteroskedasticity (E-
GARCH) asymmetry model. and predict. This study uses monthly data from
January 2014 to February 2020. The results show that volatility is influenced by
the error and volatility of the previous period. The infrastructure, utilities and
transportation sectors as a whole do not have a leverage effect which indicates that
the negative effect (bad news) is higher than the positive effect (good news)
which affects volatility. Forecasting results based on the best model show the
Generalized Autorefressive Conditional Heteroskedasticity (GARCH) model is
superior to the Tsholders Generalized Autorefressive Conditional
Heteroskedasticity (T-ARCH) model and Exponential Generalized Autorefressive
Conditional Heteroskedasticity (EGARCH)..
Keywords: volatility, Stock Returns, GARCH, Forecast
vii
Abstrak
Tujuan dari dilakukan penelitian ini adalah untuk memodelkan volatilitas pada
saham sektor infrastruktur, utilitas dan transportasi menggunakan model
Generalized Autorefressive Conditional Heteroskedasticity (GARCH) dan
asimetri model Tsholders Generalized Autorefressive Conditional
Heteroskedasticity (T-ARCH) dan Exponential Generalized Autorefressive
Conditional Heteroskedasticity (E-GARCH) dan meramalkan. Penelitian ini
menggunakkan data bulanan dari Januari 2014 hingga Februari 2020. Hasil
menunjukan bahwa volatilitas dipengaruhi error dan volatilitas periode
sebelumnya. Sektor infrastruktur, utilitas dan transportasi secara keseluruhan tidak
memiliki efek leverage yang mengindikasikan dampak efek negatif (bad news)
lebih tinggi di bandingkan efek positif (good news) yang mempengaruhi
volatilitas. Hasil peramalan berdasarkan model terbaik menunjukkan model
Generalized Autorefressive Conditional Heteroskedasticity (GARCH) lebih
unggul dibanding dengan model Tsholders Generalized Autorefressive
Conditional Heteroskedasticity (T-ARCH) dan Exponential Generalized
Autorefressive Conditional Heteroskedasticity (EGARCH).
Keywords: Volatilitas, Return Saham, GARCH, Peramalan
viii
KATA PENGANTAR
Segala puji syukur kepada Allah SWT yang telah limpahkan rahmat dan
nikmat-Nya kepada kita semua. Shalawat serta salam tercurahkan kepada
suritauladan kita Nabi Besar Muhammad SAW yang telah membawa ajaran Islam
hingga sampai kepada kita semua, semoga kita termasuk umatnya kelak mendapat
Syafa’at dihari akhir nanti.
Alhamdulillahirobbil’alamin dengan pertolongan Allah SWT akhirnya
penulis dapat meyelesaikan skripsi ini yang berjudul “Model dan Peramalan
Volatilitas Saham Sektor Infrastruktur, utilitas dan transportasi” dan penulis
menyadari hasil skripsi ini masih jauh dari sempurna. Penulis mengucapkan
terima kasih yang sebesar- besarnya kepada
1. Allah SWT yang selalu melimpahkan berkah dan Nikmat-Nya
kepada penulis serta memberi kemudahaan dan kelancaran dalam
menyelesaikan penulisan skripsi ini.
2. Kepada orang tua kandung penulis tercinta, yang memberikan
dukungan moral maupun materil, kasih sayang, nasihat dan doa.
3. Bapak Dr. Amilin, SE, M.si, AK, CA, BKP,QIA selaku Dekan
Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta
4. Ibu Murdiyah Hayati, S.kom, MM, selaku Ketua Jurusan
Manajemen dan ibu Amelia, SE, MSM, selaku Seketaris jurusan
Manajeman Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah
Jakarta
5. Bapak Faizul Mubarok, MM selaku Dosen Pembimbing Skripsi
yang telah meluangkan waktu, arahan dan masukkan, nasihat yang
sangat berharga selama penulisan skripsi ini.
6. Bapak Bahrul Yaman S.Sos., M.Si selaku Dosen Pembimbing
Akademik yang telah meluangkan waktu dan nasihat yang sangat
berharga selama perkulian.
ix
7. Seluruh Bapak/ ibu Dosen fakultas Ekonomi dan Bisnis
Universitas Islam Negeri Syarif Hidayatullah Jakarta yang telah
memberikan wawasan dan ilmu yang berharga dan bermanfaat bagi
penulis.
8. Tiara Adelia, Mita, Alsa, Salwa, Wiwi, Winda, Indri, Fatur dan
Brian serta teman- teman Manajemen 2016 penulis yang telah
mewarnai selama perkuliahan berlangsung.
Jakarta,1 November 2020
Eni Sutrieni
NIM: 11160810000012
x
DAFTAR ISI
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 ........................................................................................................... x
DAFTAR TABEL ................................................................................................ xiii
DAFTAR GAMBAR ........................................................................................... xiv
LAMPIRAN .......................................................................................................... xv
BAB I PENDAHULUAN ....................................................................................... 1
A. Latar Belakang ............................................................................................ 1
B. Batasan Masalah .......................................................................................... 9
C. Rumusan Masalah ..................................................................................... 10
D. Tujuan Penelitian ....................................................................................... 10
E. Manfaat Penelitian ..................................................................................... 10
BABII TINJAUAN PUSTAKA ............................................................................ 12
A. Teori –Teori Terkait Penelitian ................................................................. 12
1. Investasi .................................................................................................. 12
2. Pasar Modal ............................................................................................ 16
3. Saham ...................................................................................................... 22
4. Indeks Harga Saham ............................................................................... 28
5. Return ...................................................................................................... 31
6. Hipotesis Pasar Efisien ........................................................................... 32
7. Volatilitas ................................................................................................ 33
B. Penelitian Terdahulu ................................................................................. 36
C. Kerangka Pemikiran .................................................................................. 57
xi
D. Hipotesis .................................................................................................... 58
BAB III METODOLOGI PENELITIAN.............................................................. 59
A. Populasi Dan Sampel ............................................................................... 59
B. Data dan Sumber Data ............................................................................... 61
C. Metode Pengumpulan Data ....................................................................... 61
D. Metode Analisis Data ................................................................................ 62
1. Analisis Deskriptif Data .......................................................................... 62
2. Return ...................................................................................................... 62
3. Uji Stasioneritas ..................................................................................... 63
4. Estimasi Parameter ARIMA ................................................................... 64
5. Pemilihan Model GARCH ...................................................................... 68
6. Pemilihan Model Tsholder Generalized Autoregressive Conditional
Heteroscedasticity (T-ARCH) ................................................................ 70
7. Pemilihan Model Exponential Generalized Autoregressive Conditional
Heteroscedasticity (E-GARCH) ............................................................. 72
8. Peramalan (forecasting) .......................................................................... 74
BAB IV TEMUAN PENELITIAN DAN PEMBAHASAN ................................. 75
A. Temuan Hasil Penelitian ........................................................................... 75
1. Analisis Deskriptif Return Saham .......................................................... 78
2. Uji Stasioneritas Data ............................................................................ 79
3. Estimasi Parameter ARIMA ................................................................... 80
4. Estimasi Parameter Generalized Autoregressive Conditional
Heteroskedasticity (GARCH) ................................................................. 86
a. Estimasi model GARCH ........................................................................ 86
b.Pemilihan Model Terbaik ....................................................................... 87
c. Evaluasi Model ....................................................................................... 88
5. Estimasi model Tsholders Generalized Autorefressive Conditional
Heteroskedasticity (TARCH).................................................................. 90
a. Estimasi model T-ARCH ....................................................................... 90
b.Pemilihan Model Tsholders Generalized Autorefressive Conditional
Heteroskedasticity (T-ARCH) terbaik .................................................... 91
c. Evaluasi Model TARCH ........................................................................ 93
6. Estimasi Model Exponential Generalized Autorefressive Conditional
Heteroskedasticity (EGARCH) ................................................................. 94
xii
a. Estimasi model EGARCH ...................................................................... 94
b.Pemilihan Model EGARCH ................................................................... 95
c. Evaluasi Model EGARCH ..................................................................... 97
7. Pemilihan Model Terbaik Untuk Peramalan........................................... 97
8. Peramalan ................................................................................................ 99
B. PEMBAHASAN ..................................................................................... 100
1. Analisis Deskriptif Return Saham ........................................................ 100
2. Uji Stasioneritas Data .......................................................................... 101
3. Estimasi Parameter ARIMA ................................................................. 101
4. Estimasi parameter Generalized Autoregressive Conditional
Heteroskedasticity (GARCH) ............................................................... 102
5. Estimasi model Tsholders Generalized Autorefressive Conditional
Heteroskedasticity (TARCH)................................................................ 105
6. Estimasi Model Exponential Generalized Autorefressive Conditional
Heteroskedasticity (EGARCH) ............................................................... 109
7. Pemilihan Model Terbaik Untuk Peramalan......................................... 113
8. Peramalan .............................................................................................. 114
BAB V SIMPULAN DAN SARAN ................................................................... 119
A. Simpulan .................................................................................................. 119
B. Saran ........................................................................................................ 120
DAFTAR PUSTAKA ......................................................................................... 122
LAMPIRAN ........................................................................................................ 125
Xiii
DAFTAR TABEL
Tabel 2. 1 Penelitian Terdahulu ............................................................................ 36
Tabel 3. 1 Kreteria Penentuan Sampel .................................................................. 60
Tabel 3. 2 Daftar Sampel Emiten Saham Sektor Infrastruktur, Utilitas dan
Transportasi Periode 2014-2020 ........................................................................... 60
Tabel 3. 3 Pola Data ACF dan PACF (Fungsi Autokorelasi Parsial) ................... 65
Tabel 4. 1 Deskriptif dari Return Saham ............................................................. 78
Tabel 4. 2 Hasil Uji Augmented Dickey-Fuller (ADF) ....................................... 80
Tabel 4. 3 Estimasi Model ARIMA ..................................................................... 84
Tabel 4. 4 Uji ARCH -Lagrange Multiplier ........................................................ 85
Tabel 4. 5 Estimasi Model GARCH .................................................................... 86
Tabel 4. 6 Hasil Model ARCH GARCH .............................................................. 87
Tabel 4. 7 Hasil Test Diagnostik Terhadap Model .............................................. 89
Tabel 4. 8 Estimasi Model T-ARCH.................................................................... 90
Tabel 4. 9 Hasil Model T-ARCH ......................................................................... 91
Tabel 4. 10 Uji ARCH Lagrange Mutiplier T-ARCH ......................................... 93
Tabel 4. 11 Estimasi Model E-GARCH ............................................................... 94
Tabel 4. 12 Hasil Model E-GARCH .................................................................... 95
Tabel 4. 13 Uji ARCH Lagrange Multiplier EGARCH ...................................... 97
Tabel 4. 14 Model Terbaik Peramalan ................................................................. 97
xiv
DAFTAR GAMBAR
Gambar 1. 1 Realisasi Investasi Penanaman Modal ............................................... 1
Gambar 1. 2 Perkembangan Produk Domestik Bruto ............................................ 2
Gambar 1. 3 Volume Perdagangan Sektor Infrastruktur, Utilitas dan Transportasi 3
Gambar 1. 4 Harga Saham Sektor Infrastruktur, Utilitas dan Transportasi ............ 4
Gambar 1. 5 Daya Saing Infrastruktur di ASEAN .................................................. 5
Gambar 1. 6 Volatilitas Sektor Infrastruktur, Utilitas dan Trasportasi ................... 7
Gambar 4. 1Grafik Data Bulanan dan Data Return Bulanan ................................ 77
Gambar 4. 2 Correlogram Return Saham ............................................................. 83
Gambar 4. 3 Peramalan Volatilitas Return ........................................................... 99
xiv
xv
LAMPIRAN
Lampiran 1:Sampel Data Penelitian................................................................... 125
Lampiran 2: Output Eviews ............................................................................... 135
Lampiran 3: Output Uji Stasioneritas ............................................................... 139
Lampiran 4: Output Model ARIMA .................................................................. 142
Lampiran 5: Output Uji ARCH-LM .................................................................. 148
Lampiran 6: Estimasi Model GARCH ............................................................... 150
Lampiran 7: Estimasi Model T-ARCH .............................................................. 169
Lampiran 8: Estimasi E-GARCH MIRA ........................................................... 189
1
BAB I
PENDAHULUAN
A. Latar Belakang
Investasi merupakan syarat mutlak dalam pembangunan nasional.
Pembangunan ekonomi suatu negara memerlukan dana investasi yang besar
(Firdaus, 2020:133). Salah satu tujuan investasi yaitu untuk memperoleh imbal
hasil pada masa yang akan datang (Bodie, dkk., 2014:1).
Gambar 1. 1 Realisasi Investasi Penanaman Modal
Dari data diatas menunjukkan bahwa perkembangan investasi penanaman
modal di Indonesia terdiri dari, penanaman modal dalam negeri dan penanaman
modal asing. Investasi penanaman modal dalam negeri setiap tahunnya
mengalami peningkatan. Penanaman modal adalah langkah awal dalam
meningkatkan pembangunan. Pembangunan yang baik akan meningkatkan
pertumbuhan ekonomi negara (Humaini, dkk., 2017).
Investasi penanaman modal dapat dilakukan salah satunya yaitu, pasar modal
dalam arti sempit adalah suatu tempat yang terorganisasi di mana efek- efek
0
50000
100000
150000
200000
250000
300000
350000
400000
450000
2014 2015 2016 2017 2018 2019 2020
2
diperdagangkan yang disebut bursa efek. Bursa efek atau stock exchange adalah
suatu sistem yang terorganisasi yang mempertemukan penjual dan pembeli efek
yang dilakukan baik secara langsung maupun wakil- wakilnya (Siamat,
2005:487).
Pasar modal terdapat berbagai jenis- jenis efek yang diperdagangkan salah
satunya yaitu saham. Dalam memilih saham investor sering kali menggunakan
indeks harga saham sebagai indikator membeli atau menjual saham (Sari, dkk.,
2017). Indeks harga saham terdapat berbagai indeks saham salah satunya indeks
harga saham sektoral. Menurut Bursa Efek Indonesia terdapat sembilan (9) sektor
yang berdasarkan klasifikasi industri yang ditetapkan oleh Bursa Efek Indonesia
yang disebut Jakarta Industrial Classification (JASICA). Salah satu sektor yang
digunakan pada penelitian ini yaitu sektor infrastruktur, utilitas dan transportasi
(Halim, 2015:24).
Gambar 1. 2 Perkembangan Produk Domestik Bruto
-3.0%
-2.0%
-1.0%
0.0%
1.0%
2.0%
3.0%
4.0%
5.0%
6.0%
2014 2015 2016 2017 2018 2019 2020
PDB
3
Infrastruktur merupakan roda penggerak pertumbuhan ekonomi
(www.bappenas.go.id). Menurut Word Bank (1994) elastisitas PDB (Produk
Domestik produk Bruto) terhadap infrastruktur di suatu negara antara 0.07
samapi dengan 0.44. Hal ini mengindikasikan kenaikan 1 (satu) persen
ketersedian infrastruktur akan menyebabkan pertumbuhan PDB sebsar 7% sampai
44 % secara empiris menunjukkan bahwa pembangunan infrastruktur berpengaruh
terhadap pertumbuhan ekonomi.
Dalam menanamkan modalnya, investor dapat memiliki pertimbangan dalam
memilih pasar modal salah satunya yaitu melihat volume perdagangan. Volume
perdagangan merupakan jumlah saham yang diperdagangkan dihari tertentu yang
digunakan untuk melihat reaksi pasar modal terhadap informasi volume saham
yang diperdagangkan.
Gambar 1. 3 Volume Perdagangan Sektor Infrastruktur, Utilitas dan
Transportasi
Dari data diatas volume perdagangan disektor infrastruktur utilitas dan
transportasi pada tahun 2014 mengalami kenaikan, kemudian pada tahun 2015
0
5E+09
1E+10
1.5E+10
2E+10
2.5E+10
3E+10
2014 2015 2016 2017 2018 2019 2020
4
mengalami penurunan dikarenakan adanya pertumbuhan ekonomi yang melambat
dan harga minyak yang jatuh sehingga harga saham di sektor infrastruktur utilitas
dan transportasi mengalami penurunan, kemudian tahun 2016 mengalami
kenaikan sampai tahun berikutnya. Volume perdagangan yang tinggi di pasar
modal akan menunjukan bahwa saham tersebut dinikmati oleh investor sehingga
volume yang besar menunjukan bahwa tingkat pengembalian tinggi pula.
Gambar 1. 4 Harga Saham Sektor Infrastruktur, Utilitas dan Transportasi
Pada gambar 1.4 harga saham disektor infrastruktur, utilitas dan
transportasi mengalami fluktuasi. Harga penutupan yang berbah –ubah dapat
terjadi karena faktor internal dan eksternal. Faktor internal penyebab fluktuasi
harga penutupan saham yaitu berhubungan dengan perusahaan emiten saham yang
bersangkutan. Selain itu dari faktor eksternal seperti guncangan pasar saham
0
200
400
600
800
1000
1200
1400
2014 2015 2016 2017 2018 2019 2020
5
asing, faktor -faktor makroekonomi seperti nilai tukar dan suku bunga, serta
adanya isu-isu yang sedang berkembang (Sari, dkk., 2017).
Pada tahun 2014 pemerintah Indonesia secara aktif mengembangkan
sektor infrastruktur, utilitas, maupun transportasi untuk mengejar ketertinggalan
negara lain dan mengakselerasi roda perekonomian Indonesia.
Gambar 1. 5 Daya Saing Infrastruktur di ASEAN
Pada gambar diatas menurut Word Forum Economic, Indonesia menduduki
peringkat 72 di dunia dalam daya saing infrastruktur. Dari data tersebut
indonenesia mengalami peningkatan daya saing infrastruktur pada tahun
sebelumnya (Schwab, 2019). Peningkatan infrastruktur, utilitas, maupun
transportasi dapat mendongkrak perekonomian suatu negara jika dikelola dengan
tepat. Dengan demikian, pergerakan saham beberapa perusahaan di sektor ini juga
dipengaruhi oleh dampaknya terhadap pasar modal sehingga berdampak pada
nilai saham di sektor infrastruktur, utilitas, dan transportasi di Indonesia. Oleh
0
20
40
60
80
100
120
brunai indonesia malaysia philipine singapura thailand vietnam laos
6
karena itu peneliti ingin melihat dampak berita atau informasi tersebut terhadap
volatilitas dipasar saham sektor infratruktur, utilitas dan transportasi.
Dalam hipotesis pasar efisien memprediksi bahwa pasar akan memberikan
respon pasar positif untuk berita baik, dan respon negatif untuk berita buruk.
Respon pasar tersebut tercemin dari return tak normal positif (berita baik) dan
return tak normal negatif (berita buruk) (Lin, 2018). Salah satu fenoma informasi
yang dapat menyebabkan informasi asimetris yaitu pemilihan presiden dalam hal
ini pemerintah yang membuat kebijakan yang akan berdampak pada pasar modal.
Berinvestasi pada pasar saham sering dihadapkan dengan resiko yang tinggi
karena harga saham bersifat fluktuatif dan stokastik (Sari, dkk., 2017). Oleh
karena itu arus informasi menjadi sangat penting dalam membantu investor dalam
mengambil keputusan. Semakin banyak informasi yang diperoleh maka akan
semakin kecil tingkat resiko yang ditanggung (Raneo & Muthia, 2019). Teori
yang berkaitan dengan pengukuran resiko adalah volatilitas.
7
-.20
-.15
-.10
-.05
.00
.05
.10
.15
.20
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
VOLATILITASRETURN_JKINFA
Gambar 1. 6 Volatilitas Sektor Infreastruktur, Utilitas dan Trasportasi
Pada gambar 1. 6 return sektor infrastruktur, utilitas dan transportasi
terdapat adanya volatilitas. Volatilitas secara bahasa yaitu, suatu kondisi dimana
data bergerak naik turun, kadang secara ekstrim. Tingkat volatilitas yang tinggi
menunjukan resiko yang tinggi dan juga tingkat return yang tinggi (Raneo &
Muthia, 2019).
Volatilitas pasar saham sangat penting bagi praktisi pasar dan pembuat
kebijakan, terutama untuk negara-negara berkembang. Praktisi prihatin dengan
volatilitas pasar saham karena hal itu mempengaruhi harga aset dan risiko (Tahir,
dkk., 2016). Pasar yang volatile akan menyulitkan perusahaan untuk menaikan
modalnya dipasar modal karena mempunyai tingkat ketidak pastiaan yang
semakin tinggi dari return saham yang diperoleh (Sari, dkk., 2017).
8
Dalam konsep volatilitas, volatilitas merupakan fluktuasi dari data deret
waktu. Data deret waktu (time series) merupakan sekumpulan data berupa angka
yang didapat dalam suatu periode tertentu. Pada data finansial, data deret waktu
berfluktuasi secara cepat dari waktu ke waktu sehingga memiliki varians yang
tidak konstan atau heterogen. Hal ini menyebabkan prediksi pergerakan volatilitas
menjadi sulit. Oleh karena itu, dikembangkan beberapa model pendekatan untuk
mengukur volatilitas (Ningshi, dkk., 2019).
Pada tahun 1982 robert F. Engle memperkenalkan model Autoregressive
Conditional Heteroscedasticity (ARCH) yang digunakan untuk mengatasi
keheterogenan varians. Namun, karena data finansial memiliki volatilitas yang
sangat tinggi sehingga model ARCH memerlukan model variansnya. Pada tahun
1986 Bollerslev menyempurnakan model ARCH menjadi model Generalized
Autoregressive Conditional Heteroscedasity (GARCH). Model Generalized
Autoregressive Conditional Heteroscedasity (GARCH) memiliki respons
volatilitas yang simetris terhadap guncangan positif (good news) maupun
guncangan negatif (bad news). Namun, dalam beberapa kasus terdapat respons
volatilitas yang bersifat asimetris (leverage effect), sehingga model Generalzed
Autoregressive Conditional Heteroscedasity (GARCH) dikembangkan dengan
mengakomodasikan adanya respons volatilitas yang bersifat asimetris, yaitu
model Exponential Generalzed Autoregressive Conditional Heteroscedasity (E-
GARCH) oleh Nelson tahun 1991 dan model Threshold Generalized
Autoregressive Conditional Heteroscedasticity (TGARCH) oleh Zakoian tahun
1994.
9
Penelitian terkait permodelan dan peramalan volatilitas sebelumnya telah
dilakukan oleh Lin, (2018) pada Indeks saham dibursa saham Shanghai. Fang,
dkk.,(2020), Aliyev, dkk., (2020) dan Herwartz, (2017) pada bursa saham di
Amerika Serikat. Birău, dkk., (2015) pada bursa saham di India. Alexandrou dkk.,
(2011) pada bursa saham di Eropa. Chuang, dkk., (2012) pada pasar saham Asia.
Prasad, dkk., (2020) pada bursa efek Australia. Sarwar, dkk., (2020) harga minyak
pada pasar saham Asia. Sharma, (2015) pada pasar saham di 16 negara didunia.
Sari dkk., (2017) pada saham empat negara di Asia. Raneo dan Muthia, (2019)
pada pasar Bursa Efek Indonesia. (Ningshi, dkk., 2019) pada Indeks Saham LQ45
Berdasarkan penilitian yang pernah dilakukan, belum ada melakukan
penelitian mengenai volatilitas yang terdapat pada sektor infrastruktur, utilitas dan
transportasi di Indonesia. Untuk itu, penelitian ini dilakukan untuk mengisi gap
yang ada dengan melakukan penelitian mengenai “Model dan Peramalan
Volatilitas Saham Pada Sektor Infrastruktur, Utilitas dan Transportasi”.
B. Batasan Masalah
Berdasarkan latar belakang yang telah diuraikan, agar penelitian ini lebih terarah
maka peneliti menetapkan batasan masalah sebagai berikut:
1. Model dan peramalan volatilitas saham menggunakan model Generalzed
Autoregressive Conditional Heteroscedasity (GARCH), Thresholder
Generalzed Autoregressive Conditional Heteroscedasity (T-GARCH) dan
Exponential Generalzed Autoregressive Conditional Heteroscedasity
(EGARCH)
10
2. Penilitian ini menggunakan data return sektor infrastruktur, utilitas dan
transportasi tahun 2014 hingga 2020.
C. Rumusan Masalah
Adapun permasalahan yang akan dibahas dalam penelitian ini adalah:
1. Bagaimana permodelan volatilitas return saham sektor infrastruktur, utilitas
dan transportasi dengan menggunakan model Generalzed Autoregressive
Conditional Heteroscedasity (GARCH)?
2. Bagaimana hasil permalan nilai volatilitas return saham sektor infrastruktur,
utilitas dan transportasi?
D. Tujuan Penelitian
Adapun tujuan yang dicapai dalam penelitian ini adalah :
1. Untuk menganalisis permodelan volatilitas saham sektor infrastruktur,
utilitas dan transportasi dengan menggunakan model Generalized
Autoregressive Conditional Heteroscedasity (GARCH)
2. Untuk menganalisis hasil permalan nilai volatilitas return saham sektor
infrastruktur, utilitas dan transportasi.
E. Manfaat Penelitian
1. Bagi penulis
Sebagai tambahan wawasan dan pengetahuan mengenai peramalan dan
pemodelan volatilitas return sebagai sarana untuk mengaplikasikan ilmu yang
telah didapat selama perkuliahan.
11
2. Bagi Investor
Sebagai tambahan informasi kepada investor mengenai peramalan dan
pemodelan volatilitas return, sehingga bermanfaat bagi investor sendiri yang
dapat digunakan untuk mendapatkan normal return.
3. Bagi Akademisi
Penelitian ini diharapkan akan menambah kepustakaan dibidang ilmu
konsentrasi manajemen keuangan dan dapat dijadikan sebagai bahan bacaan
untuk menambah wawasan dan pengetahuan serta sebagai referensi untuk
penelitian selanjutnya.
12
BABII
TINJAUAN PUSTAKA
A. Teori –Teori Terkait Penelitian
1. Investasi
a. Pengertian Investasi
Investasi merupakan bentuk penundaan konsumsi masa sekarang untuk
memperoleh konsumsi di masa yang akan datang, dimana didalamnya
terkandung resiko dan ketidakpastiaan sehingga dibutuhkan kompensasi atas
penundaan tersebut (Martalena & Malinda, 2011: 1).
Investasi merupakan penempatan sejumlah dana pada saat ini dengan
harapan untuk memperoleh keuntungan di masa mendatang (Halim, 2015:
13). Investasi adalah komitmen saat ini atas uang atau sumber daya lain
dengan harapan untuk mendapatkan keuntungan dimasa depan (Bodie, dkk.,
2014:1).
b. Proses Investasi
Proses investasi menunjukkan bagaimana seharusnya seseorang investor
membuat keputusan investasi pada efek -efek yang bisa dipasarkan dan
kapan dilakukan. Untuk itu diperlukan tahapan sebagai berikut (Halim,
2015: 14):
1) Menentukan tujuan investasi:
a) Tingkat pengembalian yang diharapkan (expected return).
b) Tingkat resiko (rate of risk).
c) Ketersediaan jumlah sumber dana yang diinvestasikan.
13
Apabila dana cukup tersedia, maka investor menginginkan
penghasilan yang maksimal dengan risiko tertentu. Umumnya hubungan
antara risk dan return bersifat linear, artinya semakin besar rate of risk.
Maka semakin besar pula expected rate of return.
2) Melakukan analisis
Melakukan analisis terhadap suatu efek atau sekelompok efek. Tujuan
penilaian ini adalah untuk mengindenifikasi efek yang salah harga
(mispriced), untuk mengetahui harga terlalu tinggi atau terlalu rendah.
Ada dua pendekatan yang dapat dipergunakan (Halim, 2015: 14) :
a) Pendeketan fundamental
Pendekatan fundamental berdasarkan pada informasi- informasi
yang diterbitkan oleh emiten maupun oleh administratur Bursa Efek.
Analisis ini dimulai dari siklus usaha perusahaan secara umum,
selanjutnya ke sektor indutrinya, akhirnya dilakukan evaluasi terhadap
kinerja dan saham yang diterbitkan.
b) Pendekatan teknikal
Pendekatan teknikal berdasarkan pada data (perubahan) harga
saham dimasa lalu sebagai upaya untuk memperkirakan harga saham
dimasa yang akan datang.
3) Membentuk portofolio
Mengidentifikasikan terhadap efek- efek yang mana akan dipilih dan
beberapa proporsi dana yang akan di investasikan pada masing –masing
14
efek tersebut. Efek yang dipilih dalam rangka pembentukan portofolio
adalah efek –efek yang mempunyai koefisien korelasi negatif
(mempunyai hubungan berlawanan). Hal ini dilakukan karena dapat
memperkecil risiko dengan tolak ukur (Halim, 2015: 15).
4) Mengevaluasi kinerja portofolio
Evaluasi atas kinerja portofolio yang telah dibentuk, baik terhadap
tingkat keuntungan yang diharapkan maupun terhadap tingkat resiko
yang telah ditanggung. Sebagai tolak ukur digunakan dua cara, yaitu:
pertama measurement adalah penilaian kinerja portofolio atas dasar aset
yang telah ditanamkan dalam portofolio tersebut, misalnya dengan
menggunakan rate of return. Kedua comparison adalah penilaian atas
dasar perbandingan atas dua set portofolio yang memiliki risiko yang
sama (Halim, 2015:15).
5) Merevisi kinerja portofolio
Tahapan ini merupakan tindak lanjut dari tahap evaluasi. Dari hasil
evaluasi inilah selanjutnya dilakuakn revisi (perubahan) terhadap efek –
efek yang membentuk portofolio tersebut jika dirasa bahwa komposisi
portofolio yang sudah dibentuk tidak sesuai dengan tujuan investasi
(Halim, 2015:15).
c. Jenis Aset Dalam Investasi
Investor dapat melakukan investasi dalam berbagai jenis aset, antara lain
(Martalena & Malinda, 2011):
15
1) Real asset
Investasi dalam bentuk nyata (dapat dilihat diukur, disentuh). Misalkan,
bangunan, kendaraan, tanah dan sebagainya.
2) Financial assets
Investasi dalam bentuk surat berharga. Misalkan saham, obligasi, surat
utang negara dan sebagainya.
d. Jenis Risiko Investasi
Resiko investasi di pasar modal pada prinsipnya semata- mata berkaitan
dengan kemungkinan terjadinya fluktuasi harga (price volatility). Risiko –
risiko yang mungkin dapat dihadapi investor tersebut antara lain(Siamat,
2005:516):
1) Risiko daya beli (purchasing power risk)
Sifat investor dalam mengenai faktor risiko di pasar modal terdiri atas
dua, yaitu investor yang tidak menyukai risiko (risk averter) dan investor
justru menyukai risiko (risk averse). Dikarenakan resiko daya beli
berkaitan dengan kemungkinan terjadinya inflasi yang menyebabkan
nilai rill pendapatan akan lebih kecil.
2) Risiko bisnis
Risiko bisnis adalah suatu risiko menurunnya kemampuan dalam
memperoleh laba yang pada gilirannya akan mengurangi pula
kemampuan perusahaan (emiten) membayar bunga atau dividen.
16
3) Risiko tingkat bunga
Naiknya tingkat bunga biasanya menekan harga jenis surat- surat
berharga yang berpendapatan tetap termasuk harga- harga saham. Risiko
tingkat bunga akan menurunkan harga- harga di pasar modal.
4) Risiko pasar
Apabila pasar bergairah (bullish) umumnya hampir semua harga
saham di Bursa Efek mengalami kenaikan, sebaliknya apabila pasar lesu
(bearish), saham-saham akan mengalami penurunan perubahan psikologi
pasar dapat menyebabkan harga- harga surat berharga anjlok terlepas dari
adanya perubahan fundamental atas kemampuan perolehan laba
perusahaan.
5) Risiko likuiditas
Risiko ini berkaitan dengan kemampuan surat berharga untuk dapat
segera diperjual belikan dengan tanpa mengalami kerugian yang berarti.
2. Pasar Modal
a. Pengertian Pasar Modal
Pasar modal menurut kamus pasar uang dan modal adalah pasar kongkret
abstrak yang mempertemukan pihak yang menawarkan dan yang
memerlukan dana jangka panjang, yaitu jangka satu tahun ke atas dalam
(Siamat, 2005: 487).
Pasar modal terdiri dari kata pasar dan modal, jadi pasar modal dapat
didefinisikan sebagai tempat bertemunya permintaan dan penawaran
17
terhadap modal, baik dalam bentuk ekuitas maupun utang jangka panjang
(Martalena & Malinda, 2011: 2).
Dalam bab 1 UUPM No 8/1995 tentang ketentuan umum
mendefinisikan Bursa Efek adalah pihak yang menyelenggarakan dan
menyediakan sistem dan atau sarana untuk mempertemukan penawaran jual
dan beli efek serta pihak- pihak lain dengan tujuan memperdagangkan efek
diantara mereka (Hadi, 2013: 10).
b. Fungsi Pasar Modal
Pasar modal memiliki peran besar bagi perekonomian suatu negara
karena pasar modal menjalankan dua fungsi sekaligus, yaitu (Halim, 2015):
1) Fungsi ekonomi, dalam hal ini pasar modal menyediakan fasilitas
atau wahana yang mempertemukan dua kepentingan, yaitu pihak yang
memiliki kelebihan dana (investor) dan pihak yang memerlukan dana
(issuer) jangka panjang.
2) Fungsi keuangan, dalam hal ini pasar modal memberikan
kemungkinan dan kesempatan memperoleh return atau capital gain
atau interest bagi investor sesuai dengan karakteristik investasi yang
dipilih.
Dilihat dari perspektif lain, pasar modal juga memberikan bagi pihak-
pihak yang ingin memperoleh keuntungan dalam investasi. Fungsi pasar
modal tersebut antara lain (Hadi, 2013: 16):
1) Bagi perusahaan
18
Pasar modal memberikan ruang dan peluang bagi perusahaan untuk
memperoleh sumber dana yang memiliki risiko investasi (cost of capital)
rendah dibandingkan sumber dana jangka pendek dari pasar uang.
2) Bagi investor
Alternatif investasi bagi pemodal, terutama pada instrumen yang
memberikan likuiditas tinggi. Pasar modal memberikan ruang bagi
investor dan profesi lain memanaatkan untuk memperoleh return yang
cukup tinggi.
3) Bagi perekonomian nasional
Dalam daya dukung perekonomian secara nasional, pasar modal
memiliki peran penting dalam rangka meningkatkan dan mendorong
pertumbuhan dan stabilitas ekonomi. Hal itu, ditunjukan dengan fungsi
pasarmodal yang memberikan sarana bertemunya antara lender dengan
borrower. Disitu, terjadi kemudahaan penyedia dana untuk sektor rill
dalam peningkatan produktifitas, sementara pada sisi lain pihak investor
akan memperoleh apportunity keuntungan dari dana yang dimiliki.
c. Manfaat Pasar Modal
Sebagai wadah yang terorganisir berdasarkan undang- undang untuk
mempertemukan antara investor sebagai pihak surplus dana untuk investasi
dalam instrumen keuangan jangka panjang, pasar modal memiliki manfaat
antara lain (Hadi, 2013:17 ):
19
1) Menyediakan sumber pembiayaan (jangka panjang) bagi dunia usaha
sekaligus memungkinkan alokasi sumber dana secara optimal.
2) Alternatif investasi yang mememberikan potensi keuntungan dengan
risiko yang bisa diperhitungkan melalui keterbukaan, likuiditas, dan
diversifikasi investasi.
3) Memberikan kesempatan memiliki perusahaan yang sehat dan
mempunyai prosepek, keterbukaan dan profesionalisme, menciptakan
iklim berusaha yang sehat.
4) Menciptakan lapangan kerja/ profesi yang menarik.
5) Menberikan akses kontrol usaha.
6) Menyediakan leading indicator bagi trend ekonomi negara.
d. Karakterisik Pasar Modal
Pasar modal tidak hanya sebatas wadah, tempat, gedung dan jenis
fasilitas fisik lainnya, melainkan juga berupa penyediaan mekanisme yang
memberikan ruang dan peluang untuk melakukan transaksi. Untuk itu pasar
modal memiliki karakteristik antara lain (Hadi, 2013:15):
1) Membeli prospek yang akan datang, hal itu ditunjukan dengan
karakter inestasi dimana memberikan prospek keuantungan di masa
depan (expected return).
2) Mempunyai harapan keuntungan yang tinggi, tetapi juga mengandung
risiko yang tinggi pula. Hal itu sejalan dengan teori investasi yaitu
intrumen investasi yang memberikan expected return tinggi umumnya
memiliki risiko tinggi pula (hight return risk).
20
3) Pasar modal yang berarti berinvestasi diatas prosopek masa depan
adalah keharusan untuk memaksimalkan kemampuan baik analisis
teknikal maupun fundamental. Pasar modal juga dipengaruhi kondisi
politik, sosial, hukum dan lingkungan lainnya. untuk itu analisis
menentukan risiko dan keuntungan dalam investasi.
4) Mengandung spekulasi
Pasar modal memiliki nilai spekulasi tinggi, terlepas apakah telah
dilakukan analisis mendalam dengan maksud mengurangi ketidak
pastiaan dimasa depan investasi, atau belum. Nilai spekulatif semakin
nampak terutama bagi investor jangka pendek yang mengejar capital
gain.
e. Instrumen Yang diperdagangkan di Pasar Modal
Instumen pasar modal pada prinsipnya adalah semua surat- surat
berharga (efek) yang umum diperjualbelikan melalui pasar modal. Efek
adalah setiap surat pengakuan utang, surat berharga komersial, saham,
obligasi, sekuritas kredit, tanda bukti utang, rights, warrants, opsi atau
setiap derivatif dari efek atau setiap instrumen yang ditetapkan oleh
Bapepam, warrants, opsi atau setiap efek yang diperdagangkan di pasar
modal (Bursa Efek) biasanya berjangka panjang. Intrumen yang paling
umum diperjual belikan melalui Bursa Efek saat ini adalah saham, obligasi,
dan rights (Siamat, 2005:507). Dalam pasar modal terdapat instrumen yang
ditawarkan, antara lain sebagai berikut:
1) Saham (stock)
21
Saham merupakan tanda penyertaan modal seseorang atau pihak
(badan usaha) dalam suatu perusahaan atau perseroan terbatas. Saham
terbagi menjadi dua macam, yaitu saham biasa dan saham preferen.
2) Obligasi
Obligasi adalah surat berharga atau sertifikat yang berisi kontrak
antara pemberi dana (dalam hal ini modal) dengan yang beri dana
(emiten). Jadi obligasi adalah selembar kertas yang menyatakan bahwa
pemilik kertas tersebut telah membeli utang perusahan yang menerbitkan
obligasi. Penerbit membayar bunga atas obligasi tersebut pada tanggal-
tanggal yang telah ditentukan secara periodik, dan mengembalikan nilai
utang tersebut pada saat jatuh tempo dengan mengembalikan jumlah
pokok pinjaman ditambah bunga terutang. Dalam obligasi bila bunga
obligasi meningkat maka nilai obligasi menurun.
3) Right
Right merupakan surat berharga yang memberikan hak bagi pemodal
untuk membeli saham baru yang dikeluarkan oleh emiten. Right
merupakan produk derivatif atau turunan dari saham.
4) Waran
Efek yang memberikan hak kepada pemiliknya untuk membeli saham
baru dengan harga tertentu. Diterbitkan mengikuti penerbitan/ penjualan
efek lain.
22
5) Reksadana
Wadah yang digunakan untuk meghimpun dana dari masyarakat
pemodal untuk selanjutnya dinvestasikan dalam portofolio efek oleh
manajer investasi.
3. Saham
a. Pengertian Saham
Saham adalah surat berharga yang dapat dibeli atau dijual oleh
perorangan atau lembaga dipasar tempat tersebut diperjual- belikan (Hadi,
2013:67). Menurut Robert Ang, saham merupakan instrumen ekuitas, yaitu
tanda pernyertaan atau kepemilikan seseorang atau badan usaha dalam suatu
perusahaan atau perseroaan terbatas (Hadi, 2013:67). Menurut Dahlan
Siamat (2005:507) saham atau stocks adalah surat bukti atau tanda
kepemilikan bagian modal pada suatu perseroaan terbatas.
b. Jenis Saham
Sejalan dengan pertumbuhan industri keuangan, saham mengalami
perkembangan dengan variance return dan risiko investasi. Adapun
pembagian jenis saham dijelaskan sebagai berikut (Hadi, 2013:68):
1) Dilihat dari hak yang melekat pada saham
a) Saham biasa (common stock)
Saham biasa adalah saham yang dikenal dikenal dilingkungan
masyarakat. Diantara emiten (perusahaan yang menerbitkan surat
23
berharga), saham biasa merupakan saham yang paling banyak
digunakan untuk menarik dana dari masyarakat.
Saham biasa memiliki karakteristik sebagai berikut (Martalena &
Malinda, 2011:13):
1. Hak klaim terakhir atas aktiva perusahaan jika perusahaan
dilikuidas
2. Hak suara proporsional pada pemilihan direksi serta keputusahn
lain yang ditetapkan pada rapat umum pemegang saham.
3. Deviden, jika perusahan memperoleh laba dan disetuji di dalam
rapat umum pemegang saham
4. Hak memesan efek terlebih dahulu sebelum efek tersebut
ditawarkan kepada masyrakat.
b) Saham preferen (preferred stock)
Merupakan gabungan antara obligasi dan saham biasa. Artinya,
disamping memiliki karakteristik seperti obligasi, juga memiliki
karakteristik saham biasa. Saham preferen memiliki karakteristik
(Martalena & Malinda, 2011:13):
1. Pembayaran dividen dalam jumlah yang tetap
2. Hak klaim lebih dahulu dibandingkan saham biasa jika
perusahaan dilikuidasi
3. Dapat dikonversikan menjadi saham biasa.
2) Dilihat dari cara peralihan
24
a) Saham atas unjuk (bearer stock), artinya pada saham tersebut tidak
tertulis nama pemilik saham jenis ini sangat mudah dipindah
tangankan (dialihkan) kepemilikan (seperti uang) sehingga
memiliki likuiditas lebih tinggi.
b) Saham atas nama (registered stock), merupakan saham yang ditulis
dengan jelas siapa nama pemiliknya, menggunakan prosedur
tertentu.
3) Dilihat dari nilai kapitalisasi
a) Big- Cap atau sering disebut saham blue chip
Merupakan kelompok saham yang berkapitalisasi besar dengan
nilai kapitalisasi diatas Rp 1 triliun. Saham- saham ini diterbitkan
oleh perusahaan yang mapan dan memiliki kinerja baik.
b) Mid-Cap
Merupakan sekelompok saham yang berkapitalisasi besar antara
Rp 100 miliyar sampai dengan Rp 1 triliun. Saham ini sering disebut
saham lapis kedua.
c) Small- Cap
Merupakan saham nilai kapitalisasinya dibawah Rp 100 miliar,
biasa disebut saham lapis ketiga.
4) Dilihat dari kinerja keuangan
a) Income stocks
25
Saham yang mampu memberikan dividen yang lebih besar dari rata-
rata dividen yang memberikan saham lain
b) Growth stocks
Saham yang emitennya perusahaan memiliki pertumbuhan penjualan
dan pendapatan tinggi.
c) Speculative stocks
Saham yang diterbitkan oleh perusahaan yang pendapatannya tidak
stabil.
d) Cyclical stocks
Saham yag pergerakannya searah dengan pergerakan perekonomian
makro dan pendapatannya berfluktuasi bisnis industri.
e) Defensive stocks
Saham yang tidak terpengaruh oleh perekonomian makro.
c. Keuntungan Saham
Keuntungan yang diperoleh pemodal dengan memiliki saham :
1) Dividen
Pembagian keuntungan yang diberikan perusahaan penerbit saham
tersebut atas keuntungan yang dihasilkan perusahaan. Dividen diberikan
setelah mendapat persetujuan dari pemegang saham dalam RUPS.
2) Capital gain
26
Merupakan selisih antara harga beli dan harga jual. Capital gain
terbentuk dengan aktivitas perdagangan saham di pasar sekunder.
d. Risiko Memiliki Saham
Risiko yang dihadapi pemodal dengan memiliki saham:
1) Tidak mendapatkan dividen
Perusahaan akan membagikan dividen jika operasi perusahaan
menghasilkan keuntungan. Sebaliknya, perusahaan tidak dapat
membagikan dividen jika perusahaan tersebut mengalami kerugian.
2) Capital loss
Dalam aktivitas perdagangan saham, tidak selalu pemodal
mendapatkan capital gain atau keuntungan atas saham yang dijualnya.
Adakalanya pemodal harus menjual saham dengan harga jual lebih
rendah dari harga beli, sehingga pemodal / investor mengalami capital
loss.
3) Perusahaan bangkrut atau likuidasi
Sesuai dengan peraturan pencatatan saham di Bursa efek, jika
perusahaan bangkrut atau dilikuidasi, maka secara oto,atis saham
perusahaan akan dikeluarkan dari bursa atau di delist. Dalam kondisi
perusahaan dilikuidasi, pemegang saham akan menepati posisi lebih
rendah dibanding kreditur atau pemegang obligasi.
4) Saham di delist dari Bursa (delisting)
27
Suatu saham perusahaan didelist dari Bursa umumnya karena kinerja
yang buruk mengalami kerugian berturut- turut, tidak membagikan
deviden secara berturut- turut beberapa tahun dan kondisi lainnya, sesuai
dengan peraturan bursa efek maka perusahanaan akan di delist dari bursa.
e. Nilai Saham
Nilai dari suatu saham dapat memiliki empat konsep (Martalena dan
Malinda, 2011: 57) :
1) Nilai nominal
Merupakan nilai perlembar saham yang berkaitan dengan akuntasi dan
hukum. Nilai ini diperlihatkan pada neraca perusahaan dan merupakan
modal disetor penuh dibagi dengan jumlah saham yang sudah diedarkan
(Martalena dan Malinda, 2011: 57). Nilai nominal (par value) untuk
dasar pencatatan modal yang disetor penuh dalam perusahaan. Modal
disetor penuh merupakan perkalian antara jumlah saham yang
dikeluarkan perusahaan dikalikan dengan nilai nominalnya. Nilai tersebut
merupakan ekuitas perusahaan yang dicantumkan dalam neraca sisi
ekuitas (Hadi, 2013: 71)
2) Nilai buku perlembar saham
Menunjukkan nilai aktiva bersih per lembar saham yang merupakan
nilai ekuitas dibagi dengan jumlah saham lembar saham.
3) Nilai pasar
28
Nilai suatu saham yang ditentukan oleh permintaan dan penawaran
yang terbentuk di busa saham.
4) Nilai intirinsik
Merupakan harga wajar saham yang mencerminkan harga saham yang
sebenarnya. Nilai intirisik ini merupakan nilai sekarang dari semua arus
kas di masa mendatang (yang berasal dari capital gain dan dividen).
f. Karakterisik Saham
Karakteristik dari saham biasa sebagai berikut (Martalena dan Malinda,
2011:57):
1) Berhak atas pendapatan perusahaan berupa deviden. Deviden yang
dibagikan dapat berupa dividen tunai maupun dividen saham.
2) Berhak atas harta perusahaan jika perusahaan dilikuidasi di urutan
yang terakhir. Jaminan investor dapat dilihat dari buku per lembar
saham. memiliki hak suara dalam Rapat Pemegang Saham (RUPS).
3) Tanggung jawab terbatas, tanggung jawab pemegang saham hanya
sebatas nilai saham yang dimiliki dan tidak dimiliki tanggung jawab
pribadi yang menjadikan harta pibadi menjadi jaminan.
4. Indeks Harga Saham
a. Pengertian Indeks Harga Saham
Indeks harga saham adalah suatu indikator yang menunjukkan
pergerakan harga saham. Indeks berfungsi sebagai indikator tren pasar
29
artinya pergerakan indeks mengambarkan kondisi pasar sahm suatu saat,
apakah pasar sedang aktif atau lesu.
b. Fungsi Indeks Harga Saham
1) Sebagai indikator trend pasar
2) Sebagai indikator tingkat keuntungan
3) Sebagai tolak ukur (bechmark) kinerja suatu portofolio
4) Memfasilitasi pembentukan portofolio dengan startegi pasif
5) Berkembangnya produk derivatif
6) Menunjukkan kualifikasi dan kinerja emiten
7) Menunjukkan kepercayaan investor dalam dan luar
8) Menggambarkan arah capital flow di suatu negara
9) Bergairahnya sumbr pendanaan ekternal dengan cost of capital.
c. Jenis Indeks Harga Saham
Jenis indeks harga saham sebagai berikut (Halim, 2015: 24)
1) Indeks saham individual (individual stock price index)
Merupakan indeks yang menggunakan indeks harga masing- masing
saham terhadap harga dasarnya.
2) Indeks harga saham sektoral (sectoral stock price index)
Merupakan indeks yang menggunakan semua saham yang termasuk
dalam masing- masing sektor Indeks sektoral Bursa Efek Jakarta (BEI)
adalah sub indeks dari Indeks Harga Saham Gabungan (IHSG). Semua
saham yang tercatat di BEI diklasifikasikan ke dalam sembilan sektor
30
menurut klasifikasi industri yang telah ditetapkan BEI, yang diberi nama
Jakarta Industrial Classification (JASICA). Kesembilan sektor tersebut
adalah :
a) Sektor-sektor Primer (Ekstraktif)
1. Sektor 1 : Pertanian
2. Sektor 2 : Pertambangan
b) Sektor-sektor Sekunder (Industri Pengolahan / Manufaktur)
1. Sektor 3 : Industri Dasar dan Kimia
2. Sektor 4 : Aneka Industri
3. Sektor 5 : Industri Barang Konsumsi
c) Sektor-sektor Tersier (Industri Jasa / Non-manufaktur)
1. Sektor 6 : Properti dan Real Estate
2. Sektor 7 : Transportasi dan Infrastruktur
3. Sektor 8 : Keuangan
4. Sektor 9 : Perdagangan, Jasa dan Investasi
3) Indeks Harga Saham Gabungan
Indeks harga saham gabungan Composite Stock Price Index (CSPI)
merupakan suatu nilai yang untuk mengukur kinerja saham yang tercatat
disuatu bursa efek.
4) Indeks LQ 45(ILQ45)
31
Menggunakan saham yang dipilih berdasarkan likuiditas perdagangan
saham yang disesuaikan setiap enam bulan sekali. Dengan demikian
saham yang termasuk dalam indeks tersebut akan selalu berubah- berubah.
5) Indeks Syariah atau Jakarta Islamic Index (JII)
Menggunakan saham yang memenuhi kreteria investasi dalam syariat
islam. Saham- saham yang termasuk dalam JII adalah emiten yang
kegiatan usahanya tidak bertentangan dengan syariah Islam. Usaha –usaha
berikut dikeluarkan dalam perhitungan JII, antara lain:
a) Usaha perjudian dan permainan yang tergolong judi
b) Usaha lembaga keuangan yang konvensional (mengandung unsur
riba).
c) Usaha yang memproduksi, mendistribusikan serta
memperdagangkan makanan dan minuman yang tergolong haram
d) Usaha yang memproduksi, mendistribusi dana atau menyediakan
barang- barang atau jasa yang merusak moral dan bersifat mudarat.
5. Return
a. Pengertian Return
Return merupakan imbalan yang diperoleh dari investasi. Menurut
Robert Ang dalam buku return (kembali) adalah tingkat keuntungan yang
dinikmati oleh pemodal atas suatu invetasi yang dilakukan. Tingkat
pengembalian (return) merupakan selisih dari harga jual dengan harga beli
disebut dengan capital apperection dapat gain atau capital loss ditambah
32
dengan deviden yang dibagikan kepada para pemegang saham (Radoni dan
Ali, 2014:67) .
b. Komponen Return
1) Capital gain (loss) merupakan keuntungan (kerugian) bagi investor
yang diperoleh dari kelebihan harga jual (harga beli) di atas harga
beli (harga jual) yang keduanya terjadi di pasar sekunder.
2) Yield merupakan pendapatan atau aliran kas yang diterima investor
secara periodik, misalnya berupa deviden atau bunga. Yield
dinnyatakan dalam presentase dari modal yang ditanamkan
𝑅𝑡=𝑃𝑡−𝑃𝑡−1
𝑃𝑡−1
Dimana :
𝑅𝑡 = actual, expected atau required rate of return pada periode t
𝑃𝑡 = harga saham pada waktu t
𝑃𝑡−1 =harga saham pada waktu t-1
6. Hipotesis Pasar Efisien
a. Pengertian Pasar Efisien
Menurut Fama (1970) pasar efisien adalah seluruh informasi yang telah
tersedia tercermin dalam harga saham (Bodie, dkk., 2014:360).
b. Jenis- Jenis Hipotesis Pasar Efesien
33
1. Hipotesis bentuk lemah (weak form) menyatakan bahwa harga saham
sudah mencerminkan seluruh informasi yang dapat diperoleh dengan
memeriksa data perdagangan pasar semisal riwayat harga di masa lalu,
volume perdagangan, atau suku bunga jangka pendek.
2. Hipotesis bentuk agak kuat (semistrong-form) menyatakan bahwa
seluruh informasi yang tersedia secara umum mengenai prosepek
perusahaan harus sudah tercermin dalam harga saham. Informasi
tersebut meliputi, sebagai tambahan atas harga di masa lalu, data
pokok mengenai merk produk perusahaan, kualitas manajemen,
susunan neraca, paten yang dipegang, peramalan keuntungan, dan
praktik laporan.
3. Hipotesis bentuk kuat (strong-from) menyatakan bahwa harga saham
tercerminkan seluruh informasi yang relevan pada perusahaan,
termasuk informasi yang hanya tersedia bagi orang dalam perusahaan.
7. Volatilitas
a. Pengertian Volatilitas
Ketidakpastian (uncertainty) adalah kondisi yang disebabkan oleh
fluktuasi data keuangan demikian tinggi, sehingga pelaku ekonomi/
keuangan sulit untuk memperkirakan apa yang akan terjadi di masa akan
datang (Ekananda, 2016: 536). Ketidak pastian return harga terlihat dari
volatilitas return harga yang diukur dengan berbagai metode pengukuran
standar deviasi.
34
Volatilitas diambil dari istilah illmu fisika tentang sebuah zat yang sangat
labil. Volatilitas return saham menjelaskan tingkat kecenderungan return
untuk berubah. Sehingga volatilitas didefinisikan sebagai fluktuasi dari
return sekuritas atau portofolio dalam suatu periode tertentu (Ekananda,
2016: 535). Volatilitas menceminkan tingkat resiko dari suatu aset dari
suatu investasi. Tingkat volatilitas yang tinggi menunjukkan resiko yang
tinggi dan juga tingkat return yang tinggi.
b. Pengukuran Volatilitas
Beberapa cara mengukur volatilitas sebagai berikut (Ekananda, 2016: 536)
1) Simple variance merupakan salah satu metode pengukuran volatilitas
yang paling sederhana (menggunakan standar deviasi)
2) Exponentially Weighted moving average (EWMA) merupakan salah
satu metode pengukuran volatilitas yang mempertimbangkan adanya
bobot peran dari data- data yang digunakan (decay factor)
3) Generalized/ Autoregressive Conditional Heteroskedastic (ARCH/
GARCH) merupakan salah satu alternatif pengukuran volatilitas
melalui 𝜎𝑡2 (conditional variance) dengan persamaan ekonometrika
nonlinear dan memanfaatkan kondisi adanya heteroskedastik.
c. Pengembangan Model Volatilitas
Motivasi pengembangan model volatilitas data keuangan melihat
kenyataan bahwa (Ekananda, 2016:533):
35
1) Adanya model linear struktural (structural linier) dan runtutan waktu
(time series) yang tidak dapat menjelaskan beberapa perilaku data
keuangan, seperti betuk leptokurtosis, yakni bentuk yang dimana
terjadi lonjakan data pada konsentrasi tertentu.
2) Volatility clustering atau volatility polling adalah bentuk volatilitas
yang tinggi pada periode tertentu dan rendah pada waktu lainnya.
3) Leverage effects, adalah fenomena melonjaknya volatilitas akibat
turun atau naiknya harga saham.
36
B. Penelitian Terdahulu
Tabel 2. 1 Penelitian Terdahulu
No Judul
Penelitian/
Nama
Jurnal/
Peneliti
Variabel
yang
Digunakan
Metode
Penelitian
Hasil Persamaan Perbedaan
1. Modelling
and
Forecastin
g the
Stock
Market
Volatility
of SSE
Composite
Index
using
Generaliz
ed
Autoregre
ssive
Condition
Return
saham
Indeks
Komposit
SSE
Model
Generaliz
ed
Autoregre
ssive
Condition
al
Heterosce
dasticity
(GARCH)
Hasil penelitian
ini menunjukkan
bahwa Indeks
Komposit SSE
memiliki efek
Generalized
Autoregressive
Conditional
Heteroscedasticit
y (GARCH) yang
jelas,
menunjukkan
bahwa
pengembalian
memiliki premi
risiko positif
Meneliti
tentang
volatilitas
return
saham.
Meneliti
volatilitas
return
saham di
bursa
Shanghai.
37
al
Heterosce
dasticity
(GARCH)
models./
Journal
Future
Generatio
n
Computer/
Lin
(2018)
yaitu, ada
korelasi positif
antara
pengembalian
harian dan
volatilitas
dipasar saham
Shanghai.
2 Permodela
n
Volatilitas
Return
Saham:
Studi
Kasus
Pasar
Saham
Asia./
Return
saham
Indeks
Komposit
Jakarta
(JCI),
Strait
Times
Indeks
(STI),
Model
Generaliz
ed
Autoregre
ssive
Condition
al
Heterosce
dasticity
(GARCH)
Hasil penelitian
ini menunjukkan
bahwa model
asimetris
GARCH
Menunjukan
model yang lebih
baik dalam
mengambarkan
volatilitas return
Meneliti
tentang
volatilitas
return
saham.
volatilita
s return
saham
dipasar
saham
Asia.
38
Jurnal
Matematik
a./
Sari.,dkk
(2017).
Indeks
Nikkei 225
(NKY),
Indeks
Hang Seng
(HIS).
saham
3 Penerapan
Model
GARCH
dalam
Peramalan
Volatilitas
di Bursa
Efek
Indonesia.
/
Jurnal
Manajeme
n dan
Bisnis./
Raneo dan
Muthia
Return
saham
Indeks
Harga
Saham
Gabungan
(IHSG)
Model
Generaliz
ed
Autoregre
ssive
Condition
al
Heterosce
dasticity
(GARCH)
Hasil penelitian
ini menunjukkan
bahwa Pasar
Modal Indonesia
memiliki gejala
volatility
clustering,
dengan model
EGARCH (1,1)
memiliki hasil
ramalan yang
sedikit lebih baik
dari model
GARCH (1,1)
dan TARCH
(1,1)
Meneliti
tentang
volatilitas
return
saham.
volatilitas
return
saham
Indeks
Saham
Gabungan
39
(2019).
4 Peramalan
Volatilitas
Saham
Mengguna
kan Model
Exponenti
al
Generaliz
ed
Autoregre
ssive
Condition
al
heterosked
asticy
(EGARCH
) dan
Threshold
GARCH./
E-jurnal
Matematik
Return
saham
Indeks
LQ45
Model
Exponenti
al
Generaliz
ed
Autoregre
ssive
Condition
al (E-
GARCH)
dan
Threshold
GARCH
(T-
GARCH)
Hasil penelitian
ini menunjukkan
bahwa model
Exponential
Generalized
Autoregressive
Conditional
heteroskedasticy
(EGARCH) (2,1)
merupakan
model yang
terbaik dalam
peramalan
volatilitas Indeks
saham LQ-45
dengan hasil
peramalan
peningkatan dari
periode pertama
hingga ke empat
belas yang
Meneliti
tentang
volatilitas
return
saham.
volatilitas
return
saham
Indeks
LQ45.
40
a./
Ningshi
dkk.,
(2019).
menunjukan
bahwa Indeks
Saham LQ-45
memiliki
volatilitas yang
tinggi.
5 Permodela
n dan
Peramalan
Volatilitas
Saham
Mengguna
kan Model
Integrated
Generaliz
ed
Autoregre
ssive
Condition
al
heterosked
asticy
Return
saham
S&P 500
Model
Integrated
Generaliz
ed
Autoregre
ssive
Condition
al
Heteroske
dasticy
(IGARCH
)
Hasil penelitian
ini menunjukkan
bahwa model
Integrated
Generalized
Autoregressive
Conditional
(IGARCH) (2,1)
terbaik untuk
data harga saham
S&P 500
deangan hasil
peramalan lima
hari untuk
minggu kedepan
mengalami
Meneliti
tentang
Volatilitas
return
saham.
Volatilita
s return
saham
Indeks
S&P500
dan
menggun
akan
model
Integrate
d
Generali
zed
Autoregr
essive
Conditio
41
(IGARCH)
./
Bulletin
ilmiah
Math stat
dan
terapan
(Bimaster)
./
Martha,
dkk.,
(2020)
penurunan yang
menunjukan
bahwa pasar
saham semakin
stabil.
nal
(IGARC
H).
6 Comparis
on of
Forecastin
g
Performan
ce
Between
MODWT-
GARCH
and
Return
pasar
saham
Afrika
(NSE 20
Kenya),
TUNNID
EX
(Tunisia)/
JSE100
Model
Maximal
Overlap
Discreet
Wavelet
Transform
- GARCH
(MODWT
-GARCH)
dan
Hasil penelitian
ini menunjukkan
bahwa bahwa
model Maximal
Overlap Discreet
Wavelet
Transform-
GARCH
(MODWT-
GARCH) (1,1)
Meneliti
tentang
Volatilitas
return
saham.
Volatilitas
return
sahamn di
Indeks
Saham
NSE,
FTSE/
JSE100
dan
TUNNID
42
MODWT-
EGARCH
Models:
Evidence
From
African
Stock
Markets/.
The
Journal
of
Financial
and Data
Science./
Tahir
dkk.,
(2017)
(Afrika
Selatan),
all Share
Price
Index
(Nigeria)
MODWT-
EGARCH
adalah model
yang paling baik
dan
menghasilkan
nilai perkiraan
return yang
akurat.
EX
dengan
mengguna
kan model
MODWT-
GARCH
dan
MODWT-
EGARCH
7 Volatility
Forcastin
g
Accuracy
Volatilitas
Bitcoin
Model
tipe
Generaliz
ed
Hasil penelitian
ini menunjukkan
bahwa
ketidakstabilan
Meneliti
tentang
peramalan
volatilitas
Mengguna
kan
variabel
bitcoin.
43
for
Bitcoin.
/Journal
Economic
letter./
Gerrit
Köchling
dkk.,
(2019)
Autoregre
ssive
Condition
al
Heterosce
dasticity
(GARCH)
Exponenti
al
Generaliz
ed
Autoregre
ssive
Condition
al
Heterosce
dasticity
(EGARC
H)
Power
ARCH
(APARC
Bitcon
memperkirakan
peramalan
volatilitas
dengan
menngunakan
tipe GARCH dan
tidak adanya efek
asimetri.
44
H)
Threshold
Autoregre
ssive
Condition
al
Heterosce
dasticity
(T-
ARCH)
8 Forecastin
g Stock
Price
Volatility:
New
Evidence
From The
GARCH –
MIDAS./
Internatio
nal
Journal of
Return
saham di
S&P 500
Model
Mixed
Data
Sampling
(GARCH-
MIDAS)
Hasil penelitian
ini menunjukkan
bahwa model
GARCH MIDAS
signifikan dalam
kemampuan
prediktif
volatilitas pasar
saham jangka
panjang.
Meneliti
tentang
peramalan
volatilitas
Mengguna
kan
Model
GARCH
MIDAS
45
Forecastin
g ./
Wang
dkk.,
(2020)
9 Model
Generaliz
ed
Autoregre
ssive
Condition
al
heterosked
asticy
(GARCH)
untuk
perdiksi
dan
akurasi
harga
saham
masa
Return
Saham
LQ-45
Model
Generaliz
ed
Autoregre
ssive
Condition
al
Heteroske
dasticy
(GARCH)
Bahwa harga
saham masa lalu
memengaruhi
pembentukan
harga saham di
masa depan.
Berdasarkan
hasil evaluasi
model, dapat
disimpulkan
bahwa model
GARCH (2,2)
cocok untuk
memprediksi
harga saham
AALI, ASII,
BBCA, INTP,
Meneliti
tentang
volatilitas
return
saham.
Volatilitas
return
saham
Indeks
LQ45.
46
depan./
E-
Proceedin
g of
Managem
ent./
Annila
dan
Kristanti,
(2015)
UNTR, dan
model GARCH
(2,1) untuk
UNVR
10 Predicting
The Long-
Term
Stock
Market
Volatility:
A
GARCH-
MIDAS
model
with
variabel
-Variabel
Makro
ekonomi
-Variabel
Financial
-
Volatilitas
returnsaha
m S&P
500
Model
Mixed
Data
Sampling
(GARCH-
MIDAS)
Model GARCH
MIDAS
signifikan dalam
kemampuan
prediktif
volatilitas pasar
saham jangka
panjang.
Meneliti
tentang
volatilitas
return
saham.
Volatilitas
return
volatilitas
di S&P
500
dengan
mengguna
kan model
MIDAS
GARCH
47
selection./
Journal of
empirical
finance./
Fang,
dkk.,
(2020)
11. Modelling
Volatility
of
Precious
Metals
Market by
Using
Regime
Switching
GARCH
Models./
Journal
Resources
Policy./
Logam
mulia:
Harga
Emas
Palladium
Platinum
Silver
Model
Regime
Switching
GARCH
Models
Bahwa
menggunakan
model Regime
Switching
GARCH Models
dapat
memberikan
prediksi value at
risk, sehinggga
efektif dalam
mengoptimalkan
portofolio,
penetapan harga,
produk dan
manajemen
Meneliti
tentang
memodelk
an
volatilitas.
Volatilitas
harga
logam
mulia dan
mengguna
kan
Regime
Switching
GARCH
Models
48
Naeem,
dkk.,
(2019).
resiko
12. Forecastin
g Stock
Market
Volatility
Using
Relized
GARCH
model:
Internatio
nal
Evidence./
Quarterly
Review of
Economic
and
Finance./
Sharma,
(2015)
Return
saham 16
Indeks
Saham
Internasio
nal
-Model
Generaliz
ed
Autoregre
ssive
Condition
al
Heteroske
dasticty-
(GARCH)
-
Expnentia
l GARCH
(EGARC
H) (EG)
- Relized
GACH(R
G)-
Random
Hasil penelitian
ini menunjukkan
bahwa Model
Exponentially
Weighted
Moving Average
(EW)
mengungguli
Realized
GARCH (RG)
sebagai model
peramalan
terbaik.
Meneliti
tentang
volatilitas
return
saham.
Volatilitas
return 16
Indeks
internasio
nal dengan
mengguna
kan model
Relized
GARCH
49
Walk
(RW)
- Moving
Average
(MA)
-
Exponenti
ally
Weighted
(EW)
13. Forcastin
g Risk
With
Markov-
Switching
GARCH
Models: A
Large-
Scale
Performan
ce Study./
Heliyon,
Return 11
Indeks
Pasar
Saham
Internasio
nal dan
nilai tukar.
Model
Markov-
Switching
GARCH
(MS-
GARCH)
dan Value
at Risk
Hasil penelitian
ini menunjukkan
bahwa model
markov-
switching
GARCH
(MSGARCH)
menghasilkan
perkiraan lebih
akurat
dibandingkan
Value at Risk
Meneliti
tentang
volatilitas
return
saham.
Volatilitas
saham
dengan
Markov-
Switching
GARCH
(MS
GARCH),
Value-at-
Risk.
50
Economic.
/ David,
dkk.,
(2018)
14. Estimating
the
Volatility
of
Cryptocur
rencies
during
bearish
markets
by
employing
GARCH
Model./
Heliyon,
Economic.
/
Kyriazis
dkk.,
Mata uang
Kripto
Model
Generaliz
ed
Autoregre
ssive
Condition
al
Heteroske
dasticty-
(GARCH)
Hasil
menunjukan
bahwa mata uang
Kripto sensitif
terhadap
perubahan harga
dari tiga mata
uang digital
dengan nilai
kapitalisasi pasar
terbesar
Meneliti
tentang
volatilitas
return
saham.
Volatilitas
mata uang
digital
51
(2019)
15. Modelling
Asymetric
Market
Volatility
With
Univariate
GARCH
Models:
Evidence
from
Nasdaq-
100./ The
Journal of
Economic
Asymmetri
es./
Fuzuli, et
all.,
(2020)
Return
indeks
Nasdaq-
100
Model
Generaliz
ed
Autoregre
ssive
Condition
al
Heteroske
dasticty-
(GARCH)
Hasil penelitian
ini menunjukkan
bahwa indeks
memiliki efek
leverage, dan
dampak
guncangan
asimetris, yang
mengindikasikan
dampak efek
negatif lebih
tinggi
dibandingkan
efek positif
Meneliti
tentang
volatilitas
return
saham dan
model
GARCH
Volatilitas
di Indeks
Saham
Nasdaq-
100
16. Modelling
S&P
Indeks
Saham
Model
Generaliz
Hasil penelitian
ini menunjukkan
Meneliti
tentang
Volatilitas
di Indeks
52
Bombay
Stock
Exchange
BANKEX
Index
Volatility
Patterns
Using
GARCH
Model./
Procedia
Economic
s and
Finance./
Ramon,
dkk.,
(2015)
S&P
Bombay
ed
Autoregre
ssive
Condition
al
Heteroske
dasticty-
(GARCH)
bahwa model
GARCH (1,1)
dapat
mengungkapkan
volatilitas
asimetris dan
menujukkan
volatilitas
clustering , efek
volatilitas
mengasilkan efek
positif sehingga
mengindentifikas
i bahwa indeks
BANKEX
tumbuh lebih
dari 17 kali
dalam 12 tahun.
volatilitas
return
saham dan
model
GARCH
Saham
S&P
Bombay
17. Analyzing
Volatility
Spillovers
Between
Harga
penutupan
minyak
West
Model
BEKK-
GARCH
Hasil penelitian
ini menunjukkan
bahwa model
BEKK- GARCH
Meneliti
tentang
volatilitas
return
Volatilitas
harga
minyak
dan
53
Oil
Market
and Asia
Stock
Market./
The
Journal
Resources
Policy./
Sarwar, et
al., (2020)
Texas
Intermadi
ate (WTI)
Return
pasar
saham
Karachi,
Shanghai,
Bombay
(1,1) model yang
disignifikan, dan
penemuan
menunjukkan
bahwa ketidak
stabilan harga
memiliki efek
negatif akibat
guncangan harga
masa lalu dan
fluktuasi minyak
dan pasar saham
terjadi karena
hubungan pasar
saham Karachi
dan Shanghai.
saham dan
model
GARCH
mengguna
kan model
BEKK-
GARCH
18. Fundamen
tal and
Behaviour
al
Determina
nts of
-Makro
ekonomi
(GDP,
suku
bunga,
inflansi
Exponenti
al
GARCH
(E-
GARCH)
Autoregre
Hasil penelitian
ini menunjukkan
bahwa faktor-
faktor
fundamental
berperan penting
Volatilitas
return
saham dan
mengguna
kan model
EGARCH
Mengguna
kan
variabel
fundament
al dan
perilaku di
54
Stock
Return
Volatility
in
ASEAN-
Countries.
/Journal
of
internatio
nal
financial
markets
institution
and
money./Na
tthin, et
al., (2020)
dan nilai
tukar.
-
Perusahaa
n (return
on Equity
(ROE),
Earning
Per Share
(EPS),
Price to
Book
Value
(PTVB),
kapitalisas
i pasar
ssive
Distribute
d lag
(ARDL)
dalam
mempengaruhi
volatilitas pasar
saham di
Malaysia,
Thailand dan
Singapura dan
faktor perilaku
signifikan
mempengaruhi
volatilitas pasar
saham di
Indonesia dan
Philipina.
pasar
saham 5
negara
ASEAN
(Indonesia
, Thailand,
Malaysia,
Philipina
dan
Singapura)
dan
mengguna
kan
Autoregre
ssive
Distribute
d lag
(ARDL).
19. Examinati
on of
Informatio
n Release
on Return
Return
Indeks
ASX200
Price
Model
Exponenti
al
GARCH
(EGARC
Hasil penelitian
ini menunjukkan
bahwa (PTR)
memiliki efek
terbesar pada
Meneliti
tentang
volatilitas
return
saham dan
Volatilitas
di Indeks
ASX 200,
Price
Target ,
55
Volatility:
A Market
and
Sectoral
Analysis./
Journal
Heliyon
Economic.
/ Prasad,
et al.,
(2020)
Target
(PTR)
Morningst
ar Stock
Star
Rating
(MSR).
H),
GJRGAR
CH,
Power
GARCH
(APARC
H) dan
panel data
Regressio
n.
level kedua,
dengan berbagai
efek dalam
sektor. Hal ini
mengindentifikas
ikan bahwa
investor
bergantung pada
informasi ketika
melakukan
keputusan
investasi.
model
GARCH.
morningst
ar Stock
star rating
dan
mengguna
kan model
APGARC
H dan
regresi
panel data.
20. Modelling
Volatility
Spilovers
From The
US Equity
Market to
ASEAN
Stock
Markets.
/Pasific
Volatilitas
return
saham
S&P 500,
Nasdaq
dan pasar
saham
ASEAN.
model
Exponenti
al
GARCH
(EGARC
H) dan
Algoritma
Interative
Cumulativ
e Sum of
Hasil penelitian
ini menunjukkan
bahwa model
EGARCH (1,1)
dan Algoritma
Interative
Cumulative Sum
of Squre (ICSS),
menunjukkan
adanya
Meneliti
tentang
volatilitas
return
saham dan
model
EGARCH.
Meneliti
volatilitas
dengan
menerapka
n
algoritma
interative
Cumulativ
e Sum of
Squre
56
Basin
Finance
Journal./
Vinh Vo,
dkk.,
(2019)
Squre
(ICSS)
penyebaran
volatilitas yang
kuat dari pasar
saham AS
kepada pasar
saham ASEAN.
(ICSS)
91
C. Kerangka Pemikiran
Return Saham
Uji
Stasioneritas
Penentuan ordo
ARIMA metode
Box- Jenkins
Uji ARCH-LM
Homokedastisitas
Tidak dilakukan
estimasi
Heterosekedasitas
Estimasi model
GARCH
Estimasi model
EGARCH
Estimasi model
TARCH
Model terbaik dari estimasi GARCH, EGARCHdan T-
ARCH
Peramalan
Analisis
Deskriptif
Evaluasi model
GARCH
Evaluasi model
TARCH
Hasil
58
D. Hipotesis
Menurut penelitian terdahulu mengenai model GARCH yang dapat
mendukung hipotesis penelitian ini yaitu, penelitian oleh Birau, dkk., (2015) hasil
penelitian pada indeks BANKEX menggunakan model GARCH (1,1) pada model
GARCH (1,1) memiliki gejala volatility clustering. Anila, dkk., (2015), dengan
hasil penelitian menunjukan model GARCH hasil yang akurat dalam memprediksi
harga saham masa depan dengan nilai MAPE <5 % sehingga model GARCH
merupakan model yang tepat dan akurat untuk memprediksi volatilitas dan harga
saham di masa depan. Berdasakan penelitian diatas maka hipotesis yang
digunakan sebagai berikut:
1. 𝐻0:𝛼𝑝 = 0:Model Generalzed Autoregressive Conditional
Heteroscedasity (GARCH) tidak signifikan menjelaskan
volatilitas saham infrastruktur, utilitas dan transportasi.
𝐻0:𝛼𝑝 ≠ 0:Model Generalzed Autoregressive Conditional
Heteroscedasity (GARCH) signifikan menjelaskan
volatilitas saham infrastruktur, utilitas dan transportasi.
2. 𝐻0:𝛼𝑝 = 0:Model Generalzed Autoregressive Conditional
Heteroscedasity (GARCH) tidak dapat meramalkan
volatilitas return infrastruktur, utilitas dan transportasi.
𝐻1:𝛼𝑝 ≠ 0:Model Generalzed Autoregressive Conditional
Heteroscedasity (GARCH) dapat meramalkan volatilitas
return infrastruktur, utilitas dan transportasi.
59
BAB III
METODOLOGI PENELITIAN
A. Populasi Dan Sampel
Populasi (population) mengacu pada keseluruhan kelompok orang, kejadiaan,
atau hal – hal menarik yang ingin peneliti investasi (Sekaran & Bougie, 2017:53).
Populasi dalam penelitian ini adalah seluruh emiten yang terdaftar (lising) dan
diperdagangkan di Bursa Efek Indonesia (BEI) hingga tahun 2020.
Sampel (sample) adalah sebagian dari populasi yang terdiri atas jumlah
anggota yang dipilih dari populasi (Sekaran & Bougie, 2017:54). Teknik yang
digunakan dalam pengambilan sampel adalah dengan purposive sampling yaitu
sampel yang memiliki tujuan untuk memahami informasi tertentu pada sumber
tertentu dengan menggunakan kreteria tertentu berdasarkan tujuan penelitian yang
dicapai (Wijaya, 2013:28). Berdasarkan definisi tersebut, kriteria-kriteria tertentu
yang diinginkan dalam penelitian ini sebagai berikut:
1. Emiten yang sahamnya aktif diperdagangkan hingga akhir periode
penelitian yaitu dari tahun 2014 hingga bulan Februari 2020
2. Indeks Harga Saham Gabungan (IHSG) sektor infrastruktur, utilitas dan
transportasi periode 2014-2020.
Berikut ini merupakan tabel penentuan sampel:
60
Tabel 3. 1 Kreteria Penentuan Sampel
Kriteria Jumlah
Keseluruhan saham yang terdaftar dan diperdagangkan di
Bursa Efek Indonesia
674
Jumlah saham yang terdaftar dalam sektor infrastruktur
utilitas dan transportasi
73
Jumlah saham yang terdaftar dalam sektor infrastruktur
utilitas dan transportasi selama 2009-2020
38
Saham yang memiliki Heterokedasitas 11
Dengan sampel penelitian saham sektor infrastruktur, utilitas dan transportasi
yang dipilih sebagai berikut:
Tabel 3. 2 Daftar Sampel Emiten Saham Sektor Infrastruktur, Utilitas dan
Transportasi Periode 2014-2020
No Kode Saham Nama Perusahaan
1. MIRA Mitra International Resources Tbk
2. LAPD Leyand International Tbk
3. META Nusantara Infrastructure Tbk
4. FREN Smartfren Telecom Tbk
5. SUPR Solusi Tunas Pratama Tbk
6. GIAA Garuda Indonesia (Persero) Tbk
61
7. CASS Cardig Aero Services Tbk
8. NELY Pelayaran Nelly Dwi Putri Tbk
9. TPMA Trans Power Marine Tbk
10. CANI Capitol Nusantara Indonesia Tbk
11. IATA Indonesia Transport& Infrastruktur Tbk
B. Data dan Sumber Data
Data penelitian merupakan informasi mentah yang tersedia, yang diperoleh
melalui survei atau observasi, fakta yang diberikan kepada peneliti dan
lingkungan studinya (Wijaya, 2013:19). Data yang digunakan dalam penelitian
yaitu data sekunder, yaitu data yang diperoleh dari sumber yang menerbitkan dan
siap dipakai. Penelitian ini termasuk dalam kategori penelitian kuantitatif, yaitu
penelitian yang memungkinkan pencatatan hasil penelitian dalam bentuk angka
(Wijaya, 2013:20). Penelitian kuantitatif ini menggunakan metode deskriptif,
yaitu metode yang sifatnya menyajikan, menganalisa, dan menginterpretasi data.
C. Metode Pengumpulan Data
Metode pengumpulan data dalam penelitian ini adalah studi kepustakaan yang
dilakukan dengan mengumpulkan data dari berbagai literatur ilmiah, buku, jurnal,
situs internet yang berhubungan dengan penelitian ini seperti melalui website
Bursa Efek Indonesia (www.idx.co.id), Yahoo! Finance
(www.finance.yahoo.com), sahamok (www.sahamok.com), bank Indonesia
(www.bi.go.id), otoritas jasa keuangan (www.ojk.go.id).
62
D. Metode Analisis Data
Metode analisis yang digunakan untuk data time series. Pada penelitian ini,
teknik analisis data yang digunakan adalah uji stasioneritas, inditifikasi model
Box Jenkins, estimasi Parameter ARIMA, Pemilihan model GARCH, pengujian
model GARCH mengunakkan uji ARCH –LM, pemilihan model TARCH dan
EGARCH, pemilihan model terbaik, akurasi peramalan data return untuk tiga
tahun kedepan.
1. Analisis Deskriptif Data
Menurut Sekaran dan Bougie, (2017:111) analisis deskriptif adalah
statistik yang digunakan untuk menganalisa data dengan cara
mendeskripsikan atau menggambarkan data yang telah terkumpul
sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku
untuk umum atau generalisasi. Langkah yang dilakukan dalam analisis
deskriptif data yaitu, penyajian data berupa gambar, grafik, ataupun tabel
yang berisikan nilai minimum, maksimum, rata-rata, dan standar deviasi akan
dipaparkan dalam statistik deskriptif ini.
2. Return
Return merupakan imbalan yang diperoleh dari investasi. Menurut Robert
Ang, return (kembali) adalah tingkat keuntungan yang dinikmati oleh
pemodal atas suatu invetasi yang dilakukan. Tingkat pengembalian (return)
merupakan selisih dari harga jual dengan harga beli (disebut dengan capital
apperection dapat gain atau capital loss ditambah dengan deviden yang
dibagikan kepada para pemegang saham (Radoni & Ali, 2014:67).
63
𝑅𝑡=ln𝑆𝑡
𝑆𝑡−1
Dimana :
𝑅𝑡= actual, expected atau required rate of return pada periode t
𝑆𝑡= harga saham pada waktu t
𝑆𝑡−1 =harga saham pada waktu t-1
3. Uji Stasioneritas
Data runtun waktu dikatakan stasioner jika stokastik data menunjukan pola
variasi (varians) yang konstan dari waktu ke waktu atau dengan kata lain tidak
terdapat kenaikan atau penurunan pada data yang terlalu mencolok. Terdapat
dua perilaku stasioneritas data, yaitu:
a) Mean stasionerity. Data bersifat stasioner pada nilai tengahnya (mean)
yaitu apabila data tersebut berfluktuasi di sekitar suatu nilai tengah yang
tetap sepanjang/ selama waktu observasi. Jika data tidak stasioner,
langkah yang dilakukan adalah melakukan pembedaan (differencing)
tahap pertama dan kedua terhadap data asli
b) Variance stasioner. Data bersifat stasioner padavariannya (Variance)
yaitu apabila data berfluktuasi dengan varian yang tetap dari waktu ke
waktu. Untuk mengatasi data tidak stasioner langkah umum untuk
menangulangi/ menghilangkan non stasioneritas adalah trasformasi data
asli dengan ln (logaritma natural) atau akar kuadrat.Dalam sektor
infrastuktur, utilitas dan transportasi dilakukan dengan menggunakan Uji
64
Akar Unit (Unit Root Test) dengan metode Augmented Dickey Test (ADF
test). Uji unit Root yang dikenalkan oleh David Dickey dan Wayne
Fuller. Pengujian menggunakan Dickey Fuller Test mengansumsikan 𝜇𝑡
atau stochastics error term tidak berkorelasi. Untuk mengantisipasi
adanya korelasi tersebut Dickey Fuller mengembangkan pegujian dengan
nama Augmented Dickey Fuller (ADF) Test.
Hipotesis :
𝐻0= Terdapat unit root (data tidak stasioner).
𝐻1= Tidak terdapat unit root (data stasioner)
Taraf signifikansi 𝛼= 5%
4. Estimasi Parameter ARIMA
Sejak Box dan Jenkins mengembangkan metodologi untuk teknik permalan
di bidang ekonomi dan bisnis pada pertengahan tahun 1970- an. Model
ARIMA salah satu analisis data runtutan waktu yang sering digunakan dalam
penelitian untuk memperkirakan (forecasting) data masa yang akan datang
berdasarkan perilaku data.
ARIMA adalah merupakan Autoregressive Integreted Moving Average.
Estimasi model, pada tahap estimasi, pertama-pertama dihitung nilai estimasi
awal paramater- parameter dari model tentatif.
a) Indentifikasi
65
Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu indentifikasi
terhadap pola data, indentifikasi terhadap pola data atau perilaku ACF
maupun PACF (fungsi autokorelasi parsial)
Tabel 3. 3 Pola Data ACF dan PACF (Fungsi Autokorelasi Parsial)
Model Pola ACF Pola PACF
AR (p) Exponential,
exponentialoscillation atau
sinewave
Menurun drastis pada lag
tertentu (cutt off)
MA (q) Menurun drastis pada lag
tertentu (cutt off)
Exponential,
exponentialoscillation atau
sinewave
ARMA (p,q) Exponential,
exponentialoscillation atau
sinewave
Exponential,
exponentialoscillation atau
sinewave
b) Estimasi Model
Pada tahap estimasi, pertama- tama dihitung nilai estimasi awal untuk
parameter- parameter dari model tentatif.
a. Model Autoregressive (AR)
Proses AR adalah proses dimana kita mengansumsikan data memiliki
hubungan dengan data- data terdahulu Pada model ini 𝑍𝑡 adalah fungsi
66
linear dari observasi deret stasioner sebelumnya (𝑍𝑡−1, 𝑍𝑡−2, … … ).
Dalam bentuk persamaan:
𝑍𝑡 = 𝛿 + ∅1𝑍𝑡−1 + ∅2𝑍𝑡−2 + ⋯ + 휀𝑡
𝑍𝑡 = observasi deret stasioner saat ini
𝑍𝑡−1, 𝑍𝑡−2 = observasi sebelumnya (biasanya tidak lebih dari dua
periode observasi yang digunakan)
𝛿, ∅1, ∅2 = parameter- parameter (konstanta dan koefisien) dari
analisis regresi
휀𝑡 = residual peramalan acak untuk saat ini (diharapkan
nilainya sama dengan nol).
Jumlah observasi masa lalu yang digunakan dalam model AR
dikenal dengan orde p.
b. Model Rataan Bergerak/Moving Average (MA)
Moving Average merupakan proses dimana 𝑦𝑡 dihasilkan dari forecast
error beberapa periode sebelumnya. Proses MA (q) dinyatakan sebagai:
𝑦𝑡 = 𝜇𝑡 + 휀𝑡 − 𝜃1휀𝑡−1 − 𝜃2휀𝑡−2 − ⋯ − 𝜃𝑞휀𝑡−𝑞
Dimana:
𝑦𝑡 = observasi deret stasioner saat ini
휀𝑡 = residual peramalan yang white noise, yang tidak dikenali
dan diharapkan bernilai nol
휀𝑡−1, 휀𝑡−2 = residual peramalan periode sebelumnya
𝜇𝑡, 𝜃1, 𝜃2 = konstanta dan koefisien rataan bergerak.
67
c. Model Gabungan Autoregressive Moving Average (ARMA)
Pada model ini 𝑍𝑡 adalah kombinasi dari model model autoregresi dan
model rataan bergerak. Dalam bentuk persaman sebagai berikut:
𝑍𝑡 = 𝛿 + ∅1𝑍𝑡−1 + ∅2𝑍𝑡−2 + ⋯ + 휀𝑡 − 𝜃1휀𝑡−1 − 𝜃2휀𝑡−2
Dimana :
𝑍𝑡 = observasi deret stasioner saat ini
𝑍𝑡−1, 𝑍𝑡−2, … , 휀𝑡−1, 휀𝑡−2=observasi dan residual peramalan periode
sebelumnya dari deret stasioner
∅1, ∅2, … , 𝜃1, 𝜃2 = konstanta dan koefisien- koefisien model.
휀𝑡 = residual peramalan acak untuk saat ini
(diharapkan nilainya sama dengan nol).
Pada penelitian ini, untuk pemilihan model terbaik menggunakan
kreteria AIC (Akaike Information Criterion) adalah kriteria yang
menyediakan ukuran informasi yang dapat menyeimbangkan ukuran
kebaikan odel dan efesiensi (parsimonious). Model yang baik dipilih
berdasarkan nilai AIC yang terkecil dengan juga memperhatikan
signifikansi parameter yang diestimasi. Dalam pemilihan model
GARCH digunakan untuk menilai kualitas model dengan rumus:
AIC = h (𝑆𝑆𝐸)
𝑛 + h
2𝑘
𝑛
68
Dimana :
SSE = sum of squared error
K = jumlah parameter yang diestimasi
n = jumlah observasi
c) Evaluasi Model
Setelah diperoleh persamaan untuk model tentatif, dilakukan uji
diagnostik untuk menguji kedeketan model dengan data. Uji ini dilakukan
dengan menguji nilai residual (𝑌𝑡 − �̌�𝑡) dan dengan menguji signifikansi dan
hubungan- hubungan antara parameter. Pengujian Model ARIMA
Mengunakkan Uji ARCH –LM.
Dalam data time series untuk mengetahui heteroskedasititas digunakan
pengujian ARCH-Lagrange Multiplier yang dikembangkan oleh Engle.Uji
ARCH –LM bahwa variansi bukan hanya fungsi dari variabel independen
tetapi tergantung pada residual kuadrat pada periode sebelumnya.
Hipotesis:
𝐻0 = 𝛼1 = 𝛼2 … ..=𝛼𝑃 =0 ( tidak terdapat efek ARCH)
𝐻1 = 𝛼1 ≠ 0, 𝑖 = 1,2 … . 𝑝 (terdapat efek ARCH)
5. Pemilihan Model GARCH
Bollerslev (1986) mengemukakan bahwa ragam residual tidak hanya
tergantung dari residual periode lalu tetapi juga ragam residual periode yang
69
lalu. Berdasarkan hal tersebut Bollerslev kemudian mengembangkan model
ARCH dengan mamasukkan unsur residual periode lalu dan ragam residual.
Model ini dikenal sebagai model Generalized Autoregressive Conditional
Heteroscedasticity (GARCH). Dengan persamaan sebagai berikut:
𝜎𝑡2 = 𝜔 + 𝛼휀𝑡−1
2 +𝛽𝜎𝑡−12
Dimana :
𝜎𝑡2 = varian bersyarat
𝜔 = rata- rata
휀𝑡−12 = volatilitas periode sebelumnya
𝜎𝑡−12 = varian periode sebelumnya
Langkah –langkah estimasi model ARCH/ GARCH sebagai berikut
(Firdaus 2015:152):
a) Estimasi Model
Pada tahap ini dilakukan simulasi beberapa model ragam dengan
model rataan yang telah didapatkan kemudian dilanjutkan dengan
pendugaan parameter model. Pada tahap ini dilakukan pemilihan model
terbaik. Pada penelitian ini, untuk pemilihan model terbaik
menggunakan kreteria AIC (Akaike Information Criterion) adalah
kriteria yang menyediakan ukuran informasi yang dapat
menyeimbangkan ukuran kebaikan odel dan efesiensi (parsimonious).
Model yang baik dipilih berdasarkan nilai AIC yang terkecil dengan
70
juga memperhatikan signifikansi parameter yang diestimasi. Dalam
pemilihan model GARCH digunakan untuk menilai kualitas model
dengan rumus:
AIC = h (𝑆𝑆𝐸)
𝑛 + h
2𝑘
𝑛
Dimana :
SSE = sum of squared error
K = jumlah parameter yang diestimasi
n = jumlah observasi
b) Evaluasi Model
Evaluasi model dilakukan dengan memperhatikan beberapa
indikator, yaitu apakah galat sudah terdistribusi normal, keacakan galat
yang dilihat dari fungsi autokorelasi dan kuadrat galat dan pengujian
efek ARCH –GARCH dari galat.
6. Pemilihan Model Tsholder Generalized Autoregressive Conditional
Heteroscedasticity (T-ARCH)
Model TARCH diperkenalkan oleh Zakoian (1990) dan Glosten,
Jaganathan, Runkle (1993). Asumsi model ARCH /GARCH adalah terhadap
guncangan (shock) yang bersifat simetris (symetric shock) terhadap volatilitas.
Namun demikian, dalam pasar uang dan pasar modal, sering ditemukan bahwa
volatilitas dari error ketika ada guncangan negatif lebih besar daripada ketika
ada guncangan positif. Kasus ini disebut sebagai guncangan asimetris
71
(asimetric shock), dimana penurunan tajam (efek negatif) tidak serta mertaakan
diikuti dengan kenaikan (efek positif) dalam ukuran yang sama pada periode
berikutnya. Persamaan model TARCH berikut:
𝑌𝑡 = 𝛽0+𝛽1𝑋𝑡 + 𝑒𝑡
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜎𝑡−1
2 +… + 𝛼𝑃 𝜎𝑡−𝑃2 + ∅ 𝑒𝑡−1𝑑𝑡−1 + 𝜆1 𝜎𝑡−1
2 +…+𝜆𝑞 𝜎𝑡−𝑞2
𝜎𝑡2 = 𝛼0 + ∑ (𝛼𝑖 휀𝑡−𝑖
2 )𝑞𝑖=1 + y 휀𝑡−𝑖
2 𝑑𝑡−1 + ∑ 𝛽𝑖𝜎𝑡−𝑗2𝑝
𝑗=1
Dimana d adalah peubah boneka (dummy variable), 𝑑𝑡−1 =1 jika 𝑒𝑡−1<0
dan 𝑑𝑡−1 = 0 jika 𝑒𝑡−1>0. Dalam model TARCH, berita baik (good news )
pada periode t-1 (et-1<0) dan berita buruk (bad news) pada periode t-1 (𝑒𝑡−1 >
0) mempunyai efek berbeda terhadap conditional variance. Pada t-1, berita
baik mempunyai dampak terhadap 𝛼 dan berita buruk mempunyai terhadap
𝛼 + ∅. jika ∅ ≠ 0 maka terjadi efek asimetris.
a) Estimasi Model
Pada penelitian ini, untuk pemilihan model terbaik menggunakan
kreteria AIC (Akaike Information Criterion) adalah kriteria yang
menyediakan ukuran informasi yang dapat menyeimbangkan ukuran
kebaikan odel dan efesiensi (parsimonious). Model yang baik dipilih
berdasarkan nilai AIC yang terkecil dengan juga memperhatikan
signifikansi parameter yang diestimasi.
b) Evaluasi Model
72
Evaluasi model dilakukan dengan memperhatikan beberapa
indikator, yaitu apakah galat sudah terdistribusi normal, keacakan galat
yang dilihat dari fungsi autokorelasi dan kuadrat galat dan pengujian
efek ARCH-GARCH dari galat. Pengujian untuk mengetahui masalah
heteroskedastisitas dalam time series yang dikembangkan oleh Engle
dikenal dengan uji ARCH-Lagrange Multiplier. Ide pokok uji ini
adalah bahwa variansi residual bukan hanya fungsi dari variabel
independen tetapi tergantung pada residual kuadrat pada periode
sebelumnya.
Hipotesis:
𝐻0 = 𝛼1 = 𝛼2 … ..=𝛼𝑃 =0 (tidak terdapat efek ARCH)
𝐻1 = ∃ 𝛼1 ≠ 0, 𝑖 = 1,2 … . 𝑝 (terdapat efek ARCH)
Taraf signifikansi atau = 0,05.
7. Pemilihan Model Exponential Generalized Autoregressive Conditional
Heteroscedasticity (E-GARCH)
Model EGARCH diperkenalkan oleh Nelson (1991). Model EGARCH
memiliki persamaan sebagi berikut.
𝑌𝑡𝑌𝑡= 𝛽0+𝛽1𝑋𝑡 + 𝑒𝑡
𝜎𝑡2 = 𝛼0 + 𝛼1 |
𝑒𝑡−1
𝜎𝑡−1| + ∅1 |
𝑒𝑡−1
𝜎𝑡−1| + ⋯ + 𝛼𝑝 |
𝑒𝑡−𝑝
𝜎𝑡−𝑝| + ∅𝑝
𝑒𝑡−𝑞
𝜎−𝑞 + 𝜆1 h
𝜎𝑡−12 +...𝜆𝑞 h𝜎𝑡−𝑞
2 .....
Ln (𝜎𝑡2) = 𝛼0 + 𝛽 ln 𝜎𝑡−1
2 + 𝛼 |𝑒𝑡−1
𝜎𝑡−1| +y |
𝑒𝑡−1
𝜎𝑡−1|
73
Pada persamaan ragam, conditional variance menggunakkan bentuk
logaritma natural (ln). Ini berarti conditional variance bersifat eksponential
bukan dalam bentuk kuadratik. Selain itu penggunaan ln juga menjamin bahwa
ragam tidak pernah negatif. Efek asimetris terjadi jika ∅ ≠ 0.
Nilai parameter suku ARCH pada persamaan terdiri atas2 bagian, yaitu sign
effect (𝑒𝑡−𝑞/𝜎𝑡−𝑞) dan magnitude effect (|𝑒𝑡−𝑝/𝜎𝑡−𝑝|). Sign effect menunjukan
adanya perbedaan pengaruh antara guncangan positif dengan guncangan
negatif pada periode t terhadap ragam saat ini. Magnitude effect menunjukkan
besarnya pengaruh volatilitas pada periode t-p terhadap ragam saat ini.
a) Pemilihan Model E-GARCH
Pada penelitian ini, untuk pemilihan model terbaik menggunakan kreteria
AIC (Akaike Information Criterion) adalah kriteria yang menyediakan
ukuran informasi yang dapat menyeimbangkan ukuran kebaikan odel dan
efesiensi (parsimonious). Model yang baik dipilih berdasarkan nilai AIC
yang terkecil dengan juga memperhatikan signifikansi parameter yang
diestimasi.
b) Evaluasi Model
Evaluasi model dilakukan dengan memperhatikan beberapa indikator,
Pengujian untuk mengetahui masalah heteroskedastisitas dalam time series
yang dikembangkan oleh Engle dikenal dengan uji ARCH-Lagrange
Multiplier. Ide pokok uji ini adalah bahwa variansi residual bukan hanya
74
fungsi dari variabel independen tetapi tergantung pada residual kuadrat pada
periode sebelumnya.
Hipotesis:
𝐻0 = 𝛼1 = 𝛼2 … ..=𝛼𝑃 =0 ( tidak terdapat efek ARCH)
𝐻1 = ∃ 𝛼1 ≠ 0, 𝑖 = 1,2 … . 𝑝 (terdapat efek ARCH)
Taraf signifikansi atau = 0,05.
8. Peramalan (forecasting)
Peramalan (Forecasting) adalah metode menghasilkan nilai variabel pada
masa yang akan datang (outsample) berdasarkan data dan model ekonometrika.
Dasar forecasting menggunakan model ekonomi untuk menghasilkan data yang
akan datang. Pengertian forecasting sebenarnya bukan hanya ditunjukkan
kepada data yang akan datang tetapi proyeksi (prediksi) data pada waktu yang
sama dengan data aktual. Forecasting pada data yang sama dengan data aktual
adalah proyeksi atau estimasi atau taksiran atau data prediksi. Sedangkan yang
dihasilkan maju melebihi data aktual adalah forecasting (Ekananda, 2016). Pada
penelitial ini peramalan dilakukan menggunakan model terbaik yang dipilih
kemudian forecasting.
75
BAB IV
TEMUAN PENELITIAN DAN PEMBAHASAN
A. Temuan Hasil Penelitian
Langkah pertama dalam proses penelitian adalah dengan melihat pergerakan
harga saham masing- masing perusahaan dan return saham. Pada Gambar 4.1
dapat dilihat setiap perusahaan yang diteliti mememiliki volatilitas.
49
50
51
52
53
54
55
56
57
58
2014 2015 2016 2017 2018 2019
MIRA_CLOSE
-.08
-.06
-.04
-.02
.00
.02
.04
2014 2015 2016 2017 2018 2019
MIRA_RETURN
40
50
60
70
80
90
100
110
120
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
LAPD CLOSING
-.6
-.5
-.4
-.3
-.2
-.1
.0
.1
.2
.3
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
LAPD RETURN
40
80
120
160
200
240
280
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
META CLOSING
-.5
-.4
-.3
-.2
-.1
.0
.1
.2
.3
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
RETURN META
76
100
200
300
400
500
600
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
GIAA CLOSING
-.3
-.2
-.1
.0
.1
.2
.3
.4
.5
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
RETURN GIAA
2,000
4,000
6,000
8,000
10,000
12,000
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
SUPR CLOSING
-.4
-.3
-.2
-.1
.0
.1
.2
.3
.4
.5
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
RETURN SUPR
0
50
100
150
200
250
300
350
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
FREN CLOSING
-.8
-.6
-.4
-.2
.0
.2
.4
.6
.8
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
RETURN FREN
600
700
800
900
1,000
1,100
1,200
1,300
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
CASS CLOSING
-.25
-.20
-.15
-.10
-.05
.00
.05
.10
.15
.20
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
RETURN CASS
77
80
90
100
110
120
130
140
150
160
170
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
NELY CLOSING
-.4
-.3
-.2
-.1
.0
.1
.2
.3
.4
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
RETURN NELY
100
150
200
250
300
350
400
450
500
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
TPMA CLOSING
-.6
-.4
-.2
.0
.2
.4
.6
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
RETURN TPMA
0
400
800
1,200
1,600
2,000
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
CANI CLOSING
-1.2
-0.8
-0.4
0.0
0.4
0.8
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2014 2015 2016 2017 2018 2019
RETURN CANI
40
50
60
70
80
90
100
2014 2015 2016 2017 2018 2019
IATA_CLOSE
-.3
-.2
-.1
.0
.1
.2
.3
.4
2014 2015 2016 2017 2018 2019
RETURN_IATA
Gambar 4. 1 Grafik Data Bulanan dan Data Return Bulanan
78
Pada gambar 4.1 menunjukan data harga penutupan saham dan return
saham dari sektor infrastruktur, utilitas dan transportasi, yaitu mitra internastional
Resources tbk. (MIRA), Leyand internasional (LAPD), Nusantara Infrastucture
Tbk (META), Smartfren Telecom Tbk (FREN), Solusi Tunas Pratama Tbk
(SUPR), Garuda Indonesia (persero) Tbk (GIAA), Cardig Aero Services Tbk
(CASS), Pelayaran Nelly Dwi Putri Tbk (NELY), Trans Power Marie Tbk
(TPMA), Capitol Nusantara Indonesia Tbk (CANI), Indonesia Transport &
Infrastructure (IATA). Berdasarkan gambar diatas menunjukkan bahwa
pergerakan return saham berubah- ubah sehingga meyebabkan volatilitas return
saham.
1. Analisis Deskriptif Return Saham
Tabel 4. 1 Deskriptif dari Return Saham
Kode
Saham
Mean Median Maxim
um
Minimu
m
Std
devias
i
Skewness kurt
osis
prob
MIRA -
0.0012
01
0.0000
00
0.0200
00
-
0.0727
27
0.010
269
-4.593844 33.8
2923
0.0000
00
LAPD -
0.0068
27
0.0000
00
0.2173
91
-
0.3909
09
0.060
184
-3.110278 26.6
1003
0.0000
00
META -
0.0032
20
-
0.0050
38
0.3103
43
-
0.3275
87
0.095
772
-0.036932 6.18
0918
0.0000
00
FREN 0.0351
25
0.0000
00
1.1447
36
-
0.4660
49
0.263
885
2.263039 9.00
1687
0.0000
00
SUPR -
0.0022
0.0000
00
0.5554
502
-
0.3237
0.116
738
1.404596 10.3
3247
0.0000
00
79
89 18
GIAA -
0.0013
65
-
0.0181
48
0.5234
90
-
0.3686
87
0.132
035
0.956972 6.20
3961
0.0000
00
CASS -
0.0032
39
0.0020
83
0.1745
28
-
0.1888
89
0.063
036
0.140570 4.26
7300
0.0744
34
NELY 0.0040
29
0.0000
00
0.4778
76
-
0.2614
38
0.114
741
0.867556 6.44
9196
0.0000
00
TPMA 0.0081
24
0.0000
00
0.6666
67
-
0.3539
33
0.164
581
1.342676 7.06
2515
0.0000
00
CANI 0.0083
64
0.0000
00
0.9857
14
-
0.6034
48
0.210
663
2.173354 12.0
7090
0.0000
00
IATA -
0.0059
34
0.0000
00
0.4242
42
-
0.1975
31
0.076
569
2.561701 16.5
5971
0.0000
00
Pada tabel 4.1 Analisis deskriptif return saham digunakan untuk
menganalisis karakteristik return saham (Sari dkk., 2017). Analisis
karakteristik saham melalui hasil nilai mean, nilai maksimal, nilai minimal dan
simpangan baku dari data return saham bulanan 11 perusahaan dalam sektor
infrastruktur, utilitas dan transportasi.
2. Uji Stasioneritas Data
Uji stasioneritas merupakan langkah awal dalam mengestimasi model untuk
data time series. Uji stasioneritas data perlu dilakukan untuk memastikan
80
bahwa data yang digunakan dalam mengestimasi model telah stasioner (Sari
dkk., 2017).
Tabel 4. 2 Hasil Uji Augmented Dickey-Fuller (ADF)
Kode
Saham
ADF
statistik
probabilitas t-statistik
1% 5% 10%
MIRA -6.902173 0.0000 -3.522887 -2.901779 -2.588280
LAPD -11.06883 0.0001 -3.522887 -2.901779 -2.588280
META -4.959047 0.0001 -3.522887 -2.901779 -2.588280
FREN -8.817454 0.0000 -3.522887 -2.901779 -2.588280
SUPR -8.267719 0.0000 -3.522887 -2.901779 -2.588280
GIAA -5.617598 0.0000 -3.522887 -2.901779 -2.588280
NELY -11.69332 0.0001 -3.522887 -2.901779 -2.588280
CASS -8.340664 0.0000 -3.52433 -2.902358 -2.588587
TPMA -9.372393 0.0000 -3.522887 -2.901779 -2.588280
CANI -7.248780 0.0000 -3.522887 -2.901779 -2.588280
IATA -10.33439 0.0001 -3.522887 -2.901779 -2.588280
Pada penelitian ini pengujian stasioneritas data menggunakkan uji Augmented
Dickey-Fuller (ADF) dalam mengindentifikasi kestasioneran data. Dari Tabel
4.2 diperoleh nilai probabilitas ADF sebesar 0.0000- 0.0001. Nilai tersebut kurang
dari taraf signifikan sebesar 5%. Karena nilai probabilitas kurang dari 5% maka
𝐻0ditolak yang berarti data return stasioner.
3. Estimasi Parameter ARIMA
Dalam estimasi ARIMA ada beberapa tahapan yang harus dilakukan yaitu:
81
a) Indentifikasi
Indentifikasi model AR dan MA dari suatu time series dilakukan dengan
melihat correlogram yang merupakan grafik yang menunjukan nilai
Autocorrelation Function (ACF) dan Partial Autocorrelation Function
(PACF) pada berbagai lag.
(MIRA) (LAPD)
(META) (FREN)
82
(SUPR) (GIAA)
(NELY) (CASS)
83
(CANI) (TPMA)
(IATA)
Gambar 4. 2 Correlogram Return Saham
Gambar 4.2 menunjukan grafik dari hasil uji Autocorrelation Function
(ACF), dan hasil uji Partialcorrelation Function (PACF). Uji ini
dilakukan sebelum melakukan pemodelan ARIMA dengan tujuan
menentukan ordo yang tepat pada model ARIMA (p,d,q).
b) Estimasi model Autoregressive Integreted Moving Average (ARIMA)
Sebelum melakukan pemodelan model Generalized Autoregressive
Conditional Heteroskedasticity (GARCH) terlebih dahulu melakukan
model ARIMA. Hal ini disebabkan spesifikasi model ARCH/ model
Generalized Autoregressive Conditional Heteroskedasticity (GARCH)
terdiri atas conditional mean dan conditional variance sehingga terlebih
dahulu diperlukan permodelan ARIMA agar diperoleh model GARCH
yang tepat.
84
Tabel 4. 3 Estimasi Model ARIMA
Kode Saham Model AIC Prob
MIRA (3,5) -8.613397 0.0074
LAPD (4,3) -6.062914 0.0000
META (1,0) -1.907623 0.0006
FREN (5,5) -0.273082 0.0000
SUPR (4,4) -1.794119 0.0361
GIAA (0,5) -1.375658 0.0000
NELY (5,5) -1.600371 0.0000
CASS (3,3) -2.695101 0.0000
TPMA (5,5) -0.938717 0.0000
CANI (5,5) -0.363244 0.0000
IATA (0,4) -2.441479 0.0000
Dalam pemilihan model ARIMA terbaik menggunakan kreteria AIC
(Akaike Information Criterion) adalah kriteria yang menyediakan ukuran
informasi yang dapat menyeimbangkan ukuran kebaikan model dan
efesiensi (parsimonious). Model yang baik dipilih berdasarkan nilai AIC
yang terkecil dengan juga memperhatikan signifikansi parameter yang
diestimasi.
85
c) Evaluasi Model
Setelah diperoleh persamaan, dilakukan uji diagnostik untuk menguji
kedekatan model dengan data (Firdaus, 2020). Evaluasi model
menggunakan uji ARCH –Lagrange Multiplier
Tabel 4. 4 Uji ARCH -Lagrange Multiplier
Kode Saham Prob. F Prob. Chi-Square
MIRA 0.0001 0.0002
LAPD 0.009 0.0104
META 0.0195 0.0197
FREN 0.0172 0.0175
SUPR 0.0000 0.0000
GIAA 0.0241 0.0242
NELY 0.0004 0.0006
CASS 0.0326 0.0324
TPMA 0.0087 0.0092
CANI 0.0259 0.0259
IATA 0.0440 0.0433
86
Pada Tabel 4. 4 menunjukkan bahwa model ARIMA mengandung
heteroskedastisitas karena nilai prob F Statistik bernilai 0.0000 – 0.499
dibawah nilai signifikan 0.05 Sehingga data dapat dilanjutkan dengan uji
ARCH-GARCH Model.
4. Estimasi Parameter Generalized Autoregressive Conditional
Heteroskedasticity (GARCH)
a. Estimasi model GARCH
Tabel 4. 5 Estimasi Model GARCH
Kode Saham Model AIC Prob
MIRA (0,2) -19.91234 0.0301
LAPD (0,1) -19.84188 0.0033
META (2,1) -2.337240 0.0014
FREN (0,1) -0.514977 0.0006
SUPR (0,1) -2.252588 0.0000
GIAA (0,1) -1.515963 0.0097
NELY (2,0) -2.061612 0.0000
CASS (2,0) -2.770515 0.0008
TPMA (1,1) -1.172058 0.0000
CANI (3,1) -1.107558 0.0002
IATA (1,0) -5.112337 0.0087
Pada penelitian ini, dalam pemilihan model GARCH terbaik
menggunakan kreteria AIC (Akaike Information Criterion) adalah kriteria
yang menyediakan ukuran informasi yang dapat menyeimbangkan ukuran
87
kebaikan model dan efesiensi (parsimonious). Model yang baik dipilih
berdasarkan nilai AIC yang terkecil dengan juga memperhatikan
signifikansi parameter yang diestimasi (Firdaus, 2020).
b. Pemilihan Model Terbaik
Setelah estimasi model GARCH, pemilihan model GARCH terbaik
berdasarkan nilai AIC terkecil dan memiliki probabilitas yang signifikan
sehingga diperoleh variabel dengan model terbaik sebagai berikut :
Tabel 4. 6 Hasil Model ARCH GARCH
Kode
Saham
dan
model
GARCH
C Arch
(t-1)
Arch
(t-2)
A
rc
h
(t
-
3)
Ar
ch
(t-
4)
Garch
(t-1)
Garch
(t-2)
Garc
h
(t-3)
Gar
ch
(t-
4)
MIRA
(0,2)
1.05E
-14
0.322218 0.1081
43
LAPD
(0,1)
4.01E
-13
0.301520
META
(2,1)
0.000
884
0.805767 0.7929
43
-
0.3370
24
FREN
(0,1)
0.013
138
0.980214
88
SUPR
(0,1)
0.003
364
0.554832
GIAA
(0,1)
0.004
973
1.057277
NELY
(2,0)
0.000
103
1.9999
93
-
1.0085
35
CASS
(2,0)
4.03E
-05
2.0097
46
-
1.0198
38
TPMA
(1,1)
0.014
397
0.914074 -
0.2920
84
CANI
(3,1)
0.000
921
0.497921 0.9766
56
-
0.9050
41
0.59
5031
IATA
(1,0)
-
6.00E
-07
0.8850
90
c. Evaluasi Model
Evaluasi model dilakukan dengan memperhatikan beberapa indikator,
yaitu apakah galat sudah terdistribusi normal, keacakan galat yang dilihat
89
dari fungsi autokorelasi dan kuadrat galat dan pengujian efek ARCH –
GARCH dari galat.
Tabel 4. 7 Hasil Test Diagnostik Terhadap Model
Kode Saham Heterokedasitas Autokorelasi Normalitas
MIRA 0.1285 0.000 0.058813
LAPD 0.7920 0.000 0.000000
META 0.6030 0.450 0.001375
FREN 0.5236 0.178 0.016832
SUPR 0.8868 0.185 0.000000
GIAA 0.4006 0.197 0.887170
NELY 0.0523 0.078 0.477083
CASS 0.4230 0.039 0.676099
TPMA 0.5547 0.056 0.164730
CANI 0.8470 0.072 0.000000
IATA 0.0822 0.016 0.000000
Pengujian ketepatan model untuk menangkap galat diuji dengan
tiga alat uji, yaitu uji ARCH-LM Test untuk menguji apakah masih
tersisa efek Heteroskedastisitas pada galat, uji Correlogram QStatistic
90
untuk menguji data bersifat autokorelasi atau tidak serta uji normalitas
untuk melihat distribusi galat (Firdaus, 2020).
5. Estimasi model Tsholders Generalized Autorefressive Conditional
Heteroskedasticity (TARCH)
a. Estimasi model T-ARCH
Tabel 4. 8 Estimasi Model T-ARCH
Kode
Saham
Model AIC Prob
Tsholders GARCH
MIRA 1 2,4 -20.83213 0.9057
LAPD 1 0,4 -18.88709 0.9482
META 1 3,0 -2.045414 0.0000
FREN 1 3,0 -0.544302 0.0000
SUPR 1 4,3 -2.515772 0.1408
GIAA 1 2,3 -1.639250 0.0232
NELY 1 0,1 -1.754651 0.0005
CASS 1 4,0 -2.784527 0.8782
TPMA 1 1,1 -1.134772 0.0000
CANI 1 1,0 -1.063169 0.0000
IATA 1 1,1 -6.093938 0.0000
Pada penelitian ini, dalam pemilihan model T-ARCH terbaik
menggunakan kreteria AIC (Akaike Information Criterion) adalah kriteria
yang menyediakan ukuran informasi yang dapat menyeimbangkan ukuran
kebaikan model dan efesiensi (parsimonious). Model yang baik dipilih
91
berdasarkan nilai AIC yang terkecil dengan juga memperhatikan
signifikansi parameter yang diestimasi (Firdaus, 2020).
b. Pemilihan Model Tsholders Generalized Autorefressive Conditional
Heteroskedasticity (T-ARCH) terbaik
Setelah estimasi model T-ARCH, pemilihan model T-ARCH terbaik
berdasarkan nilai AIC terkecil dan memiliki probabilitas yang signifikan
sehingga diperoleh variabel dengan model terbaik sebagai berikut :
Tabel 4. 9 Hasil Model T-ARCH
Kode
Saha
m
C Arch
(t-1)
Arch
(t-2)
Arch
(t-3)
arch
(t-4)
arch
(t-5)
Arch
^2
Garch
(T-1)
Garch
(T-2)
Garch
(T-3)
Garc
h
(T-4)
MIR
A
1.24E1
4
0.092
246
0.017
664
0.032
705
0.0196
21
0.0153
81
0.37701
0
0.015136
LAP
D
2.15E-
12
0.146
468
0.068
085
0.066
332
0.0714
93
-
0.1942
15
MET
A
0.0025
51
0.6425
01
0.41851
4
0.377303 -0.371692
FRE
N
0.0007
18
-
0.0701
39
1.03435
9
1.034726 -1.074276
92
SUP
R
0.0032
72
0.111
926
0.105
772
0.155
031
0.6790
56
0.00232
2
0.403719 -0.625384 -
0.016
011
GIA
A
0.0001
39
0.894
428
-
1.873
216
0.997
303
-
0.0412
70
2.04629
0
-1.054692
NEL
Y
0.0061
18
0.768
244
-
0.7239
07
CAS
S
-1.92E-
05
0.3549
35
1.22209
7
-0.217872 -0.693013 0.537
632
TPM
A
0.0140
08
1.013
180
-
0.4884
70
-
0.28255
0
CAN
I
0.0005
97
-
0.1243
85
1.08422
6
IAT
A
-1.13E-
08
0.066
549
0.3513
96
0.69105
9
97
c. Evaluasi Model TARCH
Setelah diperoleh persamaan, dilakukan uji diagnostik untuk menguji
kedekatan model dengan data (Firdaus, 2020). Evaluasi model
menggunakan uji ARCH – Lagrange Multiplier
Tabel 4. 10 Uji ARCH Lagrange Mutiplier T-ARCH
Kode
Saham
ARCH
LM
Autokorelasi Normalitas
MIRA 0.0004 0.000 0.000000
LAPD 0.1924 0.000 0.000000
META 0.2784 0.285 0.000000
FREN 0.7398 0.094 0.002659
SUPR 0.9230 0.121 0.000000
GIAA 0.3776 0.369 0.577156
NELY 0.2055 0.057 0.677664
CASS 0.8051 0.080 0.859270
TPMA 0.8873 0.085 0.018125
CANI 0.0781 0.071 0.007116
IATA 0.5891 0.003 0.000000
94
Pada Tabel 4. 10 menunjukkan bahwa model T-ARCH tidak
mengandung heteroskedastisitas karena nilai prob F Statistik bernilai
0.0001 – 0.9945 lebih besar dari nilai signifikan yaitu 0.05.
6. Estimasi Model Exponential Generalized Autorefressive Conditional
Heteroskedasticity (EGARCH)
a. Estimasi model EGARCH
Tabel 4. 11 Estimasi Model E-GARCH
Kode
Saham
Model AIC Prob
Exponential GARCH
MIRA 1 4,5 -16.10138 0.0000
LAPD 1 2,0 -17.18205 0.0000
META 1 1,0 -2.029142 0.0460
FREN 1 0,3 -0.855528 0.0000
SUPR 1 3,0 -2.489010 0.0000
GIAA 1 3,2 -1.810727 0.0592
NELY 1 2,0 -1.619394 0.0000
CASS 1 2,0 -2.675008 0.0000
TPMA 1 4,0 -1.042906 0.0000
CANI 1 2,2 -1.795069 0.0000
IATA 1 2,2 -11.38109 0.0000
Pada penelitian ini, dalam pemilihan model T-ARCH terbaik
menggunakan kreteria AIC (Akaike Information Criterion) adalah kriteria
yang menyediakan ukuran informasi yang dapat menyeimbangkan ukuran
kebaikan model dan efesiensi (parsimonious). Model yang baik dipilih
berdasarkan nilai AIC yang terkecil dengan juga memperhatikan
signifikansi parameter yang diestimasi (Firdaus, 2020).
95
b. Pemilihan Model EGARCH
Setelah estimasi model E-GARCH, pemilihan model T-ARCH terbaik
berdasarkan nilai AIC terkecil dan memiliki probabilitas yang signifikan
sehingga diperoleh variabel dengan persamaan dengan model terbaik
sebagai berikut :
Tabel 4. 12 Hasil Model E-GARCH
Kode
Saham
C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C1
4
MIRA
(1)(4,5)
-
4.498
946
-
0.03
5181
0
-
0.414
272
-
0.58
0178
-
0.67
5769
-
1.54
0649
-
0.66
3805
-
0.33
5473
-
0.31
6950
0.40
2337
0.5
54
07
4
LAPD
(1)(2,0)
-
1.986
435
0.09
3132
-
0.027
956
0.96
3455
META
(1)(1,0)
-
0.38
8341
-
0.184
248
0.90
7904
FREN
(1)(0,3)
-
7.688
855
0.74
9211
1.953
353
1.87
7577
0.95
7773
SUPR
(1)(3,0)
-
1.871
-
0.72
0.676
824
0.93
0275
-
0.90
96
819 6156 6091
GIAA
(1)(3,2)
-
3.80
3215
0.861
903
0.80
0550
0.342
929
-
0.22
2908
-
0.00
1785
0.72
3819
NELY
(1)(2,0)
-
5.687
911
0.29
2639
0.688
873
-
0.91
3087
CASS
(1)(2,0)
-
4.798
249
0.09
3122
1.160
580
-
1.00
7261
TPMA
(1)(4,0)
-
23.17
875
0.25
6901
-
1.103
043
-
1.40
4493
-
1.15
1017
-
0.91
6869
CANI
(1)(2,3)
-
0.926
497
-
0.62
8393
1.161
671
1.42
1868
0.23
0111
0.66
4320
IATA
(1)(2,2)
-
2.50
3272
0.741
434
1.66
1876
-
0.388
340
1.49
8154
-
0.57
8388
99
c. Evaluasi Model EGARCH
Setelah diperoleh persamaan, dilakukan uji diagnostik untuk menguji
kedekatan model dengan data (Firdaus, 2020). Evaluasi model
menggunakan uji ARCH –Lagrange Multiplier
Tabel 4. 13 Uji ARCH Lagrange Multiplier EGARCH
Kode Saham Prob. F Prob. Chi-Square
MIRA 0.7402 0.7358
LAPD 0.0165 0.0169
META 0.0892 0.0869
FREN 0.5302 0.5231
SUPR 0.0761 0.0742
GIAA 0.7785 0.7747
NELY 0.0041 0.0046
CASS 0.0432 0.0426
TPMA 0.0006 0.0008
CANI 0.4991 0.4918
IATA 0.5952 0.5891
Pada Tabel 4. 13 menunjukkan bahwa model Exponential
GARCH (EGARCH) tidak mengandung heteroskedastisitas karena nilai
prob F Statistik bernilai 0.0001 – 0.8007 lebih besar dari nilai signifikan
yaitu 0.05.
7. Pemilihan Model Terbaik Untuk Peramalan
Tabel 4. 14 Model Terbaik Peramalan
Kode
saham
GARCH T- ARCH E- GARCH Model
yang
dipilih mode
l
AIC Model AIC Model AIC
MIRA (0,2) -
19.9123
4
(1)(2,4
)
-20.83213 (1)(4,5
)
-
16.1013
8
GARCH
(0,2)
98
LAPD (0,1) -
19.8418
8
(1)(0,4
)
-
18.88870
9
(1)(2,0
)
17.1820
5
GARCH
(0,1)
MET
A
(2,1) -
2.33724
0
(1)(3,0
)
-2.045414 (1)(1,0
)
-
2.02914
2
GARCH
(2,1)
FREN (0,1) -
0.51497
7
(1)(3,0
)
-0.544302 (1)(0,3
)
-
0.85552
8
EGARC
H
(1)(0,3)
SUPR (0,1) -
2.25258
8
(1)(4,3
)
-2.515772 (1)(3,0
)
-
2.48901
0
EGARC
H
(1)(3,0)
GIAA (0,1) -
1.51596
3
(1)(2,3
)
-1.639250 (1)(3,2
)
-
1.81072
7
GARCH
(0,1)
NELY (0,1) 2.60161
2
(1)(0,1
)
-1.754651 (1)(2,0
)
-
1.61939
4
GARCH
(0,1)
CASS (2,0) 2.77051
5
(1)(4,0
)
-2.784527 (1)(2,0
)
-
2.67500
8
GARCH
(2,0)
TPM
A
(1,1) -
1.17205
8
(1)(1,1
)
-1.134772 (1)(4,0
)
-
1.04290
6
GARCH
(1,1)
CANI (3,1) -
1.10755
8
(1,0) -1.063169 (1)(2,2
)
-
1.79506
9
EGARC
H
(1)(2,2)
IATA (1.0) -
5.11233
7
(1)(1,1
)
-6.093938 (1)(2,2
)
-
11.3810
9
EGARC
H
(1)(2,2)
Pada penelitian ini, dalam pemilihan model terbaik untuk
peramalan menggunakan kreteria AIC (Akaike Information Criterion)
adalah kriteria yang menyediakan ukuran informasi yang dapat
99
menyeimbangkan ukuran kebaikan model dan efesiensi (parsimonious).
Model yang baik dipilih berdasarkan nilai AIC yang terkecil dengan juga
memperhatikan signifikansi parameter yang diestimasi (Firdaus, 2020).
8. Peramalan
Dari model terbaik yang telah dibentuk, lalu dilakukan peramalan.
Estimasi peramalan dilakukan untuk melihat pergerakan return saham
selama tiga tahun kedepan terhadap saham yang diteliti.
Gambar 4. 3 Peramalan Volatilitas Return
Pada gambar 4. 3 menunjukan peramalan volatilitas return dan return perusahaan
yang diteliti selama tiga tahun berikutnya. Return saham FREN memiliki return
dan peramalan volatilitas return yang tinggi dibandingkan dengan saham lainnya.
mira lapd meta fren supr giaa cass nely tpma cani iata
return 0 0 0.0037 0.0166 -0.012 -0.009 -0.006 0.0067 -0.002 -0.005 0
peramalan 0 0 -0.007 0.0155 0.0001 -0.019 -0.013 -0.027 -0.012 -0.022 0
-0.03
-0.025
-0.02
-0.015
-0.01
-0.005
0
0.005
0.01
0.015
0.02
102
B. PEMBAHASAN
1. Analisis Deskriptif Return Saham
Pada tabel Tabel 4. 1 menunjukkan nilai rataan return saham- saham
tertinggi dimiliki oleh saham FREN sebesar 0.035125 sedangkan nilai rataan
return terendah dimiliki oleh LAPD sebesar -0.006827 dibandingkan saham
lainnya. Hasil nilai maksimum terbesar dimiliki oleh saham FREN sebesar
1.144736 hal ini mencerminkan nilai return saham pada bulan t lebih besar
dibandingkan bulan t-1. Hal ini menunjukan bahwa saham FREN memiliki
return terbesar dibandingkan variabel lainnya. Return yang tinggi memiliki
tingkat resiko yang tinggi pula. Nilai standar deviasi tertinggi ditujukkan oleh
saham FREN yaitu sebesar 0.263885hal ini menunjukan bahwa saham FREN
memiliki tingkat resiko sebesar 26%.
Pada tabel Tabel 4. 1 memberikan informasi mengenai kecondongan dan
distribusi data. Return saham dari semua saham yang digunakan dalam
penelitian memiliki nilai kurtosis lebih dari 3. Hal ini mengindentifikasi bahwa
distribusi dari return memiliki bentuk Leptokuratic, Leptokuratic merupakan
betuk bagian tengah distribusi data yang mempunyai puncak yang lebih
runcing. Nilai skewness menunjukkan kecondongan data. Berdasarkan Tabel
4. 1 saham MIRA, LAPD, META, CASS dan CANI menunjukkan nilai
skewness bernilai negatif. Hal ini menunjukan bahwa return saham cenderung
memiliki kecondongan ke kiri (long right tail) dan menggambarkan adanya
ketidak simetrisan dari distribusi normal. Sedangkan saham FREN, SUPR,
101
GIAA, NELY, IATA dan TPMA menunjukkan nilai skewness bernilai positif,
artinya data cenderung memiliki kecondongan ke kanan (long right tail).
2. Uji Stasioneritas Data
Pada Tabel 4.2 menunjukkan hasil pengujian ADF unit root menyatakan
bahwa return saham dari semua saham adalah stasioner pada level dengan taraf
nyata 5%. Hal ini berdasarkan nilai probabilitas dari masing – masing saham
yaitu sebesar 0.0000 hingga 0.0001. selain itu jika dilihat berdasarkan nilai
kritis, return dari seluruh saham yang diteliti adalah stasioner pada level
dengan taraf nyata 1%, 5% dan 10%. Karena nilai probabilitas kurang dari 5%
maka 𝐻0ditolak yang berarti data return stasioner.
3. Estimasi Parameter ARIMA
Indentifikasi model AR dan MA dari suatu time series dilakukan dengan
melihat correlegram yang merupakan grafik yang menunjukkan nilai
Autocorrelation Function (ACF) dan Partialcorrelation Function (PACF).
Pada gambar 4.2 menunjukkan Nilai Autocorrelation Function (ACF), dan uji
Partialcorrelation Function (PACF) menurun secara bertahap menuju nol.
Setelah indentifikasi model ARIMA selanjutnya melakukan estimasi model,
pada Tabel 4.3 model ARIMA yang dipilih berdasarkan nilai AIC (Akaike
Information Criterion) dan probabilitas dibawah 0.05. Setelah mendapatkan
model kemudian model diuji menggunakan Uji ARCH -Lagrange Multiplier.
Pada Tabel 4.4 menunjukkan nilai keseluruhan saham dibawah 0.05 hal ini
menunjukkan bahwa saham memiliki heteroskedastisitas, sehingga model
ARIMA yang diperoleh dapat digunakan pada pengujian selanjutnya.
102
4. Estimasi parameter Generalized Autoregressive Conditional
Heteroskedasticity (GARCH)
Pada Tabel 4.6 Pemilihan model GARCH terbaik berdasarkan nilai AIC
terkecil dan memiliki probabilitas yang signifikan sehingga diperoleh saham
dengan persamaan dengan model terbaik setiap saham dengan persamaan
sebagai berikut
MIRA σt2 = 1.05E14 − 14 + 0.322218εt−1
2 + 0.108143εt−22
Berdasarkan persamaan diatas menyatakan bahwa saham MIRA memiliki
tingkat resiko saham dipengaruhi oleh nilai sisaan return dua bulan
sebelumnya.
LAPD σt2 = 4.01E − 13+ 0.301520εt−1
2
Berdasarkan persamaan diatas menyatakan bahwa saham LAPD memiliki
tingkat resiko saham dipengaruhi oleh nilai sisaan return sebulan sebelumnya.
META𝜎𝑡2 = 0.000884+ 0.805767휀𝑡−1
2 + 0.792943𝜎𝑡−12 − 0.337024𝜎𝑡−2
2
Berdasarkan persamaan diatas menyatakan bahwa saham META memiliki
tingkat resiko saham dipengaruhi oleh nilai sisaan return sebulan sebelumnya
dan besarnya simpangan baku return dari rataannya untuk dua bulannya
sebelumnya.
FREN 𝜎𝑡2 = 0.013138+ 0.980214휀𝑡−1
2
103
Berdasarkan persamaan diatas menyatakan bahwa saham FREN memiliki
tingkat resiko saham dipengaruhi oleh nilai sisaan return sebulan sebelumnya
SUPR 𝜎𝑡2 = 0.003364 + 0.554832휀𝑡−1
2
Berdasarkan persamaan diatas menyatakan bahwa saham SUPR memiliki
tingkat resiko saham dipengaruhi oleh nilai sisaan return sebulan sebelumnya
GIAA𝜎𝑡2 = 0.004973 + 1.057277휀𝑡−1
2
Berdasarkan persamaan diatas menunjukkan bahwa saham GIAA
memiliki tingkat resiko saham dipengaruhi oleh nilai sisaan return sebulan
sebelumnya
NELY𝜎𝑡2 = 0.000103 + 1.999993𝜎𝑡−1
2 − 1.008535𝜎𝑡−22
Berdasarkan persamaan diatas menyatakan bahwa saham NELY memiliki
tingkat resiko saham dipengaruhi oleh besarnya simpangan baku return dari
rataannya untuk dua bulan sebelumnya.
CASS𝜎𝑡2 = 4.03E − 05+ 2.009746𝜎𝑡−1
2 − 1.019838𝜎𝑡−22
Berdasarkan persamaan diatas menyatakan bahwa saham CASS memiliki
tingkat resiko saham dipengaruhi oleh besarnya simpangan baku return dari
rataannya untuk dua bulan sebelumnya.
TPMA 𝜎𝑡2 = 0.014397+ 0.914074휀𝑡−1
2 − 0.292084𝜎𝑡−22
104
Berdasarkan persamaan diatas menyatakan bahwa saham TPMA memiliki
tingkat resiko saham dipengaruhi oleh nilai sisaan return sebulan sebelumnya
dan besarnya simpangan baku return dari rataannya untuk sebulan sebelumnya.
CANIσt2 = 0.000921+ 0.497921εt−1
2 +0.976656σt−12 − 0.905041σt−2
2 +
0.595031σt−32
Berdasarkan persamaan diatas menyatakan bahwa saham CANI memiliki
tingkat resiko saham dipengaruhi oleh nilai sisaan return sebulan sebelumnya
dan besarnya simpangan baku return dari rataannya untuk tiga bulan
sebelumnya.
IATAσt2 = −6.00E − 07+ 0.885090σt−1
2
Berdasarkan persamaan diatas menyatakan bahwa saham IATA memiliki
tingkat resiko saham dipengaruhi besarnya simpangan baku return dari
rataannya untuk bulan sebelumnya.
Pada Tabel 4.7 menunjukkan evaluasi model GARCH, pada pengujian
heterokedasitas menggunakan uji ARCH-LM menujukkan nilai probabilitas
diatas 0.05 yang menunjukkan bahwa semua saham yang diuji tidak memiliki
efek ARCH. Pengujian autokorelasi menggunakan Correlogram Q Statistic
menunjukkan bahwa nilai residual sudah random. Pada pengujiaan normalitas
pada saham MIRA, GIAA, NELY, CASS dan TPMA menunjukkan data
berdistribusi normal sedangkan saham LAPD, META, FREN, SUPR, CANI
dan IATA tidak berdistribusi normal melainkan Leptokuratic.
105
5. Estimasi model Tsholders Generalized Autorefressive Conditional
Heteroskedasticity (TARCH)
Pada Tabel 4. 9 Pemilihan model T-ARCH terbaik berdasarkan nilai AIC
terkecil dan memiliki probabilitas yang signifikan sehingga diperoleh saham
dengan model terbaik setiap sahamnya dengan persamaan sebagai berikut
MIRA𝜎𝑡2 = 1.24E14 + 0.092246εt−1
2 + 0.017664εt−22 +
0.032705εt−32 + 0.019621εt−4
2 +
0.015381휀𝑡−12 𝑑𝑡−1
2 +0.377010𝜎𝑡−12 + 0.015136𝜎𝑡−2
2
Berdasarkan persamaan diatas menunjukkan bahwa saham MIRA memiliki
nilai statistik yang tidak signifikan diatas 0.05, hal ini menunjukkan bahwaa
saham MIRA tidak memiliki efek asimetris yaitu tidak adanya pengaruh efek
berita buruk (bad news) maupun efek berita baik (good news) terhadap
volatilitas.
LAPDσt2 = 2.15E − 12 + 0.146468εt−1
2 + 0.068085 εt−22 +
0.066332εt−32 +0.071493εt−4
2 −0.194215εt−12 dt−1
2
Berdasarkan persamaan diatas menunjukkan bahwa saham LAPD memiliki
nilai statistik yang tidak signifikan diatas 0.05, hal ini menunjukkan bahwa
saham LAPD tidak memiliki efek asimetris yaitu tidak adanya pengaruh efek
berita buruk (bad news) maupun efek berita baik (good news) terhadap
volatilitas.
METAσt2 = 0.002551+ 0.642501εt−1
2 dt−12 +0.418514𝜎𝑡−1
2 −
0.377303𝜎𝑡−22 − 0.371692𝜎𝑡−3
2
106
Berdasarkan persamaan diatas menunjukkan bahwa saham META
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham
META memiliki efek asimetris yaitu adanya pengaruh efek berita buruk (bad
news) maupun efek berita baik (good news) terhadap volatilitas. saham
META memiliki efek leverage dimana nilai γ > 0 yang berarti berita negatif
(negative news) memiliki efek yang lebih besar dibandingkan berita positif
yang akan meningkatkan volatilitas.
FREN σt2 = 0.000718 −
0.070139εt−12 dt−1
2 +1.034359σt−12 +1.034359σt−2
2 − 1.074276
σt−32
Berdasarkan persamaan diatas menunjukkan bahwa saham FREN
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham
FREN memiliki efek asimetris yaitu adanya pengaruh efek berita buruk (bad
news) maupun efek berita baik (good news) terhadap volatilitas.
SUPRσt2 = 0.003272 + 0.111926 εt−1
2 +0.105772 εt−22 +
0.155031εt−32 + 0.679056εt−1
2 dt−12 + 0.403719 σt−1
2 +
0.403719 σt−22 − 0.625384σt−3
2 − 0.016011σt−42
Berdasarkan persamaan diatas menunjukkan bahwa saham SUPR
memiliki nilai statistik yang tidak signifikan diatas 0.05, hal ini menunjukkan
bahwaa saham SUPR tidak memiliki efek asimetris yaitu tidak adanya
pengaruh efek berita buruk (bad news) maupun efek berita baik (good news)
terhadap volatilitas.
107
GIAAσt2 = 0.000139 + 0.894428 εt−1
2 − 1.873216εt−22 +
0.997303εt−32 − 0.041270εt−1
2 dt−12 + 2.046290𝜎𝑡−1
2 −
1.054692𝜎𝑡−22
Berdasarkan persamaan diatas menunjukkan bahwa saham GIAA memiliki
nilai statistik yang tidak signifikan diatas 0.05, hal ini menunjukkan bahwaa
saham GIAA tidak memiliki efek asimetris yaitu tidak adanya pengaruh efek
berita buruk (bad news) maupun efek berita baik (good news) terhadap
volatilitas.
NELYσt2 = 0.006118+ 0.768244εt−1
2 − 0.723907εt−12 dt−1
2
Berdasarkan persamaan diatas menunjukkan bahwa saham NELY
memiliki nilai statistik yang tidak signifikan diatas 0.05, hal ini menunjukkan
bahwaa saham NELY tidak memiliki efek asimetris yaitu tidak adanya
pengaruh efek berita buruk (bad news) maupun efek berita baik (good news)
terhadap volatilitas.
CASSσt2 = −1.92E − 05 + 0.354935εt−1
2 dt−12 + 1.222097σt−1
2 −
0.217872σt−22 − 0.693013σt−3
2 + 0.537632σt−42
Berdasarkan persamaan diatas menunjukkan bahwa saham CASS memiliki
nilai statistik yang tidak signifikan diatas 0.05, hal ini menunjukkan bahwa
saham CASS tidak memiliki efek asimetris yaitu tidak adanya pengaruh efek
berita buruk (bad news) maupun efek berita baik (good news) terhadap
volatilitas.
108
TPMAσt2 = 0.014008 + 1.013180εt−1
2 − 0.488470εt−12 dt−1
2 −
0.282550σt−12
Berdasarkan persamaan diatas menunjukkan bahwa saham TPMA
memiliki nilai statistik yang tidak signifikan diatas 0.05, hal ini menunjukkan
bahwa saham TPMA tidak memiliki efek asimetris yaitu tidak adanya
pengaruh efek berita buruk (bad news) maupun efek berita baik (good news)
terhadap volatilitas.
CANIσt2 = 0.000597 − 0.124385εt−1
2 dt−12 − 1.084226 σt−1
2
Berdasarkan persamaan diatas menunjukkan bahwa saham CANI memiliki
nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham CANI
memiliki efek asimetris yaitu adanya pengaruh efek berita buruk (bad news)
maupun efek berita baik (good news) terhadap volatilitas.
IATAσt2 = −1.13E − 08 + 0.066549εt−1
2 + 0.351396εt−12 dt−1
2 +
0.691059 0𝜎𝑡−12
Berdasarkan persamaan diatas menunjukkan bahwa saham IATA memiliki
nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham IATA
memiliki efek asimetris yaitu adanya pengaruh efek berita buruk (bad news)
maupun efek berita baik (good news) terhadap volatilitas. saham IATA
memiliki efek leverage dimana nilai γ > 0 yang berarti berita negatif
(negative news) memiliki efek yang lebih besar dibandingkan berita positif
yang akan meningkatkan volatilitas.
109
Pada Tabel 4. 10 menunjukkan evaluasi model T-ARCH, pada pengujian
heterokedasitas menggunakan uji ARCH-LM menujukkan nilai probabilitas
diatas 0.05 yang menunjukkan bahwa semua variabel yang diuji tidak
memiliki efek ARCH. Pengujian autokorelasi menggunakan Correlogram Q
Statistic menunjukkan bahwa nilai residual sudah random. Pada pengujiaan
normalitas saham GIAA, NELY, CASS menunjukkan data berdistribusi
normal sedangkan saham MIRA, LAPD, META, FREN, SUPR, TPMA,
CANI dan IATA tidak berdistribusi normal melainkan Leptokuratic.
6. Estimasi Model Exponential Generalized Autorefressive Conditional
Heteroskedasticity (EGARCH)
Pada Tabel 4. 13 Pemilihan model E-GARCH terbaik berdasarkan nilai
AIC terkecil dan memiliki probabilitas yang signifikan sehingga diperoleh
saham dengan persamaan dengan model terbaik setiap saham dengan
persamaan sebagai berikut:
MIRAln(𝜎𝑡2) = −4.498946 − 0.351810 |
εt−1
σt−1| − 0.414272 |
εt−2
σt−2| −
0.580178 |εt−3
σt−3| − 0.675769 |
εt−4
σt−4| − 1.540649 |
εt−5
σt−5| −
0.663805(εt−1
σt−1)−0.335473ln(𝜎𝑡−1
2 )+0.316950ln(𝜎𝑡−22 )+0.402
337ln(𝜎𝑡−32 )+0.554074ln(𝜎𝑡−4
2 )
Berdasarkan persamaan diatas menunjukkan bahwa saham MIRA
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham MIRA
memiliki efek asimetris, dimana γ < 0 menunjukkan bahwa dampak berita
110
negatif lebih besar dibandingkan dampak berita positif sehingga adanya
leverage effect. Sedangkan magnitude effect menunjukkan pengaruh volatilitas
pada 1 periode mempengaruhi varians sebesar 0.663805
LAPDln(𝜎𝑡2) = −1.986435 + 0.093132 |
εt−1
σt−1| + 0.093132 |
εt−2
σt−2| −
0.027956(εt−1
σt−1)
Berdasarkan persamaan diatas menunjukkan bahwa saham LAPD
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham LAPD
memiliki efek asimetris, dimana γ < 0 menunjukkan bahwa dampak berita
negatif lebih besar dibandingkan dampak berita positif sehingga adanya
leverage effect. Sedangkan magnitude effect menunjukkan pengaruh volatilitas
pada 1 periode mempengaruhi varians sebesar 0.027956
METAln(𝜎𝑡2) = −0.388341 − 0.184248(
εt−1
σt−1) + 0.907904ln(𝜎𝑡−1
2 )
Berdasarkan persamaan diatas menunjukkan bahwa saham META
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham
META memiliki efek asimetris, dimana γ < 0 menunjukkan bahwa dampak
berita negatif lebih besar dibandingkan dampak berita positif sehingga adanya
leverage effect. Sedangkan magnitude effect menunjukkan pengaruh volatilitas
pada 1 periode mempengaruhi varians sebesar 0.184248.
FRENln(𝜎𝑡2) = −7.688855 + 0.749211 |
εt−1
σt−1| + 1.953353 |
εt−2
σt−2| +
1.877577 |εt−3
σt−3| + 0.957773(
εt−1
σt−1)
111
Berdasarkan persamaan diatas menunjukkan bahwa saham FREN
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham FREN
memiliki efek asimetris, dimana γ > 0 menunjukkan bahwa dampak berita
negatif lebih kecil dibandingkan dampak berita positif.
SUPRln(𝜎𝑡2) = −1.871819 − 0.726156(
εt−1
σt−1)+ 0.676824 ln(𝜎𝑡−1
2 )+
0.930275 ln(𝜎𝑡−22 )−0.906091ln(𝜎𝑡−3
2 ).
Berdasarkan persamaan diatas menunjukkan bahwa saham SUPR
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham SUPR
memiliki efek asimetris, dimana γ < 0 menunjukkan bahwa dampak berita
negatif lebih besar dibandingkan dampak berita positif sehingga adanya
leverage effect. Sedangkan magnitude effect menunjukkan pengaruh volatilitas
pada 1 periode mempengaruhi varians sebesar 0.726156.
GIAAln(𝜎𝑡2) = −3.803215 + 0.861903 |
εt−1
σt−1| + 0.800550 |
εt−2
σt−2| +
0.342929(εt−3
σt−3) -0.222908ln(𝜎𝑡−1
2 ) −-0.001785 ln(𝜎𝑡−22 ) +
0.723819ln(𝜎𝑡−32 ).
Berdasarkan persamaan diatas menunjukkan bahwa saham GIAA
memiliki nilai γ ≠ 0 dan tidak signifikan, hal ini menunjukkan bahwa saham
GIAA memiliki tidak memiliki efek asimetris maupun leverage effect.
NELYln(𝜎𝑡2) = −5.687911 + 0.292639 (
εt−1
σt−1)+0.688873ln(𝜎𝑡−1
2 )
−0.913087 ln(𝜎𝑡−22 )
112
Berdasarkan persamaan diatas menunjukkan bahwa saham NELY
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham NELY
memiliki efek asimetris, dimana γ > 0 menunjukkan bahwa dampak berita
negatif lebih kecil dibandingkan dampak berita positif.
CASSln(𝜎𝑡2) = −4.798249 + 0.093122(
εt−1
σt−1) −1.160580ln(𝜎𝑡−1
2 )
−1.007261ln(𝜎𝑡−22 )
Berdasarkan persamaan diatas menunjukkan bahwa saham CASS
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham CASS
memiliki efek asimetris, dimana γ > 0 menunjukkan bahwa dampak berita
negatif lebih kecil dibandingkan dampak berita positif.
TPMAln(𝜎𝑡2) = −23.17875 + 0.256901(
εt−1
σt−1) −1.103043 ln(𝜎𝑡−1
2 )−1.404493
ln(𝜎𝑡−22 ) −1.151017ln(𝜎𝑡−3
2 ) −0.916869ln(𝜎𝑡−42 )
Berdasarkan persamaan diatas menunjukkan bahwa saham TPMA
memiliki nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa variabel
saham memiliki efek asimetris, dimana γ > 0 menunjukkan bahwa dampak
berita negatif lebih kecil dibandingkan dampak berita positif.
CANI ln(𝜎𝑡2) = −0.926497 − 0.628393 |
εt−1
σt−1| − 1.161671 |
εt−2
σt−2| +
1.421868(εt−1
σt−1) 0.230111ln(𝜎𝑡−1
2 )− 0.664320ln(𝜎𝑡−22 ).
Berdasarkan persamaan diatas menunjukkan bahwa saham CANI memiliki
nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham CANI memiliki
113
efek asimetris, dimana γ > 0 menunjukkan bahwa dampak berita negatif lebih
kecil dibandingkan dampak berita positif.
IATAln(𝜎𝑡2) = −2.503272 + 0.741434 |
εt−1
σt−1| + 1.661876 |
εt−2
σt−2| −
0.388340(εt−1
σt−1) +1.498154ln(𝜎𝑡−1
2 )− 0.578388 ln(𝜎𝑡−22 ).
Berdasarkan persamaan diatas menunjukkan bahwa saham IATA memiliki
nilai γ ≠ 0 dan signifikan, hal ini menunjukkan bahwa saham IATA memiliki
efek asimetris, dimana γ < 0 menunjukkan bahwa dampak berita negatif lebih
besar dibandingkan dampak berita positif sehingga adanya leverage effect.
Sedangkan magnitude effect menunjukkan pengaruh volatilitas pada 1 periode
mempengaruhi varians sebesar 0.388340.
Pada Tabel 4.12 menunjukkan evaluasi model E-GARCH, pada pengujian
heterokedasitas menggunakan uji ARCH-LM menujukkan nilai probabilitas
diatas 0.05 yang menunjukkan bahwa semua variabel yang diuji tidak memiliki
efek ARCH. Pengujian autokorelasi menggunakan Correlogram Q Statistic
menunjukkan bahwa nilai residual sudah random. Pada pengujiaan normalitas
menunjukkan data tidak berdistribusi normal melainkan Leptokuratic.
7. Pemilihan Model Terbaik Untuk Peramalan
Estimasi peramalan menggunakan model terbaik berdasarkan nilai AIC
yang terkecil dengan juga memperhatikan signifikansi parameter. Pada Tabel
4.11 menujukkan bahwa model GARCH mengungguli model EGARCH dan
T-ARCH dalam peramalan setiap modelnya.
114
8. Peramalan
PT. Mitra International Resources Tbk (MIRA) bergerak dalam bidang
mendukung produksi minyak, gas dan panas bumi. Hasil permalan untuk tiga
tahun berikutnya saham MIRA hasil rata-rata return sebesar 0.00%.
mengindentifikasikan bahwa saham MIRA tidak terlalu volatil yang berarti
bahwa saham memiliki risiko kecil sehingga returnnya kecil hal ini
menandakan potensi investasi saham sektor minyak, gas dan panas bumi hal
ini menunjukan bagi investor menghindari risiko tinggi dapat memilih
investasi saham MIRA.
PT. leyand International Tbk adalah perusahaan yang bergerak di bidang
pembangkit tenaga listrik. Hasil peramalan untuk tiga tahun berikutnya saham
LAPD hasil rata-rata return sebesar 0.00% mengindentifikasikan bahwa
saham LAPD tidak terlalu volatil yang berarti bahwa saham memiliki risiko
kecil sehingga returnnya kecil hal ini menandakan potensi investasi saham
sektor minyak, gas dan panas bumi hal ini menunjukan bagi investor
mengindari risiko tinggi dapat memilih investasi saham LAPD.
PT Nusantara Infrastructure Tbk (META) merupakan perusahaan swasta
yang bergerak di bidang infrastruktur khususnya jalan tol, energi
pertambangan, minyak dan gas bumi, air bersih, serta pelabuhan laut.
Berdasarkan hasil peramalan untuk tiga tahun berikutnya pada Tabel
4.12menunjukkan pada bulan ke-8, 9, 10 dan bulan ke-12, nilai return
mengalami peningkatan untuk meminimalkan resiko, investor diharapkan
melakukan investasi pada bulan tersebut. Nilai peramalan memiliki rata- rata
115
sebesar -0.72%. Hal ini menandakan potensi investasi saham jalan tol, energi
pertambangan, minyak dan gas bumi, air bersih, serta pelabuhan laut menurun
hal ini menunjukan potensi pada saham META bahwa investor banyak
menjual sahamnya dikarenakan return saham menurun sebesar -0,72%.
PT. Smartfren Telecom Tbk (FREN) adalah penyedia jasa telekomunikasi
berbasis teknologi CDMA. Berdasarkan hasil peramalan menunjukkan pada
bulan ke-4, bulan ke-19, ke-20, ke-22, ke-25, ke-27 hingga ke-30 dan bulan ke-
33. Untuk meminimalkan resiko investor diharapkan tidak melakukan investasi
pada bulan tersebut. saham FREN menunjukan rata – rata return saham untuk
tiga tahun berikutnya sebesar 1.55%. Dengan meningkatnya rata- rata return
FREN hal ini menandakan potensi investasi saham sektor jasa telekomunikasi
berbasis teknologi CDMA meningkat hal ini menunjukan bahwa investor
merespon positif dan percaya terhadap sektorjasa telekomunikasi berbasis
teknologi CDMA.
PT. Solusi Tunas Pratama Tbk (SUPR) bergerak dalam bidang operasi dan
penyewaan gedung menara Base Transceiver Station (BTS) atau menara
telekomunikasi dan lainnya yang terkait. Berdasarkan hasil peramalan untuk
tiga tahun berikutnya menunjukkan pada bulan ke-1, bulan ke-3, bulan ke-5,
bulan ke-7, bulan ke-9, bulan ke-11, bulan ke-19, bulan ke-23, bulan ke-27,
bulan ke-31, bulan ke-34 hingga ke-36, nilai return mengalami penurunan
untuk meminimalkan resiko, investor diharapkan tidak melakukan investasi
pada bulan tersebut. Nilai peramalan memiliki rata- rata sebesar 0,01%.
Dengan meningkatnya rata- rata return SUPR hal ini menandakan potensi
116
investasi saham sektor bidang operasi dan penyewaan gedung menara atau
menara telekomunikasi dan lainnya meningkat hal ini menunjukan bahwa
investor merespon positif dan percaya terhadap sektor penyewaan gedung
atau menara telekomunikasi dan lainnya kedepannya.
PT. Garuda Indonesia (Persero) Tbk (GIAA) bergerak dalam melakukan
transportasi udara komersial terjadwal bagi penumpang, kargo dan kiriman
domestik atau internasional. Berdasarkan hasil peramalan pada Tabel 4.14
menunjukkan pada bulan ke-2, bulan ke-4 dan ke-5, bulan ke-7, bulan ke-10,
bulan ke-12 dan 13, bulan ke-15 hingga ke-18, bulan ke-26 hingga 29 dan
bulan ke-31 hingga bulan ke-36. Nilai return mengalami penurunan untuk
meminimalkan resiko, investor diharapkan tidak melakukan investasi pada
bulan tersebut. saham GIAA menunjukan rata – rata return saham untuk tiga
tahun berikutnya sebesar -1.94%. Hal ini menandakan potensi investasi saham
sektor transportasi udara menurun hal ini menunjukan potensi pada saham
GIAA bahwa investor banyak menjual sahamnya dikarenakan return saham
menurun sebesar -1.94%.
PT. Cardig Aero Services Tbk (CASS) bergerak di bidang perdagangan,
agensi, perwakilan, jasa, transportasi, dan industri. Berdasarkan hasil
peramalan pada Tabel 4.14 menunjukkan pada bulan ke-1dan ke-2, bulan ke-5,
bulan ke-7 hinga ke-11, bulan ke-13 hingga ke-36, nilai return mengalami
penurunan untuk meminimalkan resiko, investor diharapkan tidak melakukan
investasi pada bulan tersebut. Saham CASS menunjukan rata – rata return
saham untuk tiga tahun berikutnya sebesar -1.30%. Hal ini menandakan
117
potensi investasi saham sektor perdagangan, agensi, perwakilan, jasa,
transportasi, dan industri menurun hal ini menunjukan potensi pada saham
CASS bahwa investor banyak menjual sahamnya dikarenakan return saham
menurun sebesar -1.30%.
PT Pelayaran Nelly Dwi Putri Tbk (NELY) adalah perseroan yang
bergerak dalam bidang jasa dan konsultasi pelayaran yang terintegrasi.
Berdasarkan hasil peramalan menunjukkan pada bulan ke-2, bulan ke-4, bulan
ke-7, bulan ke-12, bulan ke-17, bulan ke-22. Nilai return mengalami
penurunan untuk meminimalkan resiko, investor diharapkan melakukan
investasi pada bulan tersebut. saham NELY menunjukan rata – rata return
saham untuk tiga tahun berikutnya sebesar -2.69%. Hal ini menandakan
potensi investasi saham sektor jasa dan konsultasi pelayaran yang terintegrasi
menurun hal ini menunjukan potensi pada saham NELY bahwa investor
banyak menjual sahamnya dikarenakan return saham menurun sebesar -
2.69%.
PT. Trans Power Marine Tbk (TPMA) bergerak dalam bidang penyediaan
jasa pengiriman. Berdasarkan hasil peramalan menunjukkan pada bulan ke-1,
bulan ke-11 hingga ke-13. Nilai return mengalami penurunan untuk
meminimalkan resiko, investor diharapkan melakukan investasi pada bulan
tersebut. Hasil peramalan untuk tiga berikutnya perusahaan PT. Trans Power
Marine Tbk (TPMA) penurunan rata- rata return sebesar 1.18%. Hal ini
menandakan potensi investasi saham sektor penyediaan jasa pengiriman
menurun hal ini menunjukan potensi pada saham TPMA bahwa investor
118
banyak menjual sahamnya dikarenakan return saham menurun sebesar -
1.18%.
PT Capitol Nusantara Indonesia Tbk (CANI) bergerak bidang pelayaran
(pengangkutan laut). Kegiatan usaha pada pelayaran dan pengangkutan laut
dalam negeri serta jasa penyewaan dan keagenan kapal. Berdasarkan hasil
peramalan nilai return mengalami penurunan pada setiap bulannya untuk 3
tahun kedepan. Hasil peramalan rata-rata return sebesar -2.16%. Hal ini
menandakan potensi investasi saham sektor penyediaan bidang pelayaran
(pengangkutan laut) menurun hal ini menunjukan potensi pada saham CANI
bahwa investor banyak menjual sahamnya dikarenakan return saham
menurun sebesar -2.16%.
PT. Indonesia Transport& Infrastruktur Tbk (IATA) bergerak dalam bidang
bisnis penerbangan komersial dan layanan tranportasi udara. Hasil peramalan
untuk tiga tahun berikutnya saham IATA hasil rata-rata return sebesar 0.00%.
mengindentifikasikan bahwa saham IATA tidak terlalu volatil yang berarti
bahwa saham memiliki risiko kecil sehingga returnnya kecil hal ini
menandakan potensi investasi saham sektor bisnis penerbangan komersial dan
layanan transportasi udara hal ini menunjukan bagi investor menghindari
risiko tinggi dapat memilih investasi saham IATA.
119
BAB V
SIMPULAN DAN SARAN
A. Simpulan
Tujuan dilakukan penelitian ini untuk memodelkan dan memperkirakan
volatilitas sektor infrastruktur, utilitas dan transportasi. Melalui analisis empiris
berdasarkan model- model dapat menjelaskan karakteristik volatilitas. Pada objek
penelitian di sektor infrastruktur, utilitas dan transportasi terdapat 11 perusahaan,
yaitu Mitra Internasional Resources Tbk (MIRA), Leyand International Tbk
(LAPD), Nusantara Infrastructure Tbk (META), Smartfren Telecom Tbk (FREN),
Solusi Tunas Pratama Tbk (SUPR), Garuda Indonesia (Persero) Tbk (GIAA),
Cardig Aero Services Tbk (CASS), Pelayaran Nelly Dwi Putri Tbk (NELY),
Trans Power Marine Tbk (TPMA), Capitol Nusantara Indonesia Tbk (CANI),
Indonesia Transport & Infrastruktur Tbk (IATA).
Berdasarkan pengujian yang dilakukan peneliti menyimpulkan bahwa :
1. Pada model GARCH menunjukkan memiliki volatility clustering, yaitu
kondisi pergerakan data cenderung naik atau turun secara drastis dan tiba
tiba dalam suatu kondisi tertentu dan pada saham META (2,1), TPMA
(1,1), CANI (3,1) dipengaruhi error dan volatilitas periode sebelumnya,
saham CASS (2,0), NELY (2,0) dan IATA (1,0) dipengaruhi oleh
volatilitas periode sebelumnya. Saham MIRA (0,2), LAPD (0,1), SUPR
(0,1), GIAA (0,1) dan FREN (0,1) dipengaruhi oleh error. Pada model
Asimetris E-GARCH dan T-ARCH. Pada model T-ARCH menunjukkan
terdapat dua perusahaan yang memiliki efek asimetris, diantara
120
perusahaan tersebut saham META (3,0) dan IATA (1,1) memiliki
leverage effect. Pada model E-GARCH menunjukkan hasil keseluruh
saham memiliki efek asimetris, lima diantara dari seluruh variabel yaitu
saham MIRA (4,5), LAPD (2,0), META (1,0), SUPR (3,0) dan IATA (1,1)
memiliki leverage effect. pergerakan sektor infrastruktur, utilitas dan
transportasi secara keseluruhan berita baik lebih besar dibandingkan berita
buruk.
2. Hasil peramalan berdasarkan model terbaik menunjukkan model GARCH
lebih unggul dibanding dengan model E-GARCH dan T-ARCH. hasil
peramalan untuk tiga tahun berikutnya dengan rata- rata return saham
FREN menunjukkan hasil peramalan return terbesar yaitu 1,55%
sedangkan saham NELY menunjukkan hasil peramalan terendah sebesar
-2.69%. Hal ini menunjukkan bahwa saham NELY mengalami penurunan
sebesar -2.69%.
B. Saran
Berdasarkan hasil penelitian yang telah dilakukan dan keterbatasan-
keterbatasan yang diperoleh dalam penelitian ini maka peneliti memberikan
beberapa saran, diantarannya:
1. Menambahkan perbandingan dengan model lain untuk menentukan model
terbaik, seperti model IGARCH, PARCH, APARCH dan EGARCH-M.
menggunakkan data penelitian yang memiliki jangka waktu yang panjang
2. Hasil pengamatan ini, dapat digunakan oleh investor maupun analisis
121
sekuritas sebagai referensi dalam menilai atau memprediksi volatilitas yang
ada pada sektor infrastruksur, utilitas dan transportasi.
122
DAFTAR PUSTAKA
Alexandrou, G., Koulakiotis, A., & Dasilas, A. (2011). GARCH Modelling of
Banking Integration In the Eurozone. Research in International Business and
Finance, 25(1), 1–10. https://doi.org/10.1016/j.ribaf.2010.05.001
Aliyev, F., Ajayi, R., & Gasim, N. (2020). Modelling Asymmetric Market
Volatility with univariate GARCH models : Evidence from Nasdaq-100. The
Journal of Economic Asymmetries, 22(April), 167(e), 1-10.
https://doi.org/10.1016/j.jeca.2020.e00167
Annila, N., & Kristanti, F. T. (2015). Model Garch (Generalized Autoregressive
Conditional Heteroscedasticity) Untuk Prediksi Dan Akurasi Harga Saham
Masa Depan Garch (Generalized Autoregressive Conditional
Heteroscedasticity ) Model for Prediction and Precision of. E-Proceeding of
Management, 2(1), 255–266.
Ardia, D., Bluteau, K., Boudt, K., & Catania, L. (2018). Forecasting Risk with
Markov-switching GARCH models : A Large-scale Performance study. 34,
733–747. https://doi.org/10.1016/j.ijforecast.2018.05.004
Badan Pusat Statistik, (2020). Pertumbuhan Indonesia Triwulan IV-2020 No.
13/02/ThXXIV, diunduh pada 4 Maret 2021 https://www.bps.go.id
Badan Pusat Statistik, (2020). Realisasi Investasi Penanaman Modal Dalam
Negeri dan Realisasi Investasi Penanaman Modal Asing , diunduh pada 4
Maret 2021 https://www.bps.go.id
Birău, R., Trivedi, J., & Antonescu, M. (2015). Modeling S&P Bombay Stock
Exchange BANKEX Index Volatility Patterns Using GARCH Model.
Procedia Economics and Finance, 32(15), 520–525.
https://doi.org/10.1016/s2212-5671(15)01427-6
Bodie, Z., Kane, A., & Markus, A. J. (2014). Manajemen Portofolio dan
Investasi. Salemba Empat dan Mc Graw Hill.
Chuang, W. I., Liu, H. H., & Susmel, R. (2012). The Bivariate GARCH Approach
to Investigating the Relation Between Stock Returns, Trading Volume, and
Return Volatility. Global Finance Journal, 23(1), 1–15.
https://doi.org/10.1016/j.gfj.2012.01.001
Ekananda, M. (2016). Analisis Ekonometrika Time Series. Mitra Wacana Media.
Fang, T., Lee, T., & Su, Z. (2020). Predicting The Long-term Stock Market
Volatility : A GARCH-MIDAS Model With Variable Selection. Journal of
Empirical Finance, 58(May), 36–49.
https://doi.org/10.1016/j.jempfin.2020.05.007
Firdaus, M. (2020). Aplikasi Ekonometrika dengan e-views, stata, dan r (Elviana
(ed.)). Bogor: pt penerbit IPB Press.
123
Hadi, N. (2013). Pasar Modal. GRAHA ILMU.
Halim, A. (2015). Analisis Investasi di aset keuangan. Jakarta: Mitra Wacana
Media.
Herwartz, H. (2017). Stock Return Prediction Under GARCH — An Empirical
Assessment. International Journal of Forecasting, 33(3), 569–580.
https://doi.org/10.1016/j.ijforecast.2017.01.002
Humaini, H., Safri, M.,& Umiyati, E.(2017). Analisis Penanaman Modal dalam
Negeri dan Penanaman Modal Asing dan Pengaruhnya Terhadap
Pertumbuhan Ekonomi Provinsi Jambi. e-journal Perspektif Ekonomi dan
Pembangunan Daerah Vol.6. No 2, ISSN 2303-1255
Kyriazis, N. A., Daskalou, K., Arampatzis, M., Prassa, P., & Papaioannou, E.
(2019). Heliyon Estimating the volatility of cryptocurrencies during bearish
markets by employing GARCH models. 5(June).
https://doi.org/10.1016/j.heliyon.2019.e02239
Kochling. G., Schmidtke. P & Posch P.N (2019).Volatility Forecasting
Accuracyfor Bitcoin. Economics Letters
https://doi.org/10.1016/j.econlet.2019.108836.
Lin, Z. (2018). Modelling and Forecasting The Stock Market Volatility of SSE
Composite Index Using GARCH models. Future Generation Computer
Systems, 79, 960–972. https://doi.org/10.1016/j.future.2017.08.033
Martalena, & Malinda, M. (2011). Pengantar Pasar Modal. Yogyakarta: ANDI.
Martha, S., & Kusnandar, D. (2020). Pemodelan dan Peramalan Volatilitas Saham
Menggunakan Model Integrated Generalized Autoregressive Conditional
Heteroscedasticity. buletin ilmiah Math Stat dan Terapan (bimaster) Volume
09(1), 145–152.
Ningshi, S. R., Sumarjaya, I. W., & Sari, K. (2019). Peramalan Volatilitas Saham
Menggunakan Model Exponential Garch Dan Threshold Garch. E-Jurnal
Matematika, 8(4), 309. https://doi.org/10.24843/mtk.2019.v08.i04.p270
Naeem, M., Tiwari, AK., Musbashra, S.,& Shahbaz, M., (2019). Modelling
Volatility of Precious Metals Markets by Using Regime Switching GARCH
Models. Resources Policy (64)101497..
https://doi.org/10.1016/jresourcpol.2019.101497
Prasad, M., Bakry, W., & Varua, M. E. (2020). Examination of Information
Release on Return Volatility: A Market and Sectoral Analysis. Heliyon, 6(5),
e03885. https://doi.org/10.1016/j.heliyon.2020.e03885
Radoni, A., & Ali, H. (2014). Manajemen Keuangan Modern. Jakarta: Mitra
Wacana Media.
Raneo, A. P., & Muthia, F. (2019). Penerapan Model GARCH Dalam Peramalan
Volatilitas di Bursa Efek Indonesia. Jurnal Manajemen Dan Bisnis
124
Sriwijaya, 16(3), 194–202. https://doi.org/10.29259/jmbs.v16i3.7462
Sari, L. K., Achsani, N. A., & Sartono, B. (2017). Pemodelan Volatilitas Return
Saham: Studi Kasus Pasar Saham Asia. Jurnal Ekonomi Dan Pembangunan
Indonesia, 18(1), 35–52. https://doi.org/10.21002/jepi.v18i1.717
Sarwar, S., Tiwari, A. K., & Tingqiu, C. (2020). Analyzing Volatility Spillovers
Between Oil Market and Asian Stock Markets. Resources Policy, 66(June
2019), 101608. https://doi.org/10.1016/j.resourpol.2020.101608
Schwab, K. (2019). The Global Competitiveness Report. World Economic Forum.
ISBN- 13: 978-2940631-02-5 di unduh pada 4 maret 2021, dari https://www.
weforum.org
Sekaran, U., & bougie, roger. (2017). metode penelitian bisnis. salemba empat.
Sharma, P. (2015). Forecasting Stock Market Volatility Using Realized GARCH
model: International Evidence. Quarterly Review of Economics and Finance.
https://doi.org/10.1016/j.qref.2015.07.005
Siamat, D. (2005). Manajemen Lembaga Keuangan Kebijakan Moneter dan
Perbankan. Jakarta:lembaga penerbit fakultas ekonomi Universitas
Indonesia.
Tahir, M., Audu, B., & Musa, M. (2016). Volatility Forecasting With The
Wavelet Transformation Algorithm GARCH model : Evidence From African
Stock Markets. The Journal of Finance and Data Science, 2(2), 125–135.
https://doi.org/10.1016/j.jfds.2016.09.002
Tahir, M., Audu, B., & Musa, M. (2017).Models : Evidence From African Stock
Markets. The Journal of Finance and Data Science, 2(4), 254–264.
https://doi.org/10.1016/j.jfds.2017.03.001
Thampanya, N., Wu, J., Nasir, M. A., & Liu, J. (2020). Fundamental and
Behavioural Determinants of Stock Return Volatility in ASEAN-5 Countries.
Journal of International Financial Markets, Institutions and Money, 65,
101193. https://doi.org/10.1016/j.intfin.2020.101193
Vo. X.V & Tran. T.T.A (2018). Modelling Volatility Spillover from the US
Equity Market to ASEAN Stock Markets. pacific- Basin Finance
Journal.(S0927-538X(19)30163-51. https://doi.org/10.1016/j.pacfin
.2019.101246.
Wang, L., Ma, F., Liu, J., & Yang, L. (2020). Forecasting Stock Price Volatility:
New Evidence From The GARCH-MIDAS model. International Journal of
Forecasting, 36(2), 684–694. https://doi.org/10.1016/j.ijforecast.2019.08.005
Wijaya, T. (2013). Metode Penelitian Ekonomi dan Bisnis teori dan praktis.
Yogyakarta: Graha Ilmu.
Yahoo finance. (2013). Harga Saham Sektor Infrastruktur, Utilitas dan
Transportasi. diakses pada 1 November 2020. www.yahoofinance.com
129
LAMPIRAN
Lampiran 1:Sampel Data Penelitian
Data return variabel penelitian
date
MIRA LAPD META FREN SUPR
close open
LN
return close open
LN
return close open
LN
return close open
LN
return close open
LN
return
1/1/2014 57 58 -1 103 113 -10 259.898 251.992 7.906006 53.7894 53.7894 0.0 6303 7842.67
-0.2
2/1/2014 56 55 1 90 102 -12 251.992 259.898 -7.90601 70.723 52.7933 0.3 6254.89 6303 0.0
3/1/2014 55 56 -1 83 89 -6 237.169 250.016 -12.847 61.7582 73.7113 -0.2 8155.41 6254.89 0.3
4/1/2014 51 55 -4 92 83 9 232.228 237.169 -4.94101 59.766 59.766 0.0 8011.07 8155.41 0.0
5/1/2014 50 51 -1 112 92 20 217.405 232.228 -14.823 58.7699 59.766 0.0 8035.13 8011.07 0.0
6/1/2014 50 50 0 67 110 -43 211.476 217.405 -5.929 54.7855 57.7738 -0.1 7938.9 7987.01 0.0
7/1/2014 50 50 0 61 60 1 205.547 212.464 -6.91701 54.7855 53.7894 0.0 7938.9 7938.9 0.0
8/1/2014 51 50 1 57 61 -4 203.57 205.547 -1.97699 68.7309 54.7855 0.2 7938.9 7938.9 0.0
9/1/2014 50 50 0 60 58 2 193.688 201.594 -7.90599 66.7386 67.7347 0.0 7938.9 7938.9 0.0
######## 50 50 0 50 59 -9 193.688 192.7 0.988007 66.7386 66.7386 0.0 9141.76 9237.99 0.0
######## 51 50 1 51 50 1 199.617 195.665 3.952011 98.6138 65.7426 0.4 7890.78 9141.76 -0.1
######## 50 51 -1 50 51 -1 198.629 200.606 -1.977 90.645 99.6099 -0.1 8000 7890.78 0.0
126
1/1/2015 50 50 0 50 50 0 187.759 198.629 -10.87 82.6762 90.645 -0.1 7300 8000 -0.1
2/1/2015 50 50 0 50 50 0 191.712 187.759 3.953003 78.6918 84.6684 -0.1 8950 7300 0.2
3/1/2015 50 50 0 50 50 0 186.771 191.712 -4.94101 64.7465 77.6957 -0.2 8825 9000 0.0
4/1/2015 50 50 0 50 50 0 173.924 187.759 -13.835 71.7191 65.7426 0.1 11000 8825 0.2
5/1/2015 50 50 0 50 50 0 200.606 173.924 26.68201 70.723 71.7191 0.0 10000 11000 -0.1
6/1/2015 50 50 0 50 50 0 197.641 198.629 -0.98799 60.7621 70.723 -0.2 10000 10000 0.0
7/1/2015 50 50 0 50 50 0 173.924 215.429 -41.505 52.7933 61.7582 -0.2 9700 10000 0.0
8/1/2015 50 50 0 50 50 0 165 173.924 -8.924 51 53.7894 -0.1 6700 8400 -0.2
9/1/2015 50 50 0 50 50 0 141.313 157.125 -15.812 50.8011 49.805 0.0 8100 6700 0.2
######## 50 50 0 50 50 0 117.596 142.301 -24.705 49.805 49.805 0.0 8400 8150 0.0
######## 50 50 0 50 50 0 77.08 114.632 -37.552 49.805 49.805 0.0 8200 8400 0.0
######## 50 50 0 50 50 0 73.1272 78.0682 -4.941 50.8011 49.805 0.0 8400 8200 0.0
1/1/2016 50 50 0 50 50 0 81.0328 73.1272 7.905602 49.805 50.8011 0.0 8600 8400 0.0
2/1/2016 50 50 0 50 50 0 104.75 83.0092 21.7408 49.805 49.805 0.0 8600 8600 0.0
3/1/2016 50 50 0 50 50 0 122.537 103.762 18.775 78.6918 49.805 0.5 8200 8600 0.0
4/1/2016 50 50 0 50 50 0 114.632 122.537 -7.905 71.7191 74.7074 0.0 7800 8200 -0.1
5/1/2016 50 50 0 50 50 0 110.679 114.632 -3.953 72.7152 71.7191 0.0 7800 7800 0.0
127
6/1/2016 50 50 0 50 50 0 116.608 110.679 5.929001 68.7309 73.7113 -0.1 8000 7800 0.0
7/1/2016 50 50 0 50 50 0 124.514 117.596 6.917999 73.7113 69.727 0.1 8000 8000 0.0
8/1/2016 50 50 0 50 50 0 126.49 124.514 1.975998 64.7465 73.7113 -0.1 8000 8000 0.0
9/1/2016 50 50 0 50 50 0 124.514 126.49 -1.976 58.7699 64.7465 -0.1 7500 8000 -0.1
######## 50 50 0 50 50 0 131.431 123.526 7.904999 57.7738 58.7699 0.0 7000 7500 -0.1
######## 50 50 0 50 50 0 129.455 131.431 -1.976 56.7777 57.7738 0.0 7000 7000 0.0
######## 50 50 0 50 50 0 129.455 129.455 0 57 56.7777 0.0 7000 7000 0.0
1/1/2017 50 50 0 50 50 0 128.467 129.455 -0.98801 60.7621 52.7933 0.1 6500 7000 -0.1
2/1/2017 50 50 0 50 50 0 127.478 128.467 -0.989 49.805 60.7621 -0.2 6500 6500 0.0
3/1/2017 50 50 0 50 50 0 129.455 126.49 2.965004 53.7894 49.805 0.1 6500 6500 0.0
4/1/2017 50 50 0 50 50 0 130.443 130.443 0 51.7972 53.7894 0.0 6500 6500 0.0
5/1/2017 50 50 0 50 50 0 133.408 130.443 2.965012 49.805 51.7972 0.0 6500 6500 0.0
6/1/2017 50 50 0 50 50 0 133.408 133.408 0 49.805 49.805 0.0 6500 6500 0.0
7/1/2017 50 50 0 50 50 0 133.408 133.408 0 49.805 49.805 0.0 6500 6500 0.0
8/1/2017 50 50 0 50 50 0 133.408 133.408 0 49.805 49.805 0.0 6500 6500 0.0
9/1/2017 50 50 0 50 50 0 142.301 133.408 8.89299 49.805 49.805 0.0 6500 6500 0.0
######## 50 50 0 50 50 0 187.759 143.29 44.46901 49.805 49.805 0.0 6500 6500 0.0
128
######## 50 50 0 50 50 0 211.476 186.771 24.705 49.805 49.805 0.0 6500 6500 0.0
######## 50 50 0 50 50 0 213.452 211.476 1.975998 49.805 49.805 0.0 6800 6500 0.0
1/1/2018 50 50 0 50 50 0 223.334 213.452 9.882004 49.805 49.805 0.0 6800 6800 0.0
2/1/2018 50 50 0 50 50 0 209.499 225.311 -15.812 49.805 49.805 0.0 6800 6800 0.0
3/1/2018 50 50 0 50 50 0 201.594 209.499 -7.905 49.805 49.805 0.0 6800 6800 0.0
4/1/2018 50 50 0 50 50 0 193.688 201.594 -7.90599 57.7738 49.805 0.1 6800 6800 0.0
5/1/2018 50 50 0 50 50 0 192.7 193.688 -0.98801 98.6138 57.7738 0.5 6800 6800 0.0
6/1/2018 50 50 0 50 50 0 196.653 192.7 3.953003 75.7035 98.6138 -0.3 6800 6800 0.0
7/1/2018 50 50 0 50 50 0 203.57 197.641 5.929001 162.364 75.7035 0.8 6800 6800 0.0
8/1/2018 50 50 0 50 50 0 213.452 203.57 9.881989 116.544 165.352 -0.3 6800 6800 0.0
9/1/2018 50 50 0 50 50 0 243.098 217.405 25.69301 112.559 115.548 0.0 6800 6800 0.0
######## 50 50 0 50 50 0 239.146 243.098 -3.95201 100.606 111.563 -0.1 6800 6800 0.0
######## 50 50 0 50 50 0 241.122 237.169 3.952988 81 100.606 -0.2 6800 6800 0.0
######## 50 50 0 50 50 0 206 237.169 -31.169 78 81 0.0 6800 6800 0.0
1/1/2019 50 50 0 50 50 0 216 206 10 147 78 0.6 6800 6800 0.0
2/1/2019 50 50 0 50 50 0 216 214 2 284 147 0.7 6800 6800 0.0
3/1/2019 50 50 0 50 50 0 202 210 -8 312 284 0.1 6800 6800 0.0
129
4/1/2019 50 50 0 50 50 0 198 202 -4 312 316 0.0 6800 6800 0.0
5/1/2019 50 50 0 50 50 0 198 198 0 284 312 -0.1 6800 6800 0.0
6/1/2019 50 50 0 50 50 0 195 198 -3 320 284 0.1 6800 6800 0.0
7/1/2019 50 50 0 50 50 0 190 190 0 173 324 -0.6 6800 6800 0.0
8/1/2019 50 50 0 50 50 0 188 190 -2 134 173 -0.3 5150 6800 -0.3
9/1/2019 50 50 0 50 50 0 195 188 7 170 134 0.2 4400 5150 -0.2
######## 50 50 0 50 50 0 192 193 -1 149 172 -0.1 3170 4280 -0.3
######## 50 50 0 50 50 0 191 189 2 125 149 -0.2 2110 3120 -0.4
######## 50 50 0 50 50 0 220 188 32 138 125 0.1 3280 2110 0.4
1/1/2020 50 50 0 50 50 0 180 220 -40 103 138 -0.3 4000 3280 0.2
2/1/2020 50 50 0 50 50 0 136 185 -49 94 103 -0.1 4000 4000 0.0
date
GIAA CASS NELY TPMA CANI IATA
Close open
LN
return close open
LN
return close open
LN
return close open
LN
return close open
LN
return
clo
se
ope
n
LN
retur
n
1/1/2014 479.08 495.942
0.0 830 820
0.0 158 175
-0.1 314 310
0.0 242 250
0.0 242 250
-0.03
130
2/1/2014 476.105 480.072 0.0 950 830 0.1 165 153 0.1 304 314 0.0 247 241 0.0 247 241 0.02
3/1/2014 492.967 476.105 0.0 930 980 -0.1 165 165 0.0 280 300 -0.1 269 247 0.1 269 247 0.09
4/1/2014 461 492.967 -0.1 945 965 0.0 168 165 0.0 300 294 0.0 259 265 0.0 259 265 -0.02
5/1/2014 438 461 -0.1 970 945 0.0 166 168 0.0 237 300 -0.2 255 259 0.0 255 259 -0.02
6/1/2014 422 441 0.0 945 960 0.0 155 166 -0.1 249 237 0.0 260 255 0.0 260 255 0.02
7/1/2014 437 421 0.0 1070 965 0.1 150 150 0.0 368 298 0.2 256 260 0.0 256 260 -0.02
8/1/2014 433 437 0.0 1095 1070 0.0 162 150 0.1 390 368 0.1 254 256 0.0 254 256 -0.01
9/1/2014 415 433 0.0 1200 1095 0.1 157 162 0.0 370 390 -0.1 254 254 0.0 254 254 0.00
######## 530 426 0.2 1200 1200 0.0 157 144 0.1 360 370 0.0 254 251 0.0 254 251 0.01
######## 490 525 -0.1 1210 1200 0.0 149 157 -0.1 475 360 0.3 254 254 0.0 254 254 0.00
######## 555 490 0.1 1250 1200 0.0 163 141 0.1 434 490 -0.1 265 254 0.0 265 254 0.04
1/1/2015 595 555 0.1 1200 1250 0.0 163 163 0.0 448 434 0.0 264 265 0.0 264 265 0.00
2/1/2015 525 590 -0.1 1205 1200 0.0 163 163 0.0 365 447 -0.2 264 264 0.0 264 264 0.00
3/1/2015 492 525 -0.1 1250 1200 0.0 163 163 0.0 370 370 0.0 264 264 0.0 264 264 0.00
4/1/2015 595 490 0.2 1210 1240 0.0 121 163 -0.3 377 400 -0.1 264 264 0.0 264 264 0.00
5/1/2015 469 595 -0.2 1210 1210 0.0 150 121 0.2 349 377 -0.1 264 264 0.0 264 264 0.00
6/1/2015 445 475 -0.1 1250 1200 0.0 128 150 -0.2 325 349 -0.1 264 264 0.0 264 264 0.00
131
7/1/2015 437 446 0.0 1200 1250 0.0 128 128 0.0 310 325 0.0 264 264 0.0 264 264 0.00
8/1/2015 326 436 -0.3 1195 1200 0.0 140 128 0.1 230 310 -0.3 264 264 0.0 264 264 0.00
9/1/2015 309 327 -0.1 1195 1200 0.0 140 140 0.0 257 230 0.1 264 264 0.0 264 264 0.00
######## 320 318 0.0 1200 1195 0.0 138 140 0.0 220 257 -0.2 264 264 0.0 264 264 0.00
######## 300 320 -0.1 1200 1200 0.0 138 138 0.0 241 220 0.1 264 264 0.0 264 264 0.00
######## 309 300 0.0 1130 1200 -0.1 138 138 0.0 238 241 0.0 264 264 0.0 264 264 0.00
1/1/2016 395 309 0.2 1060 1130 -0.1 125 138 -0.1 201 238 -0.2 264 264 0.0 264 264 0.00
2/1/2016 408 393 0.0 1245 1060 0.2 125 125 0.0 200 201 0.0 264 264 0.0 264 264 0.00
3/1/2016 440 408 0.1 1130 1245 -0.1 119 125 0.0 223 200 0.1 263 264 0.0 263 264 0.00
4/1/2016 494 436 0.1 1100 1130 0.0 153 119 0.3 220 201 0.1 263 263 0.0 263 263 0.00
5/1/2016 454 443 0.0 1000 1065 -0.1 113 153 -0.3 170 218 -0.2 263 263 0.0 263 263 0.00
6/1/2016 472 496 0.0 975 1000 0.0 113 113 0.0 151 170 -0.1 263 263 0.0 263 263 0.00
7/1/2016 480 464 0.0 1000 975 0.0 105 113 -0.1 178 151 0.2 263 263 0.0 263 263 0.00
8/1/2016 450 480 -0.1 970 1000 0.0 96 105 -0.1 115 178 -0.4 326 263 0.2 326 263 0.21
9/1/2016 428 450 -0.1 930 970 0.0 86 96 -0.1 145 115 0.2 350 326 0.1 350 326 0.07
######## 376 428 -0.1 930 930 0.0 95 86 0.1 228 145 0.5 695 350 0.7 695 350 0.69
######## 382 376 0.0 960 930 0.0 86 95 -0.1 316 228 0.3 1270 695 0.6
127
0 695 0.60
132
######## 338 382 -0.1 945 960 0.0 81 86 -0.1 316 316 0.0 1740 1270 0.3
174
0
127
0 0.31
1/1/2017 338 338 0.0 800 945 -0.2 91 76 0.2 300 316 -0.1 690 1740 -0.9 690
174
0 -0.92
2/1/2017 342 338 0.0 710 800 -0.1 89 91 0.0 312 300 0.0 585 690 -0.2 585 690 -0.17
3/1/2017 342 342 0.0 790 700 0.1 87 90 0.0 290 312 -0.1 500 590 -0.2 500 590 -0.17
4/1/2017 368 346 0.1 900 820 0.1 86 91 -0.1 240 290 -0.2 492 450 0.1 492 450 0.09
5/1/2017 368 368 0.0 800 900 -0.1 96 86 0.1 216 240 -0.1 402 492 -0.2 402 492 -0.20
6/1/2017 348 368 -0.1 755 800 -0.1 113 96 0.2 216 216 0.0 535 402 0.3 535 402 0.29
7/1/2017 346 348 0.0 740 755 0.0 167 113 0.4 184 216 -0.2 478 530 -0.1 478 530 -0.10
8/1/2017 326 348 -0.1 700 715 0.0 127 171 -0.3 175 184 -0.1 360 486 -0.3 360 486 -0.30
9/1/2017 334 326 0.0 700 700 0.0 122 127 0.0 170 175 0.0 354 360 0.0 354 360 -0.02
######## 366 334 0.1 700 695 0.0 128 122 0.0 175 168 0.0 322 352 -0.1 322 352 -0.09
######## 310 366 -0.2 840 740 0.1 126 123 0.0 175 174 0.0 318 322 0.0 318 322 -0.01
######## 300 310 0.0 900 840 0.1 114 126 -0.1 165 175 -0.1 268 316 -0.2 268 316 -0.16
1/1/2018 314 300 0.0 730 900 -0.2 120 114 0.1 190 165 0.1 272 268 0.0 272 268 0.01
2/1/2018 312 314 0.0 700 725 0.0 135 120 0.1 212 180 0.2 270 272 0.0 270 272 -0.01
3/1/2018 294 312 -0.1 695 700 0.0 139 130 0.1 226 220 0.0 268 268 0.0 268 268 0.00
133
4/1/2018 286 296 0.0 710 690 0.0 124 142 -0.1 234 226 0.0 250 268 -0.1 250 268 -0.07
5/1/2018 254 286 -0.1 700 710 0.0 142 124 0.1 220 234 -0.1 222 250 -0.1 222 250 -0.12
6/1/2018 242 254 0.0 750 700 0.1 121 142 -0.2 191 220 -0.1 230 222 0.0 230 222 0.04
7/1/2018 228 242 -0.1 700 750 -0.1 126 121 0.0 300 180 0.5 218 214 0.0 218 214 0.02
8/1/2018 218 230 -0.1 715 700 0.0 134 126 0.1 254 370 -0.4 186 224 -0.2 186 224 -0.19
9/1/2018 206 218 -0.1 720 710 0.0 129 134 0.0 240 254 -0.1 171 186 -0.1 171 186 -0.08
######## 202 206 0.0 690 720 0.0 116 129 -0.1 234 246 -0.1 160 179 -0.1 160 179 -0.11
######## 222 202 0.1 705 690 0.0 120 118 0.0 236 224 0.1 162 162 0.0 162 162 0.00
######## 298 222 0.3 700 700 0.0 133 120 0.1 248 236 0.0 264 162 0.5 264 162 0.49
1/1/2019 454 298 0.4 690 700 0.0 136 133 0.0 246 248 0.0 189 264 -0.3 189 264 -0.33
2/1/2019 545 454 0.2 690 695 0.0 142 138 0.0 264 246 0.1 192 228 -0.2 192 228 -0.17
3/1/2019 476 555 -0.2 685 685 0.0 150 140 0.1 274 262 0.0 180 192 -0.1 180 192 -0.06
4/1/2019 466 474 0.0 700 680 0.0 161 155 0.0 276 272 0.0 167 180 -0.1 167 180 -0.07
5/1/2019 432 466 -0.1 730 700 0.0 162 161 0.0 308 276 0.1 157 167 -0.1 157 167 -0.06
6/1/2019 366 432 -0.2 730 730 0.0 149 162 -0.1 294 308 0.0 157 157 0.0 157 157 0.00
7/1/2019 400 366 0.1 670 730 -0.1 155 149 0.0 288 290 0.0 158 167 -0.1 158 167 -0.06
8/1/2019 488 400 0.2 630 660 0.0 153 155 0.0 282 280 0.0 161 152 0.1 161 152 0.06
134
9/1/2019 510 488 0.0 645 650 0.0 152 153 0.0 284 282 0.0 210 216 0.0 210 216 -0.03
######## 590 510 0.1 615 645 0.0 149 152 0.0 290 284 0.0 157 230 -0.4 157 230 -0.38
######## 496 590 -0.2 620 625 0.0 135 149 -0.1 240 288 -0.2 147 150 0.0 147 150 -0.02
######## 498 496 0.0 620 600 0.0 141 145 0.0 254 240 0.1 162 147 0.1 162 147 0.10
1/1/2020 404 498 -0.2 555 620 -0.1 134 141 -0.1 286 254 0.1 159 162 0.0 159 162 -0.02
2/1/2020 250 396 -0.5 570 555 0.0 130 133 0.0 294 284 0.0 172 159 0.1 172 159 0.08
139
Lampiran 2: Output Eviews
Analisis Deskriptif
0
10
20
30
40
50
60
70
-0.06 -0.04 -0.02 0.00 0.02
Series: MIRASample 1 74Observations 74
Mean -0.001201Median 0.000000Maximum 0.020000Minimum -0.072727Std. Dev. 0.010269Skewness -4.593844Kurtosis 33.82923
Jarque-Bera 3190.802Probability 0.000000
0
10
20
30
40
50
60
70
-0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2
Series: LAPDSample 1 74Observations 74
Mean -0.006827Median 0.000000Maximum 0.217391Minimum -0.390909Std. Dev. 0.060184Skewness -3.110278Kurtosis 26.61003
Jarque-Bera 1838.063Probability 0.000000
136
0
4
8
12
16
20
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3
Series: METASample 1 74Observations 74
Mean -0.003220Median -0.005038Maximum 0.310343Minimum -0.327587Std. Dev. 0.095772Skewness -0.036932Kurtosis 6.180918
Jarque-Bera 31.21473Probability 0.000000
0
5
10
15
20
25
30
-0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
Series: FRENSample 1 74Observations 74
Mean 0.035125Median 0.000000Maximum 1.144736Minimum -0.466049Std. Dev. 0.263885Skewness 2.263039Kurtosis 9.001687
Jarque-Bera 174.2257Probability 0.000000
137
0
10
20
30
40
50
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6
Series: SUPRSample 1 74Observations 74
Mean -0.002289Median 0.000000Maximum 0.554502Minimum -0.323718Std. Dev. 0.116738Skewness 1.404596Kurtosis 10.33247
Jarque-Bera 190.1080Probability 0.000000
0
4
8
12
16
20
-0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 0.5
Series: GIAASample 1 74Observations 74
Mean -0.001365Median -0.018148Maximum 0.523490Minimum -0.368687Std. Dev. 0.132035Skewness 0.956972Kurtosis 6.203961
Jarque-Bera 42.94635Probability 0.000000
0
4
8
12
16
20
-0.20 -0.15 -0.10 -0.05 0.00 0.05 0.10 0.15
Series: CASSSample 1 74Observations 74
Mean -0.003239Median -0.002083Maximum 0.174528Minimum -0.188889Std. Dev. 0.063036Skewness 0.140570Kurtosis 4.267300
Jarque-Bera 5.195689Probability 0.074434
138
0
4
8
12
16
20
-0.2 -0.1 0.0 0.1 0.2 0.3 0.4 0.5
Series: NELYSample 1 74Observations 74
Mean 0.004029Median 0.000000Maximum 0.477876Minimum -0.261438Std. Dev. 0.114741Skewness 0.867556Kurtosis 6.449196
Jarque-Bera 45.96499Probability 0.000000
0
4
8
12
16
20
-0.4 -0.2 0.0 0.2 0.4 0.6
Series: TPMASample 1 74Observations 74
Mean 0.008124Median 0.000000Maximum 0.666667Minimum -0.353933Std. Dev. 0.164581Skewness 1.342676Kurtosis 7.062515
Jarque-Bera 73.12170Probability 0.000000
139
0
5
10
15
20
25
30
35
-0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
Series: CANISample 1 74Observations 74
Mean 0.008364Median 0.000000Maximum 0.985714Minimum -0.603448Std. Dev. 0.210663Skewness 2.173354Kurtosis 12.07090
Jarque-Bera 311.9564Probability 0.000000
0
10
20
30
40
50
-0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Series: IATASample 1 74Observations 74
Mean -0.005934Median 0.000000Maximum 0.424242Minimum -0.197531Std. Dev. 0.076569Skewness 2.561701Kurtosis 16.55971
Jarque-Bera 647.8545Probability 0.000000
Lampiran 3: Output Uji Stasioneritas
Null Hypothesis: LAPD has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
Null Hypothesis: MIRA has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -6.902173 0.0000
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
*MacKinnon (1996) one-sided p-values.
140
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -11.06883 0.0001
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: META has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.959047 0.0001
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: FREN has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -8.817454 0.0000
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: SUPR has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -8.267719 0.0000
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
141
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: GIAA has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -5.617598 0.0000
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: NELY has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -11.69332 0.0001
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: CASS has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -8.340664 0.0000
Test critical values: 1% level -3.524233
5% level -2.902358
10% level -2.588587
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: TPMA has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
142
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -9.372393 0.0000
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: CANI has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -7.248780 0.0000
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: IATA has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -10.33439 0.0001
Test critical values: 1% level -3.522887
5% level -2.901779
10% level -2.588280
*MacKinnon (1996) one-sided p-values.
Lampiran 4: Output Model ARIMA
Dependent Variable: MIRA
Method: Least Squares
Date: 12/27/20 Time: 14:01
Sample (adjusted): 4 74
Included observations: 71 after adjustments
Convergence achieved after 10 iterations
MA Backcast: -1 3
Variable Coefficient Std. Error t-Statistic Prob.
143
C -7.54E-07 6.95E-05 -0.010840 0.9914
AR(3) 0.203623 0.073720 2.762108 0.0074
MA(5) -0.995066 0.004791 -207.7097 0.0000
R-squared 0.903479 Mean dependent var -0.001063
Adjusted R-squared 0.900640 S.D. dependent var 0.010135
S.E. of regression 0.003195 Akaike info criterion -8.613397
Sum squared resid 0.000694 Schwarz criterion -8.517791
Log likelihood 308.7756 Hannan-Quinn criter. -8.575377
F-statistic 318.2535 Durbin-Watson stat 2.751886
Prob(F-statistic) 0.000000
Inverted AR Roots .59 -.29-.51i -.29+.51i
Inverted MA Roots 1.00 .31+.95i .31-.95i -.81-.59i
-.81+.59i
Dependent Variable: LAPD
Method: Least Squares
Date: 12/27/20 Time: 14:48
Sample (adjusted): 5 74
Included observations: 70 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 2 4
Variable Coefficient Std. Error t-Statistic Prob.
C 1.82E-05 0.000164 0.110658 0.9122
AR(4) 0.267782 0.021587 12.40475 0.0000
MA(3) -0.997579 0.002242 -444.8536 0.0000
R-squared 0.972237 Mean dependent var -0.006885
Adjusted R-squared 0.971408 S.D. dependent var 0.067608
S.E. of regression 0.011432 Akaike info criterion -6.062914
Sum squared resid 0.008756 Schwarz criterion -5.966550
Log likelihood 215.2020 Hannan-Quinn criter. -6.024637
F-statistic 1173.133 Durbin-Watson stat 2.082034
Prob(F-statistic) 0.000000
Inverted AR Roots .72 .00-.72i -.00+.72i -.72
Inverted MA Roots 1.00 -.50-.87i -.50+.87i
Dependent Variable: META
Method: Least Squares
Date: 12/27/20 Time: 15:30
Sample (adjusted): 2 74
Included observations: 73 after adjustments
Convergence achieved after 3 iterations
144
Variable Coefficient Std. Error t-Statistic Prob.
C -0.011836 0.018674 -0.633815 0.5282
AR(1) 0.421387 0.116678 3.611524 0.0006
R-squared 0.155195 Mean dependent var -0.008458
Adjusted R-squared 0.143297 S.D. dependent var 0.099368
S.E. of regression 0.091973 Akaike info criterion -1.907623
Sum squared resid 0.600595 Schwarz criterion -1.844870
Log likelihood 71.62823 Hannan-Quinn criter. -1.882615
F-statistic 13.04310 Durbin-Watson stat 1.745088
Prob(F-statistic) 0.000564
Inverted AR Roots .42
Dependent Variable: FREN
Method: Least Squares
Date: 12/27/20 Time: 15:58
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 1 5
Variable Coefficient Std. Error t-Statistic Prob.
C 0.015589 0.014970 1.041321 0.3015
AR(5) 0.568935 0.102030 5.576163 0.0000
MA(5) -0.911346 0.032482 -28.05681 0.0000
R-squared 0.152144 Mean dependent var 0.008260
Adjusted R-squared 0.126452 S.D. dependent var 0.221101
S.E. of regression 0.206649 Akaike info criterion -0.273082
Sum squared resid 2.818461 Schwarz criterion -0.175947
Log likelihood 12.42132 Hannan-Quinn criter. -0.234545
F-statistic 5.921724 Durbin-Watson stat 2.087047
Prob(F-statistic) 0.004311
Inverted AR Roots .89 .28+.85i .28-.85i -.72-.53i
-.72+.53i
Inverted MA Roots .98 .30+.93i .30-.93i -.79-.58i
-.79+.58i
Dependent Variable: SUPR
Method: Least Squares
Date: 12/27/20 Time: 17:50
Sample (adjusted): 5 74
145
Included observations: 70 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 1 4
Variable Coefficient Std. Error t-Statistic Prob.
C -0.009055 0.003620 -2.501747 0.0148
AR(4) 0.295463 0.138165 2.138474 0.0361
MA(4) -0.896660 0.022248 -40.30305 0.0000
R-squared 0.232818 Mean dependent var -0.009491
Adjusted R-squared 0.209917 S.D. dependent var 0.108702
S.E. of regression 0.096622 Akaike info criterion -1.794119
Sum squared resid 0.625493 Schwarz criterion -1.697755
Log likelihood 65.79417 Hannan-Quinn criter. -1.755842
F-statistic 10.16627 Durbin-Watson stat 1.939688
Prob(F-statistic) 0.000139
Inverted AR Roots .74 -.00+.74i -.00-.74i -.74
Inverted MA Roots .97 -.00+.97i -.00-.97i -.97
Dependent Variable: GIAA
Method: Least Squares
Date: 12/27/20 Time: 18:57
Sample: 1 74
Included observations: 74
Convergence achieved after 7 iterations
MA Backcast: -4 0
Variable Coefficient Std. Error t-Statistic Prob.
C -0.006405 0.007395 -0.866150 0.3893
MA(5) -0.514638 0.116598 -4.413776 0.0000
R-squared 0.148391 Mean dependent var -0.009665
Adjusted R-squared 0.136563 S.D. dependent var 0.129163
S.E. of regression 0.120020 Akaike info criterion -1.375658
Sum squared resid 1.037150 Schwarz criterion -1.313386
Log likelihood 52.89933 Hannan-Quinn criter. -1.350816
F-statistic 12.54585 Durbin-Watson stat 1.446176
Prob(F-statistic) 0.000701
Inverted MA Roots .88 .27+.83i .27-.83i -.71-.51i
-.71+.51i
Dependent Variable: NELY
Method: Least Squares
Date: 12/27/20 Time: 19:27
146
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 22 iterations
MA Backcast: 1 5
Variable Coefficient Std. Error t-Statistic Prob.
C -0.007186 0.011893 -0.604198 0.5478
AR(5) 0.760145 0.069788 10.89221 0.0000
MA(5) -0.965251 0.032049 -30.11823 0.0000
R-squared 0.170663 Mean dependent var -0.002089
Adjusted R-squared 0.145532 S.D. dependent var 0.115125
S.E. of regression 0.106418 Akaike info criterion -1.600371
Sum squared resid 0.747442 Schwarz criterion -1.503236
Log likelihood 58.21280 Hannan-Quinn criter. -1.561834
F-statistic 6.790817 Durbin-Watson stat 2.525345
Prob(F-statistic) 0.002080
Inverted AR Roots .95 .29-.90i .29+.90i -.77+.56i
-.77-.56i
Inverted MA Roots .99 .31-.94i .31+.94i -.80-.58i
-.80+.58i
Dependent Variable: CASS
Method: Least Squares
Date: 12/27/20 Time: 20:43
Sample (adjusted): 4 74
Included observations: 71 after adjustments
Convergence achieved after 11 iterations
MA Backcast: 1 3
Variable Coefficient Std. Error t-Statistic Prob.
C -0.021609 0.013766 -1.569719 0.1211
AR(3) 0.895870 0.067636 13.24542 0.0000
MA(3) -0.930720 0.024869 -37.42488 0.0000
R-squared 0.049024 Mean dependent var -0.006777
Adjusted R-squared 0.021055 S.D. dependent var 0.062255
S.E. of regression 0.061596 Akaike info criterion -2.695101
Sum squared resid 0.257998 Schwarz criterion -2.599495
Log likelihood 98.67609 Hannan-Quinn criter. -2.657082
F-statistic 1.752757 Durbin-Watson stat 2.160004
Prob(F-statistic) 0.181033
Inverted AR Roots .96 -.48+.83i -.48-.83i
Inverted MA Roots .98 -.49-.85i -.49+.85i
147
Dependent Variable: TPMA
Method: Least Squares
Date: 12/27/20 Time: 21:15
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 18 iterations
MA Backcast: 1 5
Variable Coefficient Std. Error t-Statistic Prob.
C 0.003034 0.018532 0.163707 0.8705
AR(5) -0.791996 0.066534 -11.90356 0.0000
MA(5) 0.935685 0.031753 29.46765 0.0000
R-squared 0.145951 Mean dependent var 3.42E-05
Adjusted R-squared 0.120071 S.D. dependent var 0.157932
S.E. of regression 0.148147 Akaike info criterion -0.938717
Sum squared resid 1.448539 Schwarz criterion -0.841582
Log likelihood 35.38575 Hannan-Quinn criter. -0.900181
F-statistic 5.639484 Durbin-Watson stat 2.082648
Prob(F-statistic) 0.005482
Inverted AR Roots .77-.56i .77+.56i -.29+.91i -.29-.91i
-.95
Inverted MA Roots .80-.58i .80+.58i -.30+.94i -.30-.94i
-.99
Dependent Variable: CANI
Method: Least Squares
Date: 12/27/20 Time: 21:47
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 21 iterations
MA Backcast: 1 5
Variable Coefficient Std. Error t-Statistic Prob.
C -0.035462 0.025577 -1.386484 0.1703
AR(5) 0.750385 0.091996 8.156675 0.0000
MA(5) -0.923701 0.055800 -16.55390 0.0000
R-squared 0.077360 Mean dependent var -0.012114
Adjusted R-squared 0.049401 S.D. dependent var 0.202608
S.E. of regression 0.197540 Akaike info criterion -0.363244
Sum squared resid 2.575462 Schwarz criterion -0.266109
Log likelihood 15.53192 Hannan-Quinn criter. -0.324707
F-statistic 2.766932 Durbin-Watson stat 1.725448
Prob(F-statistic) 0.070156
Inverted AR Roots .94 .29-.90i .29+.90i -.76-.55i
148
-.76+.55i
Inverted MA Roots .98 .30+.94i .30-.94i -.80-.58i
-.80+.58i
Dependent Variable: IATA
Method: Least Squares
Date: 12/27/20 Time: 22:28
Sample: 1 74
Included observations: 74
Convergence achieved after 16 iterations
MA Backcast: -3 0
Variable Coefficient Std. Error t-Statistic Prob.
C -0.009262 0.004804 -1.928081 0.0578
MA(4) -0.442566 0.089466 -4.946769 0.0000
R-squared 0.051827 Mean dependent var -0.008607
Adjusted R-squared 0.038658 S.D. dependent var 0.071842
S.E. of regression 0.070439 Akaike info criterion -2.441479
Sum squared resid 0.357241 Schwarz criterion -2.379207
Log likelihood 92.33472 Hannan-Quinn criter. -2.416638
F-statistic 3.935516 Durbin-Watson stat 2.319316
Prob(F-statistic) 0.051090
Inverted MA Roots .82 .00-.82i .00+.82i -.82
Lampiran 5: Output Uji ARCH-LM
MIRA
LAPD
Heteroskedasticity Test: ARCH
F-statistic 7.054206 Prob. F(1,67) 0.0099
Obs*R-squared 6.572756 Prob. Chi-Square(1) 0.0104
META
Heteroskedasticity Test: ARCH
F-statistic 17.39647 Prob. F(1,68) 0.0001
Obs*R-squared 14.25999 Prob. Chi-Square(1) 0.0002
149
Heteroskedasticity Test: ARCH
F-statistic 5.714546 Prob. F(1,70) 0.0195
Obs*R-squared 5.434191 Prob. Chi-Square(1) 0.0197
FREN
Heteroskedasticity Test: ARCH
F-statistic 5.978692 Prob. F(1,66) 0.0172
Obs*R-squared 5.648214 Prob. Chi-Square(1) 0.0175
SUPR
Heteroskedasticity Test: ARCH
F-statistic 50.85621 Prob. F(1,67) 0.0000
Obs*R-squared 29.77424 Prob. Chi-Square(1) 0.0000
GIAA
Heteroskedasticity Test: ARCH
F-statistic 5.313208 Prob. F(1,71) 0.0241
Obs*R-squared 5.082530 Prob. Chi-Square(1) 0.0242
CASS
Heteroskedasticity Test: ARCH
F-statistic 4.757325 Prob. F(1,68) 0.0326
Obs*R-squared 4.577034 Prob. Chi-Square(1) 0.0324
NELY
Heteroskedasticity Test: ARCH
F-statistic 13.82556 Prob. F(1,66) 0.0004
Obs*R-squared 11.77740 Prob. Chi-Square(1) 0.0006
TPMA
Heteroskedasticity Test: ARCH
150
F-statistic 7.313142 Prob. F(1,66) 0.0087
Obs*R-squared 6.783145 Prob. Chi-Square(1) 0.0092
CANI
Heteroskedasticity Test: ARCH
F-statistic 5.195475 Prob. F(1,66) 0.0259
Obs*R-squared 4.962285 Prob. Chi-Square(1) 0.0259
IATA
Heteroskedasticity Test: ARCH
F-statistic 4.205027 Prob. F(1,71) 0.0440
Obs*R-squared 4.081735 Prob. Chi-Square(1) 0.0433
Lampiran 6: Estimasi Model GARCH
Lampiran 6 : Estimasi Model GARCH
Estimasi GARCH MIRA
Dependent Variable: MIRA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 14:03
Sample (adjusted): 4 74
Included observations: 71 after adjustments
Failure to improve Likelihood after 50 iterations
MA Backcast: -1 3
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-2)^2
Variable Coefficient Std. Error z-Statistic Prob.
C -2.17E-08 2.37E-08 -0.917015 0.3591
AR(3) -0.109746 0.010108 -10.85737 0.0000
MA(5) -0.178573 0.007373 -24.21975 0.0000
Variance Equation
C 1.05E-14 4.83E-15 2.168404 0.0301
RESID(-1)^2 0.322218 0.070208 4.589511 0.0000
RESID(-2)^2 0.108143 0.020168 5.362119 0.0000
R-squared -0.032938 Mean dependent var -0.001063
151
Adjusted R-squared -0.063318 S.D. dependent var 0.010135
S.E. of regression 0.010450 Akaike info criterion -19.91234
Sum squared resid 0.007426 Schwarz criterion -19.72113
Log likelihood 712.8880 Hannan-Quinn criter. -19.83630
Durbin-Watson stat 1.134666
Inverted AR Roots .24+.41i .24-.41i -.48
Inverted MA Roots .71 .22-.67i .22+.67i -.57+.42i
-.57-.42i
Evaluasi Model GARCH MIRA
Output test Diagnostik heterokedasitas
Heteroskedasticity Test: ARCH F-statistic 2.368160 Prob. F(1,68) 0.1285
Obs*R-squared 2.355770 Prob. Chi-Square(1) 0.1248
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
152
0
5
10
15
20
25
-2 -1 0 1 2 3 4
Series: Standardized Residuals
Sample 4 74
Observations 71
Mean -0.002609
Median 0.230165
Maximum 4.563188
Minimum -2.697069
Std. Dev. 1.453453
Skewness 0.416308
Kurtosis 4.105571
Jarque-Bera 5.666800
Probability 0.058813
Estimasi GARCH LAPD
Dependent Variable: LAPD
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 14:53
Sample (adjusted): 5 74
Included observations: 70 after adjustments
Failure to improve Likelihood after 42 iterations
MA Backcast: 2 4
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2
Variable Coefficient Std. Error z-Statistic Prob.
C -2.71E-08 7.47E-07 -0.036233 0.9711
AR(4) 0.155266 0.006989 22.21592 0.0000
MA(3) -0.111383 0.002369 -47.01919 0.0000
Variance Equation
C 4.01E-13 1.36E-13 2.942594 0.0033
RESID(-1)^2 0.301520 0.021772 13.84927 0.0000
R-squared 0.111380 Mean dependent var -0.006885
Adjusted R-squared 0.084854 S.D. dependent var 0.067608
S.E. of regression 0.064676 Akaike info criterion -19.84188
Sum squared resid 0.280256 Schwarz criterion -19.68127
Log likelihood 699.4656 Hannan-Quinn criter. -19.77808
Durbin-Watson stat 2.606523
Inverted AR Roots .63 .00+.63i -.00-.63i -.63
Inverted MA Roots .48 -.24-.42i -.24+.42i
153
Evaluasi Model GARCH LAPD
Output test Diagnostik heterokedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.070083 Prob. F(1,67) 0.7920
Obs*R-squared 0.072099 Prob. Chi-Square(1) 0.7883
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
0
10
20
30
40
50
-4 -3 -2 -1 0 1 2 3 4
Series: Standardized Residuals
Sample 5 74
Observations 70
Mean 0.089203
Median 0.040647
Maximum 3.817636
Minimum -4.107317
Std. Dev. 1.347361
Skewness 0.087904
Kurtosis 7.065133
Jarque-Bera 48.28896
Probability 0.000000
Estimasi GARCH META
Dependent Variable: META
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 15:36
Sample (adjusted): 2 74
154
Included observations: 73 after adjustments
Convergence achieved after 87 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*GARCH(-1) +
C(6)*GARCH(-2)
Variable Coefficient Std. Error z-Statistic Prob.
C -0.013538 0.005009 -2.702860 0.0069
AR(1) 0.246551 0.134451 1.833767 0.0667
Variance Equation
C 0.000884 0.000277 3.184794 0.0014
RESID(-1)^2 0.805767 0.185345 4.347383 0.0000
GARCH(-1) 0.792943 0.093596 8.472012 0.0000
GARCH(-2) -0.337024 0.049936 -6.749072 0.0000
R-squared 0.127740 Mean dependent var -0.008458
Adjusted R-squared 0.115454 S.D. dependent var 0.099368
S.E. of regression 0.093456 Akaike info criterion -2.337240
Sum squared resid 0.620114 Schwarz criterion -2.148983
Log likelihood 91.30925 Hannan-Quinn criter. -2.262216
Durbin-Watson stat 1.472909
Inverted AR Roots .25
Evaluasi Model GARCH META
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.272898 Prob. F(1,70) 0.6030
Obs*R-squared 0.279605 Prob. Chi-Square(1) 0.5970
Output test Diagnostik Autokorelasi
155
Output test Diagnostik Normalitas
0
2
4
6
8
10
12
14
-2 -1 0 1 2 3
Series: Standardized Residuals
Sample 2 74
Observations 73
Mean 0.125375
Median 0.087928
Maximum 3.395197
Minimum -2.299961
Std. Dev. 1.011467
Skewness 0.639518
Kurtosis 4.642250
Jarque-Bera 13.17929
Probability 0.001375
Estimasi GARCH FREN
Dependent Variable: FREN
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 16:00
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 49 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2
Variable Coefficient Std. Error z-Statistic Prob.
C -0.006081 0.009456 -0.643107 0.5202
AR(5) 0.551233 0.067820 8.127890 0.0000
156
MA(5) -0.885380 0.038411 -23.04988 0.0000
Variance Equation
C 0.013138 0.003821 3.437953 0.0006
RESID(-1)^2 0.980214 0.332867 2.944766 0.0032
R-squared 0.119332 Mean dependent var 0.008260
Adjusted R-squared 0.092645 S.D. dependent var 0.221101
S.E. of regression 0.210610 Akaike info criterion -0.514977
Sum squared resid 2.927536 Schwarz criterion -0.353085
Log likelihood 22.76671 Hannan-Quinn criter. -0.450749
Durbin-Watson stat 2.023245
Inverted AR Roots .89 .27-.84i .27+.84i -.72+.52i
-.72-.52i
Inverted MA Roots .98 .30-.93i .30+.93i -.79+.57i
-.79-.57i
Evaluasi Model GARCH FREN
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.411127 Prob. F(1,66) 0.5236
Obs*R-squared 0.420963 Prob. Chi-Square(1) 0.5165
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
157
0
2
4
6
8
10
12
14
-2 -1 0 1 2 3
Series: Standardized Residuals
Sample 6 74
Observations 69
Mean 0.101880
Median 0.176280
Maximum 2.875742
Minimum -2.281470
Std. Dev. 1.002089
Skewness 0.729957
Kurtosis 3.842633
Jarque-Bera 8.168968
Probability 0.016832
Estimasi GARCH SUPR
Dependent Variable: SUPR
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 17:52
Sample (adjusted): 5 74
Included observations: 70 after adjustments
Convergence achieved after 53 iterations
MA Backcast: 1 4
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2
Variable Coefficient Std. Error z-Statistic Prob.
C -0.007005 0.005456 -1.283832 0.1992
AR(4) 0.507527 0.102664 4.943585 0.0000
MA(4) -0.872105 0.025170 -34.64923 0.0000
Variance Equation
C 0.003364 0.000694 4.844082 0.0000
RESID(-1)^2 0.554832 0.263527 2.105407 0.0353
R-squared 0.188241 Mean dependent var -0.009491
Adjusted R-squared 0.164009 S.D. dependent var 0.108702
S.E. of regression 0.099389 Akaike info criterion -2.252588
Sum squared resid 0.661837 Schwarz criterion -2.091981
Log likelihood 83.84057 Hannan-Quinn criter. -2.188793
Durbin-Watson stat 1.884302
Inverted AR Roots .84 .00-.84i -.00+.84i -.84
Inverted MA Roots .97 .00-.97i -.00+.97i -.97
Evaluasi Model GARCH SUPR
158
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.020435 Prob. F(1,67) 0.8868
Obs*R-squared 0.021038 Prob. Chi-Square(1) 0.8847
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
0
5
10
15
20
25
30
-4 -3 -2 -1 0 1 2 3
Series: Standardized Residuals
Sample 5 74
Observations 70
Mean -0.043749
Median 0.056931
Maximum 3.324761
Minimum -4.359146
Std. Dev. 1.006183
Skewness -0.891705
Kurtosis 8.534773
Jarque-Bera 98.62495
Probability 0.000000
Estimasi GARCH GIAA
Dependent Variable: GIAA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 18:58
Sample: 1 74
159
Included observations: 74
Convergence achieved after 24 iterations
MA Backcast: -4 0
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2
Variable Coefficient Std. Error z-Statistic Prob.
C -0.010337 0.005874 -1.759892 0.0784
MA(5) -0.514039 0.065885 -7.802117 0.0000
Variance Equation
C 0.004973 0.001922 2.587524 0.0097
RESID(-1)^2 1.057277 0.358771 2.946938 0.0032
R-squared 0.145054 Mean dependent var -0.009665
Adjusted R-squared 0.133180 S.D. dependent var 0.129163
S.E. of regression 0.120255 Akaike info criterion -1.515963
Sum squared resid 1.041214 Schwarz criterion -1.391419
Log likelihood 60.09063 Hannan-Quinn criter. -1.466281
Durbin-Watson stat 1.440014
Inverted MA Roots .88 .27+.83i .27-.83i -.71-.51i
-.71+.51i
Evaluasi Model GARCH GIAA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.715090 Prob. F(1,71) 0.4006
Obs*R-squared 0.727902 Prob. Chi-Square(1) 0.3936
Output test Diagnostik Autokorelasi
160
Output test Diagnostik Normalitas
0
2
4
6
8
10
12
-2 -1 0 1 2
Series: Standardized Residuals
Sample 1 74
Observations 74
Mean 0.044299
Median 0.070129
Maximum 2.513538
Minimum -2.588895
Std. Dev. 1.005847
Skewness 0.055851
Kurtosis 3.276747
Jarque-Bera 0.274621
Probability 0.871700
Estimasi GARCH NELY
Dependent Variable: NELY
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 19:28
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 61 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*GARCH(-1) + C(6)*GARCH(-2)
Variable Coefficient Std. Error z-Statistic Prob.
C -0.029882 0.018819 -1.587870 0.1123
AR(5) 0.863461 0.052540 16.43450 0.0000
161
MA(5) -0.994599 0.009623 -103.3576 0.0000
Variance Equation
C 0.000103 2.39E-05 4.310168 0.0000
GARCH(-1) 1.999993 0.004915 406.8835 0.0000
GARCH(-2) -1.008535 0.004955 -203.5509 0.0000
R-squared 0.133367 Mean dependent var -0.002089
Adjusted R-squared 0.107105 S.D. dependent var 0.115125
S.E. of regression 0.108785 Akaike info criterion -2.061612
Sum squared resid 0.781056 Schwarz criterion -1.867342
Log likelihood 77.12563 Hannan-Quinn criter. -1.984539
Durbin-Watson stat 2.490993
Inverted AR Roots .97 .30-.92i .30+.92i -.79+.57i
-.79-.57i
Inverted MA Roots 1.00 .31-.95i .31+.95i -.81-.59i
-.81+.59i
Evaluasi Model GARCH NELY
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 3.904644 Prob. F(1,66) 0.0523
Obs*R-squared 3.798257 Prob. Chi-Square(1) 0.0513
Output test Diagnostik Autokorelasi
162
Output test Diagnostik Normalitas
0
2
4
6
8
10
12
-2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
Series: Standardized Residuals
Sample 6 74
Observations 69
Mean 0.133157
Median 0.298778
Maximum 2.490064
Minimum -2.480713
Std. Dev. 0.952169
Skewness -0.352627
Kurtosis 3.132075
Jarque-Bera 1.480131
Probability 0.477083
Estimasi GARCH CASS
Dependent Variable: CASS
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 20:44
Sample (adjusted): 4 74
Included observations: 71 after adjustments
Convergence achieved after 228 iterations
MA Backcast: 1 3
Presample variance: backcast (parameter = 0.7)
163
GARCH = C(4) + C(5)*GARCH(-1) + C(6)*GARCH(-2)
Variable Coefficient Std. Error z-Statistic Prob.
C -0.053568 0.096660 -0.554189 0.5794
AR(3) 0.975603 0.054130 18.02335 0.0000
MA(3) -0.943768 0.026630 -35.43984 0.0000
Variance Equation
C 4.03E-05 1.20E-05 3.356368 0.0008
GARCH(-1) 2.009746 0.017929 112.0954 0.0000
GARCH(-2) -1.019838 0.018213 -55.99557 0.0000
R-squared 0.031605 Mean dependent var -0.006777
Adjusted R-squared 0.003123 S.D. dependent var 0.062255
S.E. of regression 0.062158 Akaike info criterion -2.770515
Sum squared resid 0.262723 Schwarz criterion -2.579302
Log likelihood 104.3533 Hannan-Quinn criter. -2.694476
Durbin-Watson stat 2.089113
Inverted AR Roots .99 -.50+.86i -.50-.86i
Inverted MA Roots .98 -.49-.85i -.49+.85i
Evaluasi Model GARCH CASS
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.649775 Prob. F(1,68) 0.4230
Obs*R-squared 0.662555 Prob. Chi-Square(1) 0.4157
Output test Diagnostik Autokorelasi
164
Output test Diagnostik Normalitas
0
2
4
6
8
10
12
14
-3 -2 -1 0 1 2
Series: Standardized Residuals
Sample 4 74
Observations 71
Mean 0.006351
Median -0.048090
Maximum 2.608788
Minimum -2.860422
Std. Dev. 0.997329
Skewness 0.047034
Kurtosis 3.505737
Jarque-Bera 0.782830
Probability 0.676099
Estimasi GARCH TPMA
Dependent Variable: TPMA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 21:17
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 22 iterations
MA Backcast: 1 5
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 -0.012865 0.006639 -1.937610 0.0527
AR(5) -0.789145 0.044943 -17.55889 0.0000
MA(5) 0.874706 0.025391 34.44959 0.0000
165
Variance Equation
C 0.014397 0.002482 5.801312 0.0000
RESID(-1)^2 0.914074 0.146142 6.254680 0.0000
GARCH(-1) -0.292084 0.022790 -12.81652 0.0000
R-squared 0.112170 Mean dependent var 3.42E-05
Adjusted R-squared 0.085266 S.D. dependent var 0.157932
S.E. of regression 0.151049 Akaike info criterion -1.172058
Sum squared resid 1.505835 Schwarz criterion -0.977787
Log likelihood 46.43599 Hannan-Quinn criter. -1.094984
Durbin-Watson stat 2.072127
Inverted AR Roots .77-.56i .77+.56i -.29+.91i -.29-.91i
-.95
Inverted MA Roots .79-.57i .79+.57i -.30+.93i -.30-.93i
-.97
Evaluasi Model GARCH TPMA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.352607 Prob. F(1,66) 0.5547
Obs*R-squared 0.361361 Prob. Chi-Square(1) 0.5478
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
166
0
2
4
6
8
10
12
-2 -1 0 1 2 3
Series: Standardized Residuals
Sample 6 74
Observations 69
Mean 0.100632
Median 0.150862
Maximum 3.345591
Minimum -2.071327
Std. Dev. 1.051769
Skewness 0.309319
Kurtosis 3.933734
Jarque-Bera 3.606896
Probability 0.164730
Estimasi GARCH CANI
Dependent Variable: CANI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 21:48
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 22 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) +
C(7)*GARCH(-2) +
C(8)*GARCH(-3)
Variable Coefficient Std. Error z-Statistic Prob.
C -0.014202 0.012746 -1.114272 0.2652
AR(5) 0.417191 0.369462 1.129187 0.2588
MA(5) -0.623240 0.235197 -2.649862 0.0081
Variance Equation
C 0.000921 0.000251 3.662580 0.0002
RESID(-1)^2 0.497921 0.119497 4.166804 0.0000
GARCH(-1) 0.976656 0.086986 11.22778 0.0000
GARCH(-2) -0.905041 0.080442 -11.25084 0.0000
GARCH(-3) 0.595031 0.057022 10.43509 0.0000
R-squared 0.026234 Mean dependent var -0.012114
Adjusted R-squared -0.003274 S.D. dependent var 0.202608
S.E. of regression 0.202940 Akaike info criterion -1.107558
Sum squared resid 2.718176 Schwarz criterion -0.848531
Log likelihood 46.21074 Hannan-Quinn criter. -1.004793
Durbin-Watson stat 1.664320
Inverted AR Roots .84 .26-.80i .26+.80i -.68-.49i
167
-.68+.49i
Inverted MA Roots .91 .28-.87i .28+.87i -.74-.53i
-.74+.53i
Evaluasi Model GARCH CANI
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.037509 Prob. F(1,66) 0.8470
Obs*R-squared 0.038623 Prob. Chi-Square(1) 0.8442
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
0
4
8
12
16
20
-1 0 1 2 3 4
Series: Standardized Residuals
Sample 6 74
Observations 69
Mean 0.125559
Median 0.114115
Maximum 4.095245
Minimum -1.665563
Std. Dev. 0.991835
Skewness 2.186332
Kurtosis 10.16933
Jarque-Bera 202.7435
Probability 0.000000
168
Estimasi GARCH IATA
Dependent Variable: IATA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 22:31
Sample: 1 74
Included observations: 74
Convergence achieved after 21 iterations
MA Backcast: -3 0
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C -0.000104 0.004690 -0.022194 0.9823
MA(4) -0.066249 0.141821 -0.467130 0.6404
Variance Equation
C -6.00E-07 2.29E-07 -2.622685 0.0087
GARCH(-1) 0.885090 0.002936 301.4297 0.0000
R-squared -0.003961 Mean dependent var -0.008607
Adjusted R-squared -0.017905 S.D. dependent var 0.071842
S.E. of regression 0.072482 Akaike info criterion -5.112337
Sum squared resid 0.378260 Schwarz criterion -4.987793
Log likelihood 193.1565 Hannan-Quinn criter. -5.062655
Durbin-Watson stat 2.135130
Inverted MA Roots .51 .00+.51i -.00-.51i -.51
Evaluasi Model GARCH IATA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 3.107487 Prob. F(1,71) 0.0822
Obs*R-squared 3.061048 Prob. Chi-Square(1) 0.0802
Output test Diagnostik Autokorelasi
169
Output test Diagnostik Normalitas
0
5
10
15
20
25
30
35
-3 -2 -1 0 1 2 3
Series: Standardized Residuals
Sample 1 74
Observations 74
Mean -0.131264
Median 0.010348
Maximum 3.673343
Minimum -2.983668
Std. Dev. 0.925123
Skewness 0.013811
Kurtosis 8.130365
Jarque-Bera 81.15767
Probability 0.000000
Lampiran 7: Estimasi Model T-ARCH
Estimasi T-ARCH MIRA
Dependent Variable: MIRA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 14:08
Sample (adjusted): 4 74
Included observations: 71 after adjustments
Failure to improve Likelihood after 53 iterations
MA Backcast: -1 3
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-1)^2*(RESID(-1)<0)
+
C(7)*RESID(-2)^2 + C(8)*RESID(-3)^2 + C(9)*RESID(-4)^2 + C(10)
*GARCH(-1) + C(11)*GARCH(-2)
Variable Coefficient Std. Error z-Statistic Prob.
170
C 1.94E-07 1.06E-07 1.825913 0.0679
AR(3) 0.058079 0.347402 0.167182 0.8672
MA(5) 0.033148 0.419242 0.079067 0.9370
Variance Equation
C 1.24E-14 1.05E-13 0.118443 0.9057
RESID(-1)^2 0.092246 0.153121 0.602439 0.5469
RESID(-1)^2*(RESID(-
1)<0) 0.015381 0.425147 0.036177 0.9711
RESID(-2)^2 0.017664 0.286950 0.061557 0.9509
RESID(-3)^2 0.032705 0.177020 0.184753 0.8534
RESID(-4)^2 0.019621 0.098611 0.198969 0.8423
GARCH(-1) 0.377010 0.735578 0.512536 0.6083
GARCH(-2) 0.015136 0.300945 0.050297 0.9599
R-squared 0.000654 Mean dependent var -0.001063
Adjusted R-squared -0.028738 S.D. dependent var 0.010135
S.E. of regression 0.010279 Akaike info criterion -20.83213
Sum squared resid 0.007185 Schwarz criterion -20.48157
Log likelihood 750.5406 Hannan-Quinn criter. -20.69273
Durbin-Watson stat 0.858688
Inverted AR Roots .39 -.19-.34i -.19+.34i
Inverted MA Roots .41+.30i .41-.30i -.16-.48i -.16+.48i
-.51
Evaluasi Model T-ARCH LAPD
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 13.99874 Prob. F(1,68) 0.0004
Obs*R-squared 11.95033 Prob. Chi-Square(1) 0.0005
Output test Diagnostik Autokorelasi
171
Output test Diagnostik Normalitas
0
5
10
15
20
25
30
35
-2 -1 0 1 2
Series: Standardized Residuals
Sample 4 74
Observations 71
Mean -0.549742
Median -0.929087
Maximum 2.684106
Minimum -2.572238
Std. Dev. 0.728296
Skewness 0.971504
Kurtosis 7.732797
Jarque-Bera 77.43335
Probability 0.000000
Estimasi T-ARCH LAPD
Dependent Variable: LAPD
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 14:57
Sample (adjusted): 5 74
Included observations: 70 after adjustments
Convergence achieved after 50 iterations
MA Backcast: 2 4
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-1)^2*(RESID(-1)<0)
+
C(7)*RESID(-2)^2 + C(8)*RESID(-3)^2 + C(9)*RESID(-4)^2
Variable Coefficient Std. Error z-Statistic Prob.
C 1.96E-06 2.93E-06 0.669950 0.5029
172
AR(4) 0.162586 0.055374 2.936152 0.0033
MA(3) 0.040279 0.022033 1.828141 0.0675
Variance Equation
C 2.15E-12 3.30E-11 0.065016 0.9482
RESID(-1)^2 0.146468 0.225916 0.648331 0.5168
RESID(-1)^2*(RESID(-
1)<0) -0.194215 0.208509 -0.931446 0.3516
RESID(-2)^2 0.068085 0.142215 0.478751 0.6321
RESID(-3)^2 0.066332 0.075986 0.872947 0.3827
RESID(-4)^2 0.071493 0.094030 0.760322 0.4471
R-squared 0.085167 Mean dependent var -0.006885
Adjusted R-squared 0.057859 S.D. dependent var 0.067608
S.E. of regression 0.065623 Akaike info criterion -18.88709
Sum squared resid 0.288523 Schwarz criterion -18.59800
Log likelihood 670.0483 Hannan-Quinn criter. -18.77226
Durbin-Watson stat 2.691020
Inverted AR Roots .63 -.00+.63i -.00-.63i -.63
Inverted MA Roots .17-.30i .17+.30i -.34
Evaluasi Model T-ARCH LAPD
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 1.733896 Prob. F(1,67) 0.1924
Obs*R-squared 1.740609 Prob. Chi-Square(1) 0.1871
Output test Diagnostik Autokorelasi
173
Output test Diagnostik Normalitas
0
10
20
30
40
50
-3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Series: Standardized Residuals
Sample 5 74
Observations 70
Mean -0.705193
Median -0.991961
Maximum 1.428530
Minimum -3.412591
Std. Dev. 0.678813
Skewness 0.513869
Kurtosis 7.621865
Jarque-Bera 65.38550
Probability 0.000000
Estimasi T-ARCH META
Dependent Variable: META
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 15:39
Sample (adjusted): 2 74
Included observations: 73 after adjustments
Failure to improve Likelihood after 18 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2*(RESID(-1)<0) + C(5)*GARCH(-1) +
C(6)*GARCH(-2) + C(7)*GARCH(-3)
Variable Coefficient Std. Error z-Statistic Prob.
C -0.009212 0.013890 -0.663205 0.5072
AR(1) 0.350644 0.120150 2.918388 0.0035
Variance Equation
C 0.002551 0.000379 6.725808 0.0000
RESID(-1)^2*(RESID(-
1)<0) 0.642501 0.305058 2.106157 0.0352
GARCH(-1) 0.418514 0.109920 3.807445 0.0001
GARCH(-2) 0.377303 0.182978 2.062015 0.0392
GARCH(-3) -0.371692 0.180799 -2.055824 0.0398
R-squared 0.150689 Mean dependent var -0.008458
Adjusted R-squared 0.138727 S.D. dependent var 0.099368
S.E. of regression 0.092218 Akaike info criterion -2.045414
Sum squared resid 0.603799 Schwarz criterion -1.825780
Log likelihood 81.65759 Hannan-Quinn criter. -1.957886
Durbin-Watson stat 1.635808
174
Inverted AR Roots .35
Evaluasi Model T-ARCH META
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 1.193185 Prob. F(1,70) 0.2784
Obs*R-squared 1.206707 Prob. Chi-Square(1) 0.2720
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
0
2
4
6
8
10
12
14
-3 -2 -1 0 1 2 3 4
Series: Standardized Residuals
Sample 2 74
Observations 73
Mean 0.011249
Median 0.017109
Maximum 3.791984
Minimum -3.621276
Std. Dev. 1.056022
Skewness -0.023726
Kurtosis 6.165473
Jarque-Bera 30.48502
Probability 0.000000
Estimasi T-ARCH FREN
Dependent Variable: FREN
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 16:07
175
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 41 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2*(RESID(-1)<0) + C(6)*GARCH(-1) +
C(7)*GARCH(-2) + C(8)*GARCH(-3)
Variable Coefficient Std. Error z-Statistic Prob.
C 0.006751 0.010099 0.668473 0.5038
AR(5) 0.692010 0.095385 7.254879 0.0000
MA(5) -0.926346 0.020154 -45.96284 0.0000
Variance Equation
C 0.000718 0.000118 6.107444 0.0000
RESID(-1)^2*(RESID(-
1)<0) -0.070139 8.28E-05 -847.5675 0.0000
GARCH(-1) 1.034359 0.004738 218.3328 0.0000
GARCH(-2) 1.034726 0.047850 21.62438 0.0000
GARCH(-3) -1.074276 0.045387 -23.66915 0.0000
R-squared 0.130759 Mean dependent var 0.008260
Adjusted R-squared 0.104419 S.D. dependent var 0.221101
S.E. of regression 0.209239 Akaike info criterion -0.544302
Sum squared resid 2.889550 Schwarz criterion -0.285275
Log likelihood 26.77842 Hannan-Quinn criter. -0.441537
Durbin-Watson stat 2.083239
Inverted AR Roots .93 .29+.88i .29-.88i -.75-.55i
-.75+.55i
Inverted MA Roots .98 .30-.94i .30+.94i -.80+.58i
-.80-.58i
Evaluasi Model T-ARCH FREN
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH F-statistic 0.111253 Prob. F(1,66) 0.7398
Obs*R-squared 0.114432 Prob. Chi-Square(1) 0.7352
Output test Diagnostik Autokorelasi
176
Output test Diagnostik Normalitas
0
2
4
6
8
10
12
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0
Series: Standardized Residuals
Sample 6 74
Observations 69
Mean 0.089273
Median -0.013673
Maximum 3.195429
Minimum -1.717945
Std. Dev. 1.033100
Skewness 0.873748
Kurtosis 4.035096
Jarque-Bera 11.85985
Probability 0.002659
Estimasi T-ARCH SUPR
Dependent Variable: SUPR
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 17:53
Sample (adjusted): 5 74
Included observations: 70 after adjustments
Failure to improve Likelihood after 35 iterations
MA Backcast: 1 4
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-1)^2*(RESID(-1)<0)
+
C(7)*RESID(-2)^2 + C(8)*RESID(-3)^2 + C(9)*GARCH(-1) + C(10)
*GARCH(-2) + C(11)*GARCH(-3) + C(12)*GARCH(-4)
177
Variable Coefficient Std. Error z-Statistic Prob.
C -0.011044 0.006197 -1.782042 0.0747
AR(4) -0.146928 0.175976 -0.834936 0.4038
MA(4) -0.125098 0.238851 -0.523751 0.6005
Variance Equation
C 0.003272 0.002222 1.472693 0.1408
RESID(-1)^2 0.111926 0.243243 0.460142 0.6454
RESID(-1)^2*(RESID(-
1)<0) 0.679056 0.360663 1.882799 0.0597
RESID(-2)^2 0.105772 0.150844 0.701201 0.4832
RESID(-3)^2 0.155031 0.102434 1.513473 0.1302
GARCH(-1) 0.002322 0.435622 0.005331 0.9957
GARCH(-2) 0.403719 0.368880 1.094444 0.2738
GARCH(-3) -0.625384 0.335483 -1.864127 0.0623
GARCH(-4) -0.016011 0.526078 -0.030435 0.9757
R-squared 0.104558 Mean dependent var -0.009491
Adjusted R-squared 0.077829 S.D. dependent var 0.108702
S.E. of regression 0.104386 Akaike info criterion -2.515772
Sum squared resid 0.730064 Schwarz criterion -2.130316
Log likelihood 100.0520 Hannan-Quinn criter. -2.362664
Durbin-Watson stat 1.963430
Inverted AR Roots .44+.44i .44+.44i -.44-.44i -.44-.44i
Inverted MA Roots .59 .00-.59i -.00+.59i -.59
Evaluasi Model T-ARCH SUPR
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.009417 Prob. F(1,67) 0.9230
Obs*R-squared 0.009697 Prob. Chi-Square(1) 0.9216
Output test Diagnostik Autokorelasi
178
Output test Diagnostik Normalitas
0
4
8
12
16
20
24
-4 -3 -2 -1 0 1 2
Series: Standardized Residuals
Sample 5 74
Observations 70
Mean 0.041232
Median 0.212979
Maximum 2.037320
Minimum -3.872415
Std. Dev. 0.942744
Skewness -1.247390
Kurtosis 6.570112
Jarque-Bera 55.32807
Probability 0.000000
Estimasi T-ARCH GIAA
Dependent Variable: GIAA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 19:01
Sample: 1 74
Included observations: 74
Convergence achieved after 109 iterations
MA Backcast: -4 0
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*RESID(-1)^2*(RESID(-1)<0)
+
C(6)*RESID(-2)^2 + C(7)*RESID(-3)^2 + C(8)*GARCH(-1) + C(9)
*GARCH(-2)
Variable Coefficient Std. Error z-Statistic Prob.
179
C -0.010098 0.002362 -4.275193 0.0000
MA(5) -0.306566 0.117699 -2.604652 0.0092
Variance Equation
C 0.000139 6.14E-05 2.270110 0.0232
RESID(-1)^2 0.894428 0.475537 1.880878 0.0600
RESID(-1)^2*(RESID(-
1)<0) -0.041270 0.033914 -1.216900 0.2236
RESID(-2)^2 -1.873216 0.969424 -1.932299 0.0533
RESID(-3)^2 0.997303 0.500710 1.991776 0.0464
GARCH(-1) 2.046290 0.014387 142.2332 0.0000
GARCH(-2) -1.054692 0.017219 -61.25025 0.0000
R-squared 0.120076 Mean dependent var -0.009665
Adjusted R-squared 0.107855 S.D. dependent var 0.129163
S.E. of regression 0.121999 Akaike info criterion -1.639250
Sum squared resid 1.071634 Schwarz criterion -1.359026
Log likelihood 69.65226 Hannan-Quinn criter. -1.527465
Durbin-Watson stat 1.404970
Inverted MA Roots .79 .24+.75i .24-.75i -.64-.46i
-.64+.46i
Evaluasi Model T-ARCH GIAA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.788396 Prob. F(1,71) 0.3776
Obs*R-squared 0.801702 Prob. Chi-Square(1) 0.3706
Output test Diagnostik Autokorelasi
180
Output test Diagnostik Normalitas
0
1
2
3
4
5
6
7
8
9
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
Series: Standardized Residuals
Sample 1 74
Observations 74
Mean 0.022038
Median -0.003605
Maximum 2.575391
Minimum -1.879522
Std. Dev. 0.974601
Skewness 0.255819
Kurtosis 2.692181
Jarque-Bera 1.099287
Probability 0.577156
Estimasi T-ARCH NELY
Dependent Variable: NELY
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 19:30
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 22 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-1)^2*(RESID(-1)<0)
Variable Coefficient Std. Error z-Statistic Prob.
C 0.003329 0.012085 0.275442 0.7830
AR(5) 0.694088 0.095348 7.279517 0.0000
MA(5) -0.846715 0.091476 -9.256172 0.0000
181
Variance Equation
C 0.006118 0.001754 3.487570 0.0005
RESID(-1)^2 0.768244 0.431803 1.779152 0.0752
RESID(-1)^2*(RESID(-
1)<0) -0.723907 0.442362 -1.636458 0.1017
R-squared 0.118480 Mean dependent var -0.002089
Adjusted R-squared 0.091767 S.D. dependent var 0.115125
S.E. of regression 0.109715 Akaike info criterion -1.754651
Sum squared resid 0.794473 Schwarz criterion -1.560381
Log likelihood 66.53546 Hannan-Quinn criter. -1.677578
Durbin-Watson stat 2.556759
Inverted AR Roots .93 .29-.88i .29+.88i -.75+.55i
-.75-.55i
Inverted MA Roots .97 .30-.92i .30+.92i -.78+.57i
-.78-.57i
Evaluasi Model T-ARCH NELY
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 1.635030 Prob. F(1,66) 0.2055
Obs*R-squared 1.643853 Prob. Chi-Square(1) 0.1998
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
182
0
1
2
3
4
5
6
7
8
9
-3 -2 -1 0 1 2
Series: Standardized Residuals
Sample 6 74
Observations 69
Mean 0.033980
Median -0.013862
Maximum 2.719351
Minimum -2.907650
Std. Dev. 1.006743
Skewness 0.197032
Kurtosis 3.339697
Jarque-Bera 0.778208
Probability 0.677664
Estimasi T-ARCH CASS
Dependent Variable: CASS
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 20:45
Sample (adjusted): 4 74
Included observations: 71 after adjustments
Convergence achieved after 56 iterations
MA Backcast: 1 3
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2*(RESID(-1)<0) + C(6)*GARCH(-1) +
C(7)*GARCH(-2) + C(8)*GARCH(-3) + C(9)*GARCH(-4)
Variable Coefficient Std. Error z-Statistic Prob.
C -2.874315 180.0872 -0.015961 0.9873
AR(3) 0.999309 0.043362 23.04576 0.0000
MA(3) -0.957602 0.015421 -62.09627 0.0000
Variance Equation
C -1.92E-05 0.000125 -0.153247 0.8782
RESID(-1)^2*(RESID(-
1)<0) 0.354935 0.156797 2.263653 0.0236
GARCH(-1) 1.222097 0.316186 3.865126 0.0001
GARCH(-2) -0.217872 0.567254 -0.384082 0.7009
GARCH(-3) -0.693013 0.480787 -1.441413 0.1495
GARCH(-4) 0.537632 0.203454 2.642530 0.0082
R-squared 0.005355 Mean dependent var -0.006777
Adjusted R-squared -0.023899 S.D. dependent var 0.062255
S.E. of regression 0.062994 Akaike info criterion -2.784527
Sum squared resid 0.269845 Schwarz criterion -2.497708
Log likelihood 107.8507 Hannan-Quinn criter. -2.670468
183
Durbin-Watson stat 2.071180
Inverted AR Roots 1.00 -.50+.87i -.50-.87i
Inverted MA Roots .99 -.49+.85i -.49-.85i
Evaluasi Model T-ARCH CASS
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.061338 Prob. F(1,68) 0.8051
Obs*R-squared 0.063085 Prob. Chi-Square(1) 0.8017
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
184
0
2
4
6
8
10
12
14
-2 -1 0 1 2 3
Series: Standardized Residuals
Sample 4 74
Observations 71
Mean -0.091919
Median 0.029678
Maximum 2.836683
Minimum -2.566183
Std. Dev. 1.031224
Skewness 0.108026
Kurtosis 3.236349
Jarque-Bera 0.303345
Probability 0.859270
Estimasi T-ARCH TPMA
Dependent Variable: TPMA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 21:18
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 80 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-1)^2*(RESID(-1)<0)
+
C(7)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C -0.005285 0.015867 -0.333110 0.7391
AR(5) -0.798570 0.063785 -12.51980 0.0000
MA(5) 0.903822 0.041253 21.90911 0.0000
Variance Equation
C 0.014008 0.001507 9.297677 0.0000
RESID(-1)^2 1.013180 0.305741 3.313846 0.0009
RESID(-1)^2*(RESID(-
1)<0) -0.488470 0.288209 -1.694850 0.0901
GARCH(-1) -0.282550 0.088875 -3.179198 0.0015
R-squared 0.133772 Mean dependent var 3.42E-05
Adjusted R-squared 0.107522 S.D. dependent var 0.157932
S.E. of regression 0.149200 Akaike info criterion -1.134772
Sum squared resid 1.469197 Schwarz criterion -0.908124
Log likelihood 46.14965 Hannan-Quinn criter. -1.044853
Durbin-Watson stat 2.082846
185
Inverted AR Roots .77-.56i .77+.56i -.30+.91i -.30-.91i
-.96
Inverted MA Roots .79-.58i .79+.58i -.30+.93i -.30-.93i
-.98
Evaluasi Model T-ARCH TPMA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.020229 Prob. F(1,66) 0.8873
Obs*R-squared 0.020836 Prob. Chi-Square(1) 0.8852
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
0
2
4
6
8
10
12
-2 -1 0 1 2 3
Series: Standardized Residuals
Sample 6 74
Observations 69
Mean 0.010323
Median 0.072660
Maximum 3.685889
Minimum -2.089749
Std. Dev. 1.023479
Skewness 0.376471
Kurtosis 4.490959
Jarque-Bera 8.020910
Probability 0.018125
Estimasi T-ARCH CANI
186
Dependent Variable: CANI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 21:50
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 32 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2*(RESID(-1)<0) + C(6)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C -0.016291 0.003604 -4.520679 0.0000
AR(5) 0.199910 0.248229 0.805344 0.4206
MA(5) -0.395236 0.233736 -1.690947 0.0908
Variance Equation
C 0.000597 3.36E-05 17.77562 0.0000
RESID(-1)^2*(RESID(-
1)<0) -0.124385 0.011394 -10.91706 0.0000
GARCH(-1) 1.084226 0.005290 204.9494 0.0000
R-squared 0.031279 Mean dependent var -0.012114
Adjusted R-squared 0.001924 S.D. dependent var 0.202608
S.E. of regression 0.202413 Akaike info criterion -1.063169
Sum squared resid 2.704092 Schwarz criterion -0.868899
Log likelihood 42.67935 Hannan-Quinn criter. -0.986096
Durbin-Watson stat 1.660656
Inverted AR Roots .72 .22+.69i .22-.69i -.59-.43i
-.59+.43i
Inverted MA Roots .83 .26-.79i .26+.79i -.67-.49i
-.67+.49i
Evaluasi Model T-ARCH CANI
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 3.202688 Prob. F(1,66) 0.0781
Obs*R-squared 3.147028 Prob. Chi-Square(1) 0.0761
Output test Diagnostik Autokorelasi
187
Output test Diagnostik Normalitas
0
4
8
12
16
20
24
-3 -2 -1 0 1 2 3
Series: Standardized Residuals
Sample 6 74
Observations 69
Mean -0.015475
Median 0.115941
Maximum 3.595296
Minimum -2.805518
Std. Dev. 1.093212
Skewness 0.183807
Kurtosis 4.818010
Jarque-Bera 9.890861
Probability 0.007116
Estimasi T-ARCH IATA
Dependent Variable: IATA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 22:32
Sample: 1 74
Included observations: 74
Convergence achieved after 24 iterations
MA Backcast: -3 0
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*RESID(-1)^2*(RESID(-1)<0)
+
C(6)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C 0.000154 5.47E-05 2.819011 0.0048
188
MA(4) -0.184969 0.104878 -1.763654 0.0778
Variance Equation
C -1.13E-08 2.29E-09 -4.956018 0.0000
RESID(-1)^2 0.066549 0.035117 1.895048 0.0581
RESID(-1)^2*(RESID(-
1)<0) 0.351396 0.165422 2.124245 0.0336
GARCH(-1) 0.691059 0.021430 32.24729 0.0000
R-squared 0.008947 Mean dependent var -0.008607
Adjusted R-squared -0.004817 S.D. dependent var 0.071842
S.E. of regression 0.072014 Akaike info criterion -6.093938
Sum squared resid 0.373397 Schwarz criterion -5.907122
Log likelihood 231.4757 Hannan-Quinn criter. -6.019415
Durbin-Watson stat 2.156556
Inverted MA Roots .66 -.00+.66i -.00-.66i -.66
Evaluasi Model T-ARCH IATA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.294481 Prob. F(1,71) 0.5891
Obs*R-squared 0.301525 Prob. Chi-Square(1) 0.5829
Output test Diagnostik Autokorelasi
Output test Diagnostik Normalitas
189
0
5
10
15
20
25
-3 -2 -1 0 1 2 3
Series: Standardized Residuals
Sample 1 74
Observations 74
Mean -0.318861
Median -0.251457
Maximum 3.670496
Minimum -2.764601
Std. Dev. 0.865790
Skewness 1.269770
Kurtosis 8.695088
Jarque-Bera 119.8901
Probability 0.000000
Lampiran 8: Estimasi E-GARCH MIRA
Dependent Variable: MIRA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 14:23
Sample (adjusted): 4 74
Included observations: 71 after adjustments
Convergence achieved after 10 iterations
MA Backcast: -1 3
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(4) + C(5)*ABS(RESID(-1)/@SQRT(GARCH(-1)))
+ C(6)
*ABS(RESID(-2)/@SQRT(GARCH(-2))) + C(7)*ABS(RESID(-3)
/@SQRT(GARCH(-3))) + C(8)*ABS(RESID(-
4)/@SQRT(GARCH(-4))) +
C(9)*ABS(RESID(-5)/@SQRT(GARCH(-5))) + C(10)*RESID(-1)
/@SQRT(GARCH(-1)) + C(11)*LOG(GARCH(-1)) +
C(12)*LOG(GARCH(
-2)) + C(13)*LOG(GARCH(-3)) + C(14)*LOG(GARCH(-4))
Variable Coefficient Std. Error z-Statistic Prob.
C -2.40E-07 6.24E-08 -3.847052 0.0001
AR(3) 0.032907 0.037502 0.877481 0.3802
MA(5) -0.999979 3.98E-06 -251013.1 0.0000
Variance Equation
C(4) -4.745649 0.560063 -8.473420 0.0000
C(5) -0.351810 0.171132 -2.055781 0.0398
C(6) 0.414272 0.110691 3.742594 0.0002
C(7) 0.580178 0.186273 3.114667 0.0018
190
C(8) 0.675769 0.092351 7.317363 0.0000
C(9) 1.540649 0.172457 8.933529 0.0000
C(10) -0.663805 0.126679 -5.240072 0.0000
C(11) -0.335473 0.055696 -6.023259 0.0000
C(12) 0.316950 0.060535 5.235808 0.0000
C(13) 0.402337 0.048970 8.215957 0.0000
C(14) 0.554074 0.057534 9.630441 0.0000
R-squared 0.894223 Mean dependent var -0.001063
Adjusted R-squared 0.891112 S.D. dependent var 0.010135
S.E. of regression 0.003344 Akaike info criterion -16.10138
Sum squared resid 0.000760 Schwarz criterion -15.65521
Log likelihood 585.5988 Hannan-Quinn criter. -15.92395
Durbin-Watson stat 2.966001
Inverted AR Roots .32 -.16-.28i -.16+.28i
Inverted MA Roots 1.00 .31-.95i .31+.95i -.81+.59i
-.81-.59i
Evaluasi Model E-GARCH MIRA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.110823 Prob. F(1,68) 0.7402
Obs*R-squared 0.113897 Prob. Chi-Square(1) 0.7358
Estimasi E-GARCH LAPD
Dependent Variable: LAPD
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 15:04
Sample (adjusted): 5 74
Included observations: 70 after adjustments
Convergence achieved after 34 iterations
MA Backcast: 2 4
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(4) + C(5)*RESID(-1)/@SQRT(GARCH(-1)) + C(6)
*LOG(GARCH(-1)) + C(7)*LOG(GARCH(-2))
Variable Coefficient Std. Error z-Statistic Prob.
C -8.81E-08 1.99E-06 -0.044274 0.9647
AR(4) 0.167044 0.010046 16.62808 0.0000
MA(3) 0.010069 0.018475 0.544996 0.5858
Variance Equation
191
C(4) -1.986435 0.056185 -35.35523 0.0000
C(5) 0.093132 0.028403 3.278941 0.0010
C(6) -0.027956 0.010942 -2.554888 0.0106
C(7) 0.963455 0.009672 99.61440 0.0000
R-squared 0.090049 Mean dependent var -0.006885
Adjusted R-squared 0.062886 S.D. dependent var 0.067608
S.E. of regression 0.065447 Akaike info criterion -17.18205
Sum squared resid 0.286984 Schwarz criterion -16.95720
Log likelihood 608.3718 Hannan-Quinn criter. -17.09274
Durbin-Watson stat 2.675288
Inverted AR Roots .64 -.00+.64i -.00-.64i -.64
Inverted MA Roots .11+.19i .11-.19i -.22
Evaluasi Model E-GARCH LAPD
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 6.046167 Prob. F(1,67) 0.0165
Obs*R-squared 5.711258 Prob. Chi-Square(1) 0.0169
Estimasi E-GARCH META
Dependent Variable: META
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/29/20 Time: 22:26
Sample (adjusted): 2 74
Included observations: 73 after adjustments
Convergence achieved after 11 iterations
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(3) + C(4)*RESID(-1)/@SQRT(GARCH(-1)) + C(5)
*LOG(GARCH(-1))
Variable Coefficient Std. Error z-Statistic Prob.
C -0.032599 0.015957 -2.042954 0.0411
AR(1) 0.312491 0.121331 2.575535 0.0100
Variance Equation
C(3) -0.388341 0.194615 -1.995430 0.0460
C(4) -0.184248 0.076244 -2.416558 0.0157
C(5) 0.907904 0.038388 23.65044 0.0000
R-squared 0.121271 Mean dependent var -0.008458
192
Adjusted R-squared 0.108895 S.D. dependent var 0.099368
S.E. of regression 0.093802 Akaike info criterion -2.029142
Sum squared resid 0.624712 Schwarz criterion -1.872261
Log likelihood 79.06367 Hannan-Quinn criter. -1.966622
Durbin-Watson stat 1.534220
Inverted AR Roots .31
Evaluasi Model E-GARCH META
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 2.969880 Prob. F(1,70) 0.0892
Obs*R-squared 2.930406 Prob. Chi-Square(1) 0.0869
Estimasi E-GARCH FREN
Dependent Variable: FREN
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 17:44
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 30 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(4) + C(5)*ABS(RESID(-1)/@SQRT(GARCH(-1)))
+ C(6)
*ABS(RESID(-2)/@SQRT(GARCH(-2))) + C(7)*ABS(RESID(-3)
/@SQRT(GARCH(-3))) + C(8)*RESID(-1)/@SQRT(GARCH(-1))
Variable Coefficient Std. Error z-Statistic Prob.
C 0.018209 0.002136 8.525916 0.0000
AR(5) 0.427019 0.067288 6.346175 0.0000
MA(5) -0.570742 0.059172 -9.645443 0.0000
Variance Equation
C(4) -7.688855 0.403311 -19.06434 0.0000
C(5) 0.749211 0.237660 3.152448 0.0016
C(6) 1.953353 0.221153 8.832569 0.0000
C(7) 1.877577 0.228973 8.199980 0.0000
C(8) 0.957773 0.138412 6.919740 0.0000
R-squared 0.057183 Mean dependent var 0.008260
Adjusted R-squared 0.028613 S.D. dependent var 0.221101
193
S.E. of regression 0.217915 Akaike info criterion -0.855528
Sum squared resid 3.134134 Schwarz criterion -0.596502
Log likelihood 37.51573 Hannan-Quinn criter. -0.752764
Durbin-Watson stat 2.089838
Inverted AR Roots .84 .26+.80i .26-.80i -.68-.50i
-.68+.50i
Inverted MA Roots .89 .28-.85i .28+.85i -.72+.53i
-.72-.53i
Evaluasi Model E-GARCH FREN
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.398110 Prob. F(1,66) 0.5302
Obs*R-squared 0.407714 Prob. Chi-Square(1) 0.5231
Estimasi E-GARCH GIAA
Dependent Variable: GIAA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 19:03
Sample: 1 74
Included observations: 74
Convergence achieved after 16 iterations
MA Backcast: -4 0
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(3) + C(4)*ABS(RESID(-1)/@SQRT(GARCH(-1)))
+ C(5)
*ABS(RESID(-2)/@SQRT(GARCH(-2))) + C(6)*RESID(-1)
/@SQRT(GARCH(-1)) + C(7)*LOG(GARCH(-1)) +
C(8)*LOG(GARCH(
-2)) + C(9)*LOG(GARCH(-3))
Variable Coefficient Std. Error z-Statistic Prob.
C -0.011950 0.005407 -2.210069 0.0271
MA(5) -0.260454 0.032555 -8.000531 0.0000
Variance Equation
C(3) -3.803215 2.016109 -1.886413 0.0592
C(4) 0.861903 0.252580 3.412395 0.0006
C(5) 0.800550 0.346437 2.310811 0.0208
C(6) 0.342929 0.198677 1.726061 0.0843
C(7) -0.222908 0.146789 -1.518563 0.1289
C(8) -0.001785 0.140000 -0.012751 0.9898
194
C(9) 0.723819 0.151299 4.784041 0.0000
R-squared 0.106735 Mean dependent var -0.009665
Adjusted R-squared 0.094329 S.D. dependent var 0.129163
S.E. of regression 0.122921 Akaike info criterion -1.810727
Sum squared resid 1.087881 Schwarz criterion -1.530503
Log likelihood 75.99690 Hannan-Quinn criter. -1.698942
Durbin-Watson stat 1.392984
Inverted MA Roots .76 .24+.73i .24-.73i -.62+.45i
-.62-.45i
Evaluasi Model E-GARCH GIAA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.079756 Prob. F(1,71) 0.7785
Obs*R-squared 0.081910 Prob. Chi-Square(1) 0.7747
Estimasi E-GARCH SUPR
Dependent Variable: SUPR
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 17:54
Sample (adjusted): 5 74
Included observations: 70 after adjustments
Convergence achieved after 20 iterations
MA Backcast: 1 4
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(4) + C(5)*RESID(-1)/@SQRT(GARCH(-1)) + C(6)
*LOG(GARCH(-1)) + C(7)*LOG(GARCH(-2)) +
C(8)*LOG(GARCH(-3))
Variable Coefficient Std. Error z-Statistic Prob.
C 0.015716 0.017389 0.903779 0.3661
AR(4) 0.946028 0.023786 39.77244 0.0000
MA(4) -0.847201 0.010052 -84.28483 0.0000
Variance Equation
C(4) -1.871819 0.396499 -4.720874 0.0000
C(5) -0.726156 0.104866 -6.924585 0.0000
C(6) 0.676824 0.029913 22.62616 0.0000
C(7) 0.930275 0.054803 16.97501 0.0000
195
C(8) -0.906091 0.051790 -17.49542 0.0000
R-squared -0.091889 Mean dependent var -0.009491
Adjusted R-squared -0.124483 S.D. dependent var 0.108702
S.E. of regression 0.115269 Akaike info criterion -2.489010
Sum squared resid 0.890230 Schwarz criterion -2.232039
Log likelihood 95.11535 Hannan-Quinn criter. -2.386938
Durbin-Watson stat 1.845784
Inverted AR Roots .99 -.00+.99i -.00-.99i -.99
Inverted MA Roots .96 .00-.96i .00+.96i -.96
Evaluasi Model E-GARCH SUPR
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 3.244855 Prob. F(1,67) 0.0761
Obs*R-squared 3.187351 Prob. Chi-Square(1) 0.0742
Estimasi E-GARCH NELY
Dependent Variable: NELY
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 19:32
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 81 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(4) + C(5)*RESID(-1)/@SQRT(GARCH(-1)) + C(6)
*LOG(GARCH(-1)) + C(7)*LOG(GARCH(-2))
Variable Coefficient Std. Error z-Statistic Prob.
C 0.013160 0.012573 1.046720 0.2952
AR(5) 0.717387 0.095585 7.505244 0.0000
MA(5) -0.819000 0.082539 -9.922631 0.0000
Variance Equation
C(4) -5.687911 0.407567 -13.95576 0.0000
C(5) 0.292639 0.124475 2.350989 0.0187
C(6) 0.688873 0.085388 8.067537 0.0000
C(7) -0.913087 0.072660 -12.56660 0.0000
196
R-squared 0.097838 Mean dependent var -0.002089
Adjusted R-squared 0.070500 S.D. dependent var 0.115125
S.E. of regression 0.110992 Akaike info criterion -1.619394
Sum squared resid 0.813076 Schwarz criterion -1.392745
Log likelihood 62.86909 Hannan-Quinn criter. -1.529475
Durbin-Watson stat 2.531640
Inverted AR Roots .94 .29-.89i .29+.89i -.76+.55i
-.76-.55i
Inverted MA Roots .96 .30-.91i .30+.91i -.78+.56i
-.78-.56i
Evaluasi Model E-GARCH NELY
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 8.837336 Prob. F(1,66) 0.0041
Obs*R-squared 8.029934 Prob. Chi-Square(1) 0.0046
Estimasi E-GARCH CASS
Dependent Variable: CASS
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 20:47
Sample (adjusted): 4 74
Included observations: 71 after adjustments
Convergence achieved after 24 iterations
MA Backcast: 1 3
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(4) + C(5)*RESID(-1)/@SQRT(GARCH(-1)) + C(6)
*LOG(GARCH(-1)) + C(7)*LOG(GARCH(-2))
Variable Coefficient Std. Error z-Statistic Prob.
C -0.013818 0.010043 -1.375857 0.1689
AR(3) 0.846421 0.076960 10.99815 0.0000
MA(3) -0.894265 0.053838 -16.61018 0.0000
Variance Equation
C(4) -4.798249 0.269791 -17.78508 0.0000
C(5) 0.093122 0.044648 2.085713 0.0370
C(6) 1.160580 0.053816 21.56569 0.0000
C(7) -1.007261 0.060774 -16.57379 0.0000
R-squared 0.038293 Mean dependent var -0.006777
197
Adjusted R-squared 0.010007 S.D. dependent var 0.062255
S.E. of regression 0.061943 Akaike info criterion -2.675008
Sum squared resid 0.260909 Schwarz criterion -2.451927
Log likelihood 101.9628 Hannan-Quinn criter. -2.586296
Durbin-Watson stat 2.183612
Inverted AR Roots .95 -.47+.82i -.47-.82i
Inverted MA Roots .96 -.48+.83i -.48-.83i
Evaluasi Model E-GARCH CASS
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 4.244561 Prob. F(1,68) 0.0432
Obs*R-squared 4.112687 Prob. Chi-Square(1) 0.0426
Estimasi E-GARCH TPMA
Dependent Variable: TPMA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 21:25
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 73 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(4) + C(5)*RESID(-1)/@SQRT(GARCH(-1)) + C(6)
*LOG(GARCH(-1)) + C(7)*LOG(GARCH(-2)) +
C(8)*LOG(GARCH(-3)) +
C(9)*LOG(GARCH(-4))
Variable Coefficient Std. Error z-Statistic Prob.
C 0.008163 0.014533 0.561720 0.5743
AR(5) -0.744355 0.056338 -13.21228 0.0000
MA(5) 0.945547 0.021984 43.01110 0.0000
Variance Equation
C(4) -23.17875 1.880492 -12.32590 0.0000
C(5) 0.256901 0.124093 2.070236 0.0384
C(6) -1.103043 0.045742 -24.11470 0.0000
C(7) -1.404493 0.093801 -14.97319 0.0000
C(8) -1.151017 0.112133 -10.26471 0.0000
C(9) -0.916869 0.108679 -8.436502 0.0000
R-squared 0.136424 Mean dependent var 3.42E-05
198
Adjusted R-squared 0.110255 S.D. dependent var 0.157932
S.E. of regression 0.148971 Akaike info criterion -1.042906
Sum squared resid 1.464699 Schwarz criterion -0.751501
Log likelihood 44.98026 Hannan-Quinn criter. -0.927296
Durbin-Watson stat 2.056752
Inverted AR Roots .76-.55i .76+.55i -.29+.90i -.29-.90i
-.94
Inverted MA Roots .80-.58i .80+.58i -.31+.94i -.31-.94i
-.99
Evaluasi Model E-GARCH TPMA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 13.14062 Prob. F(1,66) 0.0006
Obs*R-squared 11.29082 Prob. Chi-Square(1) 0.0008
Dependent Variable: CANI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 21:52
Sample (adjusted): 6 74
Included observations: 69 after adjustments
Convergence achieved after 57 iterations
MA Backcast: 1 5
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(4) + C(5)*ABS(RESID(-1)/@SQRT(GARCH(-1)))
+ C(6)
*ABS(RESID(-2)/@SQRT(GARCH(-2))) + C(7)*RESID(-1)
/@SQRT(GARCH(-1)) + C(8)*LOG(GARCH(-1)) +
C(9)*LOG(GARCH(
-2))
Variable Coefficient Std. Error z-Statistic Prob.
C -0.022824 0.004855 -4.701212 0.0000
AR(5) 0.693692 0.044669 15.52944 0.0000
MA(5) -0.706480 0.032036 -22.05270 0.0000
Variance Equation
C(4) -0.926497 0.190584 -4.861347 0.0000
C(5) -0.628393 0.281416 -2.232968 0.0256
C(6) 1.161671 0.195901 5.929872 0.0000
C(7) 1.421868 0.204276 6.960540 0.0000
C(8) 0.230111 0.097757 2.353914 0.0186
199
C(9) 0.664320 0.101658 6.534835 0.0000
R-squared 0.011827 Mean dependent var -0.012114
Adjusted R-squared -0.018118 S.D. dependent var 0.202608
S.E. of regression 0.204435 Akaike info criterion -1.795069
Sum squared resid 2.758391 Schwarz criterion -1.503664
Log likelihood 70.92990 Hannan-Quinn criter. -1.679459
Durbin-Watson stat 1.709893
Inverted AR Roots .93 .29+.88i .29-.88i -.75-.55i
-.75+.55i
Inverted MA Roots .93 .29+.89i .29-.89i -.75-.55i
-.75+.55i
Heteroskedasticity Test: ARCH
F-statistic 0.461910 Prob. F(1,66) 0.4991
Obs*R-squared 0.472600 Prob. Chi-Square(1) 0.4918
Estimasi E-GARCH IATA
Dependent Variable: IATA
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 12/27/20 Time: 22:33
Sample: 1 74
Included observations: 74
Convergence achieved after 25 iterations
MA Backcast: -3 0
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(3) + C(4)*ABS(RESID(-1)/@SQRT(GARCH(-1)))
+ C(5)
*ABS(RESID(-2)/@SQRT(GARCH(-2))) + C(6)*RESID(-1)
/@SQRT(GARCH(-1)) + C(7)*LOG(GARCH(-1)) +
C(8)*LOG(GARCH(
-2))
Variable Coefficient Std. Error z-Statistic Prob.
C 9.14E-08 6.73E-08 1.358483 0.1743
MA(4) 0.095188 0.004793 19.85969 0.0000
Variance Equation
C(3) -2.503272 0.091186 -27.45245 0.0000
C(4) 0.741434 0.048758 15.20650 0.0000
C(5) 1.661876 0.114651 14.49511 0.0000
C(6) -0.388340 0.040072 -9.690942 0.0000
C(7) 1.498154 0.002613 573.3746 0.0000
200
C(8) -0.578388 0.006899 -83.83063 0.0000
R-squared -0.029547 Mean dependent var -0.008607
Adjusted R-squared -0.043846 S.D. dependent var 0.071842
S.E. of regression 0.073400 Akaike info criterion -11.38109
Sum squared resid 0.387900 Schwarz criterion -11.13200
Log likelihood 429.1004 Hannan-Quinn criter. -11.28173
Durbin-Watson stat 2.120808
Inverted MA Roots .39-.39i .39-.39i -.39+.39i -.39+.39i
Evaluasi Model E-GARCH IATA
Output test Diagnostik Heteroskedasitas
Heteroskedasticity Test: ARCH
F-statistic 0.284868 Prob. F(1,71) 0.5952
Obs*R-squared 0.291722 Prob. Chi-Square(1) 0.5891